Praktické využití metod digitálního zpracování obrazu

Rozměr: px
Začít zobrazení ze stránky:

Download "Praktické využití metod digitálního zpracování obrazu"

Transkript

1 STEDOŠKOLSKÁ ODBORNÁ INNOST obor 01 Praktické využití metod digitálního zpracování obrazu Vypracoval: Ondej Mikšík Oktáva B Gymnázium Kromíž Masarykovo nám

2 Obsah 1. Úvod Digitální obraz Pedzpracování obrazu... 4 Histogram... 4 Ekvalizace histogramu... 5 Prahování... 6 Filtrace šumu v obraze Matematická morfologie... 9 Binární dilatace... 9 Binární eroze Binární otevení Binární uzavení Hit or miss Skeleton Edge detection Diskrétní konvoluce Robertsv operátor Operátor Prewittové Sobelv operátor Kirschv operátor Laplacev operátor LoG, DoG Cannyho hranový detektor Další metody Segmentace Region growing (connected component labeling) Štpení a spojování oblastí Popis segmentovaného obrazu Velikost Smr etzové kódy Kompaktnost Výstednost Podlouhlost Pravoúhlost RTS invariant moments Další metody Klasifikace Rozhodovací stromy Support vector machines (SVM) Umlé neuronové sít ešení ukázkové úlohy Praktická aplikace Závr Píloha A Program SmartCalib Seznam literatury

3 1. Úvod Práce se zabývá teoretickými základy digitálního zpracování obrazu a jejich aplikací pi ešení konkrétního technického zadání. Pvodním zámrem autora byla úast v soutži autonomních robotických vozítek. Tato autíka získávají informace o svém okolí pomocí nejrznjších idel, jako jsou kamery, infraervené senzory, ultrazvukové dálkomry. Tyto údaje jsou vyhodnocovány a vozítko na n vhodným zpsobem reaguje. Klíovým nástrojem pi ešení této problematiky jsou metody digitálního zpracování obrazu. Tento rozsáhlý obor na rozhraní matematiky a pokroilé výpoetní techniky autora zaujal natolik, že veškeré úsilí nakonec vnoval teoretickému ešení problematiky a sestrojení pvodn zamýšleného robotického vozítka penechal jiným nadšencm. Metody, jimiž se autor zabýval, si však cestu do praxe nakonec stejn našly. Další ást práce popisuje ešení konkrétního technického požadavku zpesnní kalibrace pístroj pro výzkum živé pírody. Závrená kapitola shrnuje výsledky, kterých se pi ešení problematiky digitálního zpracování obrazu podailo dosáhnout. 3

4 2. Digitální obraz Digitální obraz chápeme jako snímek sejmutý kamerou, scannerem, nebo jiným zaízením a definujeme jej jako obrazovou funkci f(x, y), jejíž hodnoty odpovídají mené veliin (napíklad jasu). Pi poítaovém zpracování obraz pracujeme s digitalizovanými obrazy. Obrazová funkce f(x, y) je poté pedstavována maticí, jejíž prvky nazýváme pixely (obrazové elementy). Tyto obrazové elementy, jsou nejmenšími, dále nedlitelnými jednotkami, což je dležité napíklad pi mení vzdáleností v obraze - nepohybujeme se v Euklidovském prostoru, ale v rastru (tvercový, hexagonální, ) [2]. Obr. 1. Testovací dráha pokusného vozítka Cílem první ásti práce je nalézt polohu patník, které pedstavují svtla nalevo od chodníku v obr1. Nyní se budeme vnovat metodám, které vedou k ešení tohoto problému Pedzpracování obrazu Pedzpracování obrazu je operace, kterou musíme provést u každého zpracovávaného obrazu. Vtšinou se nám totiž nepodaí získat kvalitní obraz, který má vysoký kontrast, neobsahuje šum, je ostrý, Cílem operací provádných pi pedzpracování je obraz upravit tak, aby následná lokalizace a rozpoznávání objekt bylo co nejpesnjší a nejrychlejší. Vtšina operací provádných pi pedzpracování je protichdná. Pi odstranní šumu se snažíme obraz vyhladit, což zpsobuje rozmazání tenkých ar a hran, které jsou dležité. Naopak pi ostení obrazu (zvýraznní vyšších frekvencí) dochází zárove k zvtšení podílu obrazového šumu (protože ten je také vysokofrekvenní). Proto je vtšina provádných operací závislá na hledání kompromisu. Histogram Jednou z nejjednodušších pomcek pi digitálním zpracování obrazu je histogram obrazu, který je ve stupních šedi [2]. Tato funkce sumarizuje hodnoty úrovn šedi v obrázku. Každý obraz má pouze jeden histogram, ale jeden histogram mže odpovídat více obrazm 4

5 (když posuneme objekt v obraze ped konstantním pozadím, nebude to mít na výsledný histogram vliv). Histogram úrovn šedé je funkce, která obsahuje pro každou úrove šedi (intensitu jasu), poet pixel (bod) v obraze, které dané úrovni odpovídají, ale nedává nám žádné informace o tom, kde se tyto body v obraze vyskytují. Histogram osmibitového obrazu tedy obsahuje 256 rzných úrovní šedi. Matematicky jej mžeme definovat jako N 255 k0 kde h k je celkový poet pixel, které odpovídají úrovni šedi k. h k (1) Ekvalizace histogramu Ekvalizace histogramu [2] je algoritmus, který zmní výskyt jasových úrovní v obraze tak, aby intenzity jasu byly zastoupeny v co nejširším rozmezí a pokud možno se stejnou etností. Ekvalizací zvýšíme kontrast obrazu. Nové hodnoty jasu spoítáme jako J ii I h( i) xy ii 0 (2) Kde I je maximální hodnota jasu v pvodním obraze, xy je poet pixel pvodního obrazu, I 0 je nejnižší hodnota jasu v pvodním obrazu a h(i) je poet pixel odpovídajících této hodnot. Obr. 2. Špatné rozložení jas v obraze Obr. 3. Obraz po ekvalizaci Stejn je možné provádt ekvalizaci histogramu barevných obraz. Tu mžeme provést nkolika zpsoby, napíklad ekvalizací každé barevné složky zvláš. To však mže vést ke zmn pomr barev v obraze, což nemusí být vždy vhodné. Další možností je provést ekvalizaci v nkterém alternativním barevném prostoru, napíklad YIQ, ve kterém Y nese informace o hodnot jasu daného pixelu a tudíž pi ekvalizaci nedojde ke zkreslení barev. 5

6 Obr. 4. Špatné rozložení jas v barevném obraze Obr. 5. Barevný obraz po ekvalizaci Ekvalizací histogramu zvýšíme kontrast obrazu, což nám usnadní odlišit jednotlivé objekty od sebe. Prahování asto potebujeme odlišit objekty zájmu od pozadí. Nejastji používanou metodou pro tuto operaci je prahování (thresholding) [1]. Prosté prahování funguje tak, že máme vstupní obraz a práh. Potom a[ i, j] T a[ i, j] 1 f ( i, j) a[ i, j] T a[ i, j] 0 (3) Výsledkem této funkce je binární obraz, kde pixely, které mají jas vtší nebo roven prahu jsou oznaeny jako 1 neboli popedí a pixely, jejichž jas je menší než práh jsou oznaeny jako 0 neboli pozadí. Metoda, pi které používáme pouze jeden práh, je užitená pouze ve velmi jednoduchých aplikacích a i tak skýtá mnohá úskalí pi volení prahu. Mezi nejastji používané metody volby automatického prahu patí metoda standardního histogramu, metoda p-procentního prahu nebo metody váženého/vysokého gradientu. Obr. 6. Bimodální histogram s automaticky voleným prahem 6

7 Filtrace šumu v obraze Pi filtrování šumu z jediného obrazu nám bohužel nezbývá, než se spolehnout na pebytenost informací v obraze (obraz nemáme s ím porovnat). Budeme vycházet z toho, že sousední pixely v obraze jsou tvoeny pevážn stejnými, nebo podobnými hodnotami jas. Proto se nová hodnota pixelu odhaduje z jeho malého okolí (asto tverec s lichým potem ádk/sloupc). Bohužel pi tchto filtracích se rozmazávají hranice objekt, což stžuje jejich následnou identifikaci a pesnou lokalizaci [3]. Jedním z nejbžnjších filtr je prosté prmrování. Pi použití tohoto filtru je obraz systematicky procházen napíklad po ádcích (princip konvoluce) a nová hodnota pixelu je vypotena jako aritmetický prmr pixel, které jsou pokryty filtraní maskou (kernelem). Jak již bylo zmínno, tento filtr velmi nií linie, ale na druhou stranu je dobe použitelný pro filtraci rozsáhlých homogenních ploch a je velmi rychlý. n m 1 f ( i, j) f ( i k, j l) (2n1)(2m 1) k n l m (4) Obr. 7. Obraz s pidaným umlým šumem Obr. 8. Prosté prmrování (5x5) Dalším asto používaným filtrem je medián. Medián je íslo, které se po uspoádání nachází uprosted posloupnosti. Jeho nalezení zjednoduší vhodn zvolená velikost zkoumaného okolí (opt tverec s lichým potem ádk/sloupc). Navíc není poteba vytvoit posloupnost, ale staí hodnoty ásten uspoádat. Jeho nevýhody jsou, že poškozuje jemné áry a ostré rohy v obraze , 60, 68, 75, 80, 82, 88, 95, 100 Tabulka 1. Píklad použití mediánu 7

8 Obr. 9. Obraz s pidaným umlým šumem Obr. 10. Iterativn použit medián (3x3) Gaussv filtr (Gaussian blur) má podobné vlastnosti jako prosté prmrování, ale konvoluní maska se spoítá z 2D tvaru Gaussiánu. Od prostého prmrování se odlišuje tím, že se poítá vážený prmr oblasti se zvýraznním stedu. G( x, y) 1 2 x y e ( x ) 2 2 x 2 ( y ) 2 2 y 2 (5) Obr D tvar Gaussiánu, =2,5 8

9 Obr. 12. Obraz s pidaným umlým šumem Obr. 13. Gaussv filtr (5x5), =2,5 Nejvtším problémem pi filtrování Gaussiánem je volba správného a okolí v kterém Gaussv filtr reaguje. Pi zvolení píliš malého nebo okolí, je filtrace nevýrazná, ale zase nepoškozuje hrany. Pi zvolení vyšších hodnot a filtrovaného okolí je filtrace výrazná, ale lokalizace hran pestává být pesná, popípad nkteré mén výrazné hrany zaniknou úpln. Samozejm, že filtrovacích metod existuje celá ada. Mezi zde nezmínné, ale pomrn asto používané patí napíklad Rotující maska, Binomický filtr 2.2. Matematická morfologie Pvodní využití matematické morfologie spoívalo v úprav binárních obraz, ale dnes se morfologie využívá i pi úprav obraz ve stupních šedi. Morfologii [5], [6], [7] chápeme pi digitálním zpracování obraz jako nástroj pro pedzpracování a segmentaci obraz. Jedná se o množinu metod, pomocí kterých mžeme zkoumat tvar, kostru nebo konvexní obal. Výsledek morfologických metod je závislý pouze na rozložení pixel v obraze a není závislý na jejich hodnotách. Základem matematické morfologie je fakt, že obrazy lze modelovat pomocí bodových množin. Morfologické operace jsou vtšinou založeny na zvtšování a zeštíhlování zkoumaných tvar. Mezi základní morfologické operace pi binární morfologii patí Dilatace a Eroze. Binární dilatace Binární dilatace se používá k zaplnní malých dr v objektech. Výsledkem binární dilatace je objekt, který je vtší, než byl objekt pvodní. Pi binární dilataci sítáme množinu X s množinou X, která je od množiny X posunuta o strukturní element B (druhá, vtšinou menší množina). X B p p x b x X b B 2 { E :, } (6) 9

10 Což mžeme vyjádit Minkowského soutem (sjednocení posunutých množin): X B X bb b (7) Binární eroze Binární eroze je duální morfologickou transformací k dilataci. Pi binární erozi skládáme dv množiny pomocí Minkowského rozdílu. Erozi také mžeme vyjádit jako prnik všech posun obrazu X o vektory b B X B X bb b (8) Binární eroze se používá ke zjednodušení objektu. Objekty, které jsou menší než strukturní element, z obrazu zmizí. Výsledkem binární eroze je objekt, který je menší než pvodní Binární otevení Jedná se o erozi následovanou dilatací. Pi binárním otevení odstraníme z obrazu malé objekty. X B ( X B) B (9) Pokud se obraz X po otevení strukturním elementem B nezmní, íkáme, že obraz X je otevený vzhledem ke strukturnímu elementu B. Binární uzavení Jedná se o dilataci následovanou erozí. Pi binárním uzavení odstraníme z obrazu malé díry. X B ( X B) B (10) Pokud se obraz X po uzavení strukturním elementem B nezmní, íkáme, že obraz X je uzavený vzhledem ke strukturnímu elementu B. Dležitou vlastností dilatace a eroze je idempotence. To znamená, že po jednom otevení/uzavení je již obraz oteven/uzaven, takže nemá smysl je provádt vícekrát. 10

11 Hit or miss Hit or miss (tref i mi) transformace se používá k hledání zvláštních ástí objekt jako jsou napíklad rohy, nebo ke ztenování i zvýraznní hran. Tato transformace používá složený strukturní element, pro který platí B ( B1, B2 ) a zárove B1 B2, piemž B 1 testuje objekty (popedí) a B 2 testuje pozadí. Transformaci hit or miss mžeme vyjádit také pomocí erozí X B ( X B ) ( X B ) C 1 2 (11) Jak již bylo uvedeno, transformaci hit or miss mžeme použít k nalezení roh konvexních obal objekt. Roh mže být tvoen tymi variantami uspoádaných pixel, proto nadefinujeme následující tyi masky (1 reprezentuje objekt, 0 reprezentuje pozadí a * reprezentuje libovolný pixel). * 1 * * * 1 * * 0 0 * * 1 * 0 0 * * 1 * (12) Obr. 14. Píklad použití transformace Hit or miss V pípad, že maska se shoduje s okolím zkoumaného pixelu, je daný pixel oznaen jako 1, jinak je oznaen jako 0. Skeleton adu objekt má smysl reprezentovat pouze jejich kostrou. Toto zobrazení má využití napíklad u sledování pohyb lovka. Kostra musí být tlustá jeden pixel, mla by vést stedem objektu a musí zachovávat jeho tvar. Kostru lze také definovat pomocí tzv. maximálních kruh (nebo v prostoru pomocí koulí). Maximální kruh je takový, který je vepsaný do objektu a dotýká se jeho hran ve dvou nebo více bodech. Kostra objektu je potom tvoena sjednocením sted maximálních kruh. 11

12 Obr. 15. Kostra obdélníku Pi zpracování digitálního obrazu se zpravidla nepohybujeme v euklidovském prostoru, proto mají kruhy podobu práv takového prostoru v jakém se zrovna pohybujeme (D E, D 4, D H, D 8 ) [2]. Obr. 16. Kruhy v rzných prostorech zleva: Euklidovský prostor, 4-okolí, hexagonální prostor, 8-okolí Protože je ale tvoení kostry pomocí maximálních kruh výpoetn nároné, používají se jiné algoritmy jako je koutková reprezentace (objekt je nejdíve bezeztrátov zkomprimován a poté se do nj vpisují maximální obdélníky), sekvenní ztenování nebo vzdálenostní transformace. Abychom mohli používat sekvenní ztenování/ztlušování, musíme nejdíve zavést jednoduché ztenování/ztlušování. Ztenování mžeme popsat jako odetení ásti ztenované oblasti urené složeným strukturním elementem B ( B1, B2 ) od objektu X B X ( X B) (13) Ztlušování je duální transformací k ztenování a mžeme popsat jako sjednocení s ástí pozadí urenou strukturním elementem. X B X ( X B) (14) Sekvenní ztenování mžeme popsat také pomocí posloupnosti strukturních element. X { B } ((( X B ) B )... B ) ( i) (1) (2) ( n) (15) 12

13 Analogicky mžeme popsat sekvenní ztlušování X{ B } ((( X B ) B )... B ) ( i) (1) (2) ( n) (16) Existuje ada rzných posloupností strukturních element, my si ukážeme ty, které jsou popsané v tzv. Golayov abeced pro oktagonální (D 8 ) mížku (rastr). Jednika opt reprezentuje objekt, 0 reprezentuje pozadí a * reprezentuje libovolný pixel * 0 01 * 01 1 * 1 1 1* 1 10 * 10 0 * * 1 * * 1 * * 1 * 0 * * 0 * 1 * 1 1 L1 L2 L3 L4 L5 L6 L7 L8 (17) Následn mžeme obraz sekvenn ztenovat/ztlušovat až dosáhneme idempotence. Podobn existují strukturní elementy pro další typy mížek (rastr) Edge detection Neurofyziologické a psychologické výzkumy ukazují, že nejdležitjšími místy v obraze pro vnímání vyšších živoich jsou místa, kde se prudce mní hodnota jasu. Tato místa se nazývají hrany. Protože tato místa obsahují více informací o obsahu obrazu, pokusíme se je pi rozpoznávání obsahu obrazu detekovat. Hrany jsou do jisté míry invariantní vi zmn osvtlení, nebo pohledu [1], [2], [8], [9]. Hrana v obraze je dána vlastnostmi obrazového elementu a jeho okolí a je urena tím, jak náhle se mní hodnota obrazové funkce f ( x, y ). Zmnu funkce dvou promnných zkoumáme pomocí parciálních derivací. Zmnu funkce popisuje její gradient, což je dvousložková vektorová funkce. První složkou je velikost gradientu (modul) a druhá složka udává úhel, pod kterým hrana bží (smr hrany mžeme definovat také jako kolmý na smr gradientu). Hranou nazýváme body, které mají velké hodnoty modulu gradientu. Gradient spojité funkce n promnných spoítáme jako vektor parciálních derivací. f ( x1,..., xn )!,..., " x1 xn f f # $ (18) 13

14 Obr. 17. Souvislost hrany s gradientem Modul gradientu pro n = 2 spoítáme jako f f f ( x, y)! "! " # x$ # y$ 2 2 (19) a smr gradientu f f % arctan! / " # y x$ (20) Obraz je ale diskrétní jasová funkce, proto nejsme schopni obrazové derivace spoítat pesn. Tyto derivace ale mžeme aproximovat pomocí diferencí. Kde n je malé celé íslo, vtšinou 1. Digitální gradient poté spoítáme jako & g( x, y) g( x, y) g( x n, y) x & g( x, y) g( x, y) g( x, y n) y 2 2 G Gx Gy (21) (22) Pro urychlení výpotu mžeme uvažovat pouze souet absolutních hodnot G G G x y (23) 14

15 Smr digitálního gradientu spoítáme jako: Gy % arctan! " # Gx $ (24) Pro detekci hran používáme detektory založené na hledání maxim první derivace, nebo na hledání prchod nulou (zero crossing) druhé derivace, což je jednodušší. Obr. 18. Hrana, první derivace, druhá derivace Diskrétní konvoluce Konvoluce je matematický operátor zpracovávající dv funkce. Nás bude zajímat diskrétní konvoluce, protože zpracováváme diskrétní jasovou funkci (obraz). ik jk f ( x, y)* h( x, y) f ( x i, y j). h( i, j) i k j k (25) f(x,y) je vstupní obraz a h(i,j) je konvoluní maska (konvoluní jádro) Pi diskrétní konvoluci si lze jako konvoluní jádro pedstavit matici, kterou systematicky pikládáme na píslušný pixel v obrazu. Hodnotu jasu každého pixelu pekrytého touto maticí vynásobíme hodnotou v píslušné buce matice, seteme a vynásobíme celkovým koeficientem konvoluní masky (napíklad pro konvoluní masku o rozmrech 3x3 je to 0.11 = 1/9). Takto dostaneme novou hodnotu jasu pro jeden pixel. Pouhou zmnou konvoluní masky lze nadefinovat adu operací (filtrace šumu, detekce hran, ), protože koeficienty uvnit konvoluní masky udávají vliv hodnoty pixelu 15

16 pod nimi. Vtšinou používáme konvoluní masky s lichým potem ádk a sloupc, protože potom leží reprezentativní pixel ve stedu masky a také mžeme dát stedu vtší váhu (zvýraznit jej). ím je konvoluní maska vtší, tím je odolnjší vi šumu v obraze, ale zárove je výsledný obraz více rozosten a výpoet je pomalejší. Robertsv operátor Robertsova konvoluní maska má rozmry jen 2x2. Nejastji se používá na obrazy ve stupních šedi, její výpoet je velmi rychlý, ale také je velmi náchylný k oznaení náhodného šumu v obraze za hranu. Velikost gradientu se spoítá jako G f ( x, y) f ( x1, y1) f ( x 1, y) f ( x, y 1) (26) Konvoluní matice poté mají následující tvary G x G y (27) Tyto matice dobe detekují hrany, které bží pod úhly 45 a 135. U dalších filtr postaí uvést pouze konvoluní masky. Obr. 19. Detekce hran Robertsovým filtrem 16

17 Operátor Prewittové Operátor Prewittové o rozmrech matice 3x3 pro detekci horizontálních hran: (28) Operátor Prewittové o rozmrech matice 5x5 pro detekci svislých hran (transponovaná matice vi matici pro detekci horizontálních hran): (29) Další matice (pro detekci šikmých hran) opt dostaneme pootoením matice. Obr. 20. Detekce hran pomocí Operátoru Prewittové Sobelv operátor Sobelv operátor se asto používá pro detekci vodorovných a svislých hran. Jeho základní tvar reprezentují tyto dv matice: G x G y 17

18 Klidn ale mžeme chtít detekovat hrany pouze ve vodorovném smru, potom tyto matice modifikujeme: (30) (31) Když matici pootoíme, mžeme detekovat šikmé hrany: (32) Obr. 21. Detekce hran Sobelovým filtrem Kirschv operátor Kirschv operátor definuje velikost gradientu jako maximum, po aplikaci všech 8 možných smrových kombinací konvoluní masky (33) 18

19 Obr. 22. Detekce hran Kirschovým filtrem Laplacev operátor Maximm prvních parciálních derivací diskrétní jasové funkce odpovídají prchody nulou druhé parciální derivace. K tomu se výhodn používá Laplacián. f x f y f ( x, y) 2 2 (34) Všesmrový lineární Laplacev operátor (Laplacián) je vhodné použít v pípad, že chceme detekovat hrany v obraze, ale nezajímá nás smr hrany. Tento operátor udává stejnou odezvu pro všechny smry, proto nelze získat informaci o smru hran. Lze jej využít pi ostení obrazu. Mezi jeho nevýhody patí velká citlivost na šum a dvojitá odezva na tenké linie (35) Rzné matice pro Laplacev operátor (pro 4-okolí, 4-okolí s vtší vahou prostedního pixelu, pro 8-okolí, 8-okolí s vtší vahou prostedního pixelu) 19

20 Obr. 23. Detekce hran Laplaceovým filtrem LoG, DoG Protože Laplacev operátor je velmi citlivý na šum, je teba vstupní obraz nejdíve vyhladit od šumu a až poté se v nm snažit detekovat hrany. Pipustíme tedy rozmazání obrazu Gaussiánem a pro odhad druhé derivace použijeme všesmrový Laplacián. Tento postup se oznauje jako LoG operátor (Laplacian of Gaussian). Protože používáme lineární filtry, je možno zamnit poadí operací. 2 2 ' ' ( G( x, y, ) f ( x, y)) ( G( x, y, )) f ( x, y) (36) Obr. 24. Detekce hran LoG operátorem, =2 Hodnoty derivace Gassiánu mžeme pedpoítat, protože nezávisí na vstupním obraze. LoG operátor mžeme aproximovat pomocí diference dvou obraz vyhlazených Gaussiánem o rzném. Tento operátor se nazývá DoG (Difference of Gaussians). Nevýhodou tchto operátor je, že rozmazávají ostré tvary (rohy objekt) a mají snahu spojovat hrany do uzavených útvar. Dalším problémem je opt vhodné nastavení hodnot. 20

21 Obr. 25. Detekce hran DoG operátorem, 1 =1, 2 =2,5 Cannyho hranový detektor Obr. 26. DoG Cannyho hranový detektor je algoritmus, který zahrnuje nkolik krok k dosažení co nejlepšího výsledku pi detekci hran v obraze. Mezi základní požadavky patí spolehlivá detekce (tak, aby bylo nalezeno co nejvíce existujících hran), pesná lokalizace hrany (tak, aby byly pozice hrany ureny co nejpesnji) a jednoznanost (aby nebyly detekovány neexistující hrany). Pi detekci hran Cannyho hranovým detektorem vtšinou postupujeme následovn: nejdíve eliminujeme šum v obraze (vtšinou pomocí Gaussova filtru, ale mžeme použít i jiný filtr), poté nalezneme pibližné smry gradientu a pro každý pixel derivaci ve smru gradientu pomocí vhodné konvoluní masky. V dalším kroku nalezneme lokální maxima tchto derivací a hrany získáme pomocí prahování s hysterezí. V posledním kroku (který se ale vtšinou nepoužívá) se slouí hrany, které jsme získali pi rzn velkých vyhlazeních. Pi použití Cannyho hranového detektoru vzniká nkolik problém. Musíme vhodn zvolit pi použití Gaussova filtru, protože když bude hodnota píliš malá, detektor bude detekovat i nevýznamné detaily (snažíme se jakoby o pohled z vtší dálky), když bude 21

22 hodnota píliš velká, ztíží nám to detekci hran, jejich lokalizaci a také tím více slabých hran zanikne. Dalším problémem je zvolení vhodné konvoluní masky pro urení velikosti a smru gradientu. Vtšinou se používá Sobelv operátor, protože není píliš citlivý na šum a vrací nejen velikost gradientu, ale i jeho smr. Pi prahování se snažíme potlait krátké/slabé bezvýznamné hrany (ponecháme pouze ty, které jsou souástí hran silnjších). Tohoto nelze dosáhnout prahováním s jedním prahem, proto volíme prahy dva (minimální T 1 a maximální T 2 ) mezi kterými mže hodnota gradientu kolísat (napíklad vlivem šumu). V pípad, že gradient posuzovaného pixelu se nachází mezi zvolenými prahy, je oznaen jako hrana pouze v pípad, že sousedí s bodem, který již byl uznán jako hrana. Další metody Obr. 27. Detekce hran Cannyho detektorem, =1,35, T 1=20, T 2 =100 Výše rozebraný pístup k rozpoznávání obrazu založený na detekci hran není pochopiteln jediný. Mezi další významné metody patí napíklad Detektory roh v obraze. Mezi tyto detektory patí napíklad Moravec corner detector, který je základem dalších detektor jako jsou Stephens-Harris detector nebo Kanade-Lucas-Tomasi (KLT) detector. Tyto detektory lze dobe využít napíklad pi automatickém vytváení panoramatických fotografií. Více viz [18], [19], [20], [21], [22]. V pípad, že vstupní obraz je velmi zašumn a potebujeme detekovat pímky v obraze, je velmi vhodné použít Houghovu transformaci, která je založena na transformaci z Kartézského souadnicového systému do polárního. Tato transformace byla zobecnna a je využitelná i pro detekci složitjších objekt. Více viz [10]. Další významnou skupinou jsou metody založené na Diskrétní Fourierov transformaci, zejména na její poítaov optimalizované podob (FFT). Tyto metody obecn umožují pevést asové (plošné) prbhy signál na frekvenní a zpt. Signál ve frekvenní domén lze poté zpracovat pomocí propustí a jiných typ filtr jejichž popis pesahuje rozsah této práce, viz [11]. 22

23 Využití FFT bylo v minulosti limitováno znanou poetní nároností, která však vedla k rozvoji specializovaného hardware jako jsou signálové procesory (DSP). Velkým píslibem do budoucna jsou hradlová pole Xilinx Virtex s desítkami zabudovaných DSP ez umožujících paralelní zpracování Segmentace Segmentace obrazu [1], [2], [3] je jeho dlení na oblasti, jejichž vlastnosti jsou v uritých ohledech stejnorodé. Typickou úlohou segmentace je odlišit objekty zájmu od sebe a také od zbývajících objekt nebo pozadí. Existuje ada metod, které lze pi segmentaci využít. Mezi základní patí metody založené na zkoumání histogramu (k urení prahu pi prahování), další zkoumají podobnost, nebo shodu pixel v okolí zkoumaného pixelu (tzv. region growing), nebo naopak rozdíly mezi sousedícími pixely. Region growing (connected components labeling) Pi obarvování objekt (neboli obohacování obrazu o pseudobarvy) máme na vstupu binární pedzpracovaný, který postupným procházením pomocí obarvovací masky rozdlíme, v tomto pípad obarvíme, na jednotlivé objekty. Obarvovací maska má mže mít rzné tvary (záleží na rastru a povolených smrech pohybu po rastru). Obr. 28. Obarvovací masky pro 4-okolí a 8-okolí Pi obarvování mže nastat problém pi uritých tvarech objekt (napíklad písmena U, V). Proto je poteba segmentovaný obraz projít znovu a zkontrolovat správnost segmentace. Obr. 29. Problém u nkterých tvar Obarvováním oblastí také automaticky poítáme objekty v obraze. Poet objekt je roven nejvyšší hodnot použité pi obarvování. 23

24 Obr. 30. Obraz obohacený o pseudobarvy Štpení a spojování oblastí Pi implementaci tohoto algoritmu musíme obraz rozdlit do skupin a poté zkoumáme, zdali jsou sousedící oblasti stejnorodé. K tomu mžeme použít napíklad zkoumání podobnosti jas píslušných segmentu. V pípad, že jasy sousedících segment jsou stejné, mžeme je spojit dohromady v jeden. V pípad, že uvnit segmentu je rozdílný jas, znamená to že segment prochází pes rozhraní dvou oblastí a proto jej rozštpíme Popis segmentovaného obrazu Ped dalším zpracováním obrazu se musíme pokusit co nejlépe popsat objekty zájmu. K charakterizaci získaných objekt mžeme použít adu primitivních metod popisujících jejich tvar, velikost, texturu a další vlastnosti [1]. Velikost Spoítáme jako sumu všech pixel zkoumané oblasti. n v i0, i( P i (37) Smr Smr urujeme pro podlouhlé objekty a urujeme jej podle delší strany opsaného obdélníka. 24

25 etzové kódy etzové (Freemanovy) kódy se skládají z úseek jednotkové délky. Tyto úseky jsou oznaeny ísly, podle toho, jak jsou orientovány. Pi reprezentaci objekt pomocí etzových kód vyjdeme z jednoho uritého bodu a pohybujeme se po hranici objektu. Tento pohyb poté zaznamenáváme pomocí ady ísel (etzový kód). Výhodné je tento kód derivovat, protože poté se stává nezávislým na natoení tlesa, což mžeme využít pi srovnávání. Obr. 31. Matice pro 4-okolí, 8-okolí a vzorový obrazec etzový kód: Derivace: Derivace etzového kódu se vypote jako první diference kódu mod 4 nebo 8 a udává nám kolikrát je nutné obraz otoit o 90 respektive o 45 vlevo, abychom mohli pokraovat v pohybu. etzové kódy mohou být dobe uplatnny pi výpotu délky hranice objektu (zde je teba mít na pamti, že délka hranice v D 4 je u stejného objektu vždy vtší než délka v D 8 ). Nkdy se tvar ásti hranice opakuje. V tchto pípadech je výhodné popisovat hranici etzovým kódem po tchto stejných ástech. etzový kód: C, B, E, C, B, D, B, A, B Obr. 32. Popis obrazce pomocí Letter codes 25

26 Kompaktnost Kompaktnost se spoítá jako podíl druhé mocniny velikosti hranice a velikosti zkoumané oblasti. Nejkompaktnjší tvar má kruh. c 2 B a (38) Obr. 33. Nekompaktní tvar Obr. 34. Kompaktní tvar Výstednost Výstednost, neboli excentricita je pomr délek nejdelších na sebe kolmých ttiv objektu. e max max A B (39) Obr. 35. Excentricita 26

27 Podlouhlost Podlouhlost vyjaduje pomr mezi délkou a šíkou obdélníku opsaného objektu. Ze všech možných obdélník se vybere ten s nejmenším obsahem. Pro urychlení výpotu ale obdélník natáíme po vtších krocích (napíklad 15 ). el b a (40) Obr. 36. Podlouhlý tvar Obr. 37. Nepodlouhlý tvar Pravoúhlost Pi pravoúhlosti opisujeme stejn jako u podlouhlosti objektu obdélník, ale jako míru podlouhlosti oznaíme maximální hodnotu F k. Hodnoty F k vypoteme jako podíl velikosti zkoumané plochy a plochy opsaného obdélníku. F k a a r (41) RTS invariant moments Jasová funkce obrazu se interpretuje jako hustota pravdpodobnosti dvourozmrné náhodné veliiny. Její vlastnosti mžeme vyjádit pomocí statistických charakteristik moment. Momenty mžeme použít pro popis jak šedých obraz, tak binárních. Obecn moment definujeme jako mpq ) ) ** ) ) p q x y f ( x, y) dxdy (42) 27

28 Kde f(x, y) je jeden pixel obrazu a p + q je ád momentu. Protože obraz je diskrétní jasová funkce, poítáme se sumami. m pq ) ) i ) j ) p q i j f ( i, j) (43) Obecné momenty ale nejsou invariantní vi posunutí, zmn mítka nebo natoení. Vi posunutí jsou invariantní centrální momenty. ) ) p q ( i x ) ( j y ) f ( i, j) pq c c i ) j ) Kde x c a y c jsou souadnice stedu objektu (centroid) a spoítáme je jako x c m m y c m m (44) (45) Pokud se jedná o binární obraz, m 00 reprezentuje poet pixel tvoících popisovaný objekt. Momenty mohou být rozšíeny i o invariantnost vi zmn mítka., pq pq + ( 00) + p q 1 2 (46) (47) Dále mohou být momenty rozšíeny o invariantnost vi natoení. Druhé momenty jsou definovány jako - 1, 20, (,, ) 4, (48) Dalších pt moment je známo pro tetí smíšené momenty. Pro vtšinu spoítaných hodnot chybí interpretace, pouze charakterizují popisovaný objekt. Výhodné je využít jejich invariantních vlastností ke klasifikaci objekt. Pro charakterizaci objekt používáme momenty nižších ád. Pi použití moment vyšších ád dochází ke zkreslení, protože jsou velmi citlivé na šum. 28

29 Další metody Uvedené možnosti popisu rozpoznávaného objektu samozejm nejsou jediné. Za zmínku jist stojí popis pomocí jas, B-spline kivek, i aktivních kontur. Více viz [1], [2], [3] Klasifikace Poté, co se nám podailo oddlit objekty zájmu od pozadí, lokalizovat je a popsat pomocí jejich vhodných elementárních vlastností, nutn dospjeme do fáze, kdy dané objekty potebujeme rozpoznat, neboli klasifikovat [12], [13], [14]. Klasifikace je proces, pi kterém zaazujeme objekty na základ uritého rozhodovacího pravidla do (vtšinou) pedem známých tíd. Objekty které jsou obsažené v jedné tíd jsou si mnohem podobnjší než mezi jednotlivými tídami navzájem. Klasifikátory dlíme do dvou základních skupin píznakové a strukturální. U píznakových rozpoznáváme pomocí píznak, což je skupina íselných charakteristik kterými je rozpoznávaný objekt popsán. Strukturní rozpoznávání je založeno na kvalitativním popisu rozpoznávaného objektu. Vlastní rozpoznávání je poté založeno na syntaktické analýze nadefinované gramatiky. Rozhodovací stromy Rozhodovací stromy (Decision trees) [16] patí mezi nejjednodušší a nejoblíbenjší klasifikátory. Jejich nejvtší výhoda je v rychlosti algoritmu (strom, který procházíme pomocí booleovské logiky), dále v jejich pehlednosti, jednoduchosti a snadné rozšiitelnosti. Rozhodovací pravidla jsou uena na základ trénovaní množiny, která zahrnuje informace o výsledné tíd. Jedná se tedy o uení s uitelem. Pi vytváení rozhodovacích strom mžeme využít algoritm ID3 a C4.5. barva svtla na semaforu zelená oranžová ervená ne vidíš policistu? ano je stj Obr. 38. Píklad rozhodovacího stromu: bžné chování na kižovatce 29

POÍTAOVÁ PODPORA DETEKCE ZAJÍMAVÝCH OBRÁZK

POÍTAOVÁ PODPORA DETEKCE ZAJÍMAVÝCH OBRÁZK POÍTAOVÁ PODPORA DETEKCE ZAJÍMAVÝCH OBRÁZK Pavel Krsek a Jií Matas VUT, Fakulta elektrotechnická, Centrum aplikované kybernetiky Technická 2, 166 27 Praha 6 Úvod a motivace Pi zpracování a výmn dat prostednictvím

Více

PÍRUKA A NÁVODY PRO ÚELY: - RUTINNÍ PRÁCE S DATY

PÍRUKA A NÁVODY PRO ÚELY: - RUTINNÍ PRÁCE S DATY PÍRUKA A NÁVODY PRO ÚELY: - RUTINNÍ PRÁCE S DATY YAMACO SOFTWARE 2006 1. ÚVODEM Nové verze produkt spolenosti YAMACO Software pinášejí mimo jiné ujednocený pístup k použití urité množiny funkcí, která

Více

Cykly Intermezzo. FOR cyklus

Cykly Intermezzo. FOR cyklus Cykly Intermezzo Rozhodl jsem se zaadit do série nkolika lánk o základech programování v Delphi/Pascalu malou vsuvku, která nám pomže pochopit principy a zásady pi používání tzv. cykl. Mnoho ástí i jednoduchých

Více

2.1 Pokyny k otev eným úlohám. 2.2 Pokyny k uzav eným úlohám. Testový sešit neotvírejte, po kejte na pokyn!

2.1 Pokyny k otev eným úlohám. 2.2 Pokyny k uzav eným úlohám. Testový sešit neotvírejte, po kejte na pokyn! MATEMATIKA základní úrove obtížnosti DIDAKTICKÝ TEST Maximální bodové hodnocení: 50 bod Hranice úspšnosti: 33 % Základní informace k zadání zkoušky Didaktický test obsahuje 26 úloh. asový limit pro ešení

Více

ÚSTAV AUTOMATIZACE A MICÍ TECHNIKY Fakulta elektrotechniky a komunikaních technologií Vysoké uení technické v Brn

ÚSTAV AUTOMATIZACE A MICÍ TECHNIKY Fakulta elektrotechniky a komunikaních technologií Vysoké uení technické v Brn 1 Obsah: 1. ÚVOD...4 1.1 Obecné použití...4 1.2 Konkrétní použití...5 2. ZPRACOVÁNÍ OBRAZU...7 2.1 Snímání obrazu...8 2.2 Další zpracování...9 2.3 Omezující vlivy...11 2.3.1 Odlesk zdroje svtla na lesklých

Více

Pídavný modul rozvaha lze vyvolat z hlavní nabídky po stisku tlaítka Výkazy / pídavné moduly.

Pídavný modul rozvaha lze vyvolat z hlavní nabídky po stisku tlaítka Výkazy / pídavné moduly. Výkaz rozvaha Pídavný modul rozvaha lze vyvolat z hlavní nabídky po stisku tlaítka Výkazy / pídavné moduly. Po spuštní modulu se zobrazí základní okno výkazu: V tabulce se zobrazují sloupce výkazu. Ve

Více

OCR (optical character recognition) - rozpoznávání textu v obraze

OCR (optical character recognition) - rozpoznávání textu v obraze OCR (optical character recognition) - rozpoznávání textu v obraze Martin Koníek, I46 programová dokumentace 1. Úvod Tento projekt vznikl na MFF UK a jeho cílem bylo vytvoit algoritmus schopný rozpoznávat

Více

Základy zpracování obrazů

Základy 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........................................................

Více

R O V N O B Ž N Í K (2 HODINY)

R O V N O B Ž N Í K (2 HODINY) R O V N O B Ž N Í K (2 HODINY)? Co to vlastn rovnobžník je? Na obrázku je dopravní znaka, která íká, že vzdálenost k železninímu pejezdu je 1 m (dva pruhy, jeden pruh pedstavuje vzdálenost 80 m): Pozorn

Více

Diskrétní 2D konvoluce

Diskrétní 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

Více

M E T O D Y R O Z P O Z NÁNÍ OB J E K T Ů V O B R A Z U

M E T O D Y R O Z P O Z NÁNÍ OB J E K T Ů V O B R A Z U M E T O D Y R O Z P O Z NÁNÍ OB J E K T Ů V O B R A Z U CÍLE LABORTATORNÍ ÚLOHY 1. Seznámení se s metodami rozpoznání objektů v obraze 2. Vyzkoušení detekce objektů na snímcích z kamery a MRI snímku ÚKOL

Více

GYMNÁZIUM CHEB. SEMINÁRNÍ PRÁCE Grafy funkcí sbírka ešených úloh. Radek HÁJEK, 8.A Radka JIROUŠKOVÁ, 8.A Cheb, 2006 Petr NEJTEK, 8.

GYMNÁZIUM CHEB. SEMINÁRNÍ PRÁCE Grafy funkcí sbírka ešených úloh. Radek HÁJEK, 8.A Radka JIROUŠKOVÁ, 8.A Cheb, 2006 Petr NEJTEK, 8. GYMNÁZIUM CHEB SEMINÁRNÍ PRÁCE Grafy funkcí sbírka ešených úloh Radek HÁJEK, 8.A Radka JIROUŠKOVÁ, 8.A Cheb, 006 Petr NEJTEK, 8.A Prohlášení Prohlašujeme, že jsme seminární práci na téma: Grafy funkcí

Více

DUM. Databáze - úvod

DUM. Databáze - úvod DUM Název projektu íslo projektu íslo a název šablony klíové aktivity Tematická oblast - téma Oznaení materiálu (pílohy) Inovace ŠVP na OA a JŠ Tebí CZ.1.07/1.5.00/34.0143 III/2 Inovace a zkvalitnní výuky

Více

13 Barvy a úpravy rastrového

13 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

Více

Obr. 1: Elektromagnetická vlna

Obr. 1: Elektromagnetická vlna svtla Svtlo Z teorie elektromagnetického pole již víte, že svtlo patí mezi elektromagnetická vlnní, a jako takové tedy má dv složky: elektrickou složku, kterou pedstavuje vektor intenzity elektrického

Více

Ing. Jaroslav Halva. UDS Fakturace

Ing. Jaroslav Halva. UDS Fakturace UDS Fakturace Modul fakturace výrazn posiluje funknost informaního systému UDS a umožuje bilancování jednotlivých zakázek s ohledem na hodnotu skutených náklad. Navíc optimalizuje vlastní proces fakturace

Více

Digitalizace a zpracování obrazu

Digitalizace 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

Více

Zamení fasády stavebního objektu

Zamení fasády stavebního objektu Zamení fasády stavebního objektu metodou pozemní stereofotogrammetrie - souhrn materiál k projektu OBSAH - technologický postup - poznámky - práce v terénu pehled - poznámky - fotogrammetrické vyhodnocení

Více

27. asové, kmitotové a kódové dlení (TDM, FDM, CDM). Funkce a poslání úzkopásmových a širokopásmových sítí.

27. asové, kmitotové a kódové dlení (TDM, FDM, CDM). Funkce a poslání úzkopásmových a širokopásmových sítí. Petr Martínek martip2@fel.cvut.cz, ICQ: 303-942-073 27. asové, kmitotové a kódové dlení (TDM, FDM, CDM). Funkce a poslání úzkopásmových a širokopásmových sítí. Multiplexování (sdružování) - jedná se o

Více

Pedání smny. Popis systémového protokolování. Autor: Ing. Jaroslav Halva V Plzni 24.01.2012. Strana 1/6

Pedání smny. Popis systémového protokolování. Autor: Ing. Jaroslav Halva V Plzni 24.01.2012. Strana 1/6 Autor: Ing. Jaroslav Halva V Plzni 24.01.2012 Strana 1/6 Obsah 1 OBSAH... 2 2 NKOLIK SLOV NA ÚVOD... 3 3 MODEL... 3 4 DEFINICE... 3 5 DENNÍ VÝKAZ... 4 6 ZÁVR... 6 Strana 2/6 1 Nkolik slov na úvod Zamení

Více

MATEMATIKA MATEMATIKA

MATEMATIKA MATEMATIKA PRACOVNÍ MATERIÁLY PRACOVNÍ MATERIÁLY MATEMATIKA MATEMATIKA Struktura vyuovací hodiny Metodický Struktura vyuovací list aplikace hodiny Ukázková Metodický hodina list aplikace materiál Záznamový Ukázková

Více

LABORATORNÍ CVIENÍ Stední prmyslová škola elektrotechnická

LABORATORNÍ CVIENÍ Stední prmyslová škola elektrotechnická Stední prmyslová škola elektrotechnická a Vyšší odborná škola, Pardubice, Karla IV. 13 LABORATORNÍ CVIENÍ Stední prmyslová škola elektrotechnická Píjmení: Hladna íslo úlohy: 3 Jméno: Jan Datum mení: 10.

Více

Strojové učení Marta Vomlelová

Strojové učení Marta Vomlelová Strojové učení Marta Vomlelová marta@ktiml.mff.cuni.cz KTIML, S303 Literatura 1.T. Hastie, R. Tishirani, and J. Friedman. The Elements of Statistical Learning, Data Mining, Inference and Prediction. Springer

Více

Píkazy pro kreslení.

Píkazy pro kreslení. Píkazy pro kreslení. Tento text je psán pro AUTOCAD 2006, eskou modifikaci. V jiných verzích se proto vyskytnou odchylky. Jsou to píkazy, které umožují nakreslit jednotlivé entity v AUTOCADu. Z menu je

Více

KUSOVNÍK Zásady vyplování

KUSOVNÍK Zásady vyplování KUSOVNÍK Zásady vyplování Kusovník je základním dokumentem ve výrob nábytku a je souástí výkresové dokumentace. Každý výrobek má svj kusovník. Je prvotním dokladem ke zpracování THN, objednávek, ceny,

Více

DOPRAVNÍ INŽENÝRSTVÍ

DOPRAVNÍ INŽENÝRSTVÍ VYSOKÉ UENÍ TECHNICKÉ V BRN FAKULTA STAVEBNÍ ING. MARTIN SMLÝ DOPRAVNÍ INŽENÝRSTVÍ MODUL 4 ÍZENÉ ÚROVOVÉ KIŽOVATKY ÁST 1 STUDIJNÍ OPORY PRO STUDIJNÍ PROGRAMY S KOMBINOVANOU FORMOU STUDIA Dopravní inženýrství

Více

Prbh funkce Jaroslav Reichl, 2006

Prbh funkce Jaroslav Reichl, 2006 rbh funkce Jaroslav Reichl, 6 Vyšetování prbhu funkce V tomto tetu je vzorov vyešeno nkolik úloh na vyšetení prbhu funkce. i ešení úlohy jsou využity základní vlastnosti diferenciálního potu.. ešený píklad

Více

Aditivní barevný model RGB pidává na erné stínítko svtla 3 barev a tak skládá veškeré barvy. Pi použití všech svtel souasn tak vytvoí bílou.

Aditivní barevný model RGB pidává na erné stínítko svtla 3 barev a tak skládá veškeré barvy. Pi použití všech svtel souasn tak vytvoí bílou. Model CMYK V praxi se nejastji používají 4 barvy inkoust a sice CMYK (Cyan Azurová, Magenta Purpurová, Yellow - Žlutá a Black - erná). ist teoreticky by staily inkousty ti (Cyan, Magenta a Yellow) ale

Více

DISKRÉTNÍ FOURIEROVA TRANSFORMACE P I NELINEÁRNÍ ULTRAZVUKOVÉ SPEKTROSKOPII

DISKRÉTNÍ FOURIEROVA TRANSFORMACE P I NELINEÁRNÍ ULTRAZVUKOVÉ SPEKTROSKOPII DISKRÉTNÍ FOURIEROVA TRANSFORMACE PI NELINEÁRNÍ ULTRAZVUKOVÉ SPEKTROSKOPII Luboš PAZDERA *, Jaroslav SMUTNÝ **, Marta KOENSKÁ *, Libor TOPOLÁ *, Jan MARTÍNEK *, Miroslav LUÁK *, Ivo KUSÁK * Vysoké uení

Více

Zbytky zákaznického materiálu

Zbytky zákaznického materiálu Autoi: V Plzni 31.08.2010 Obsah ZBYTKOVÝ MATERIÁL... 3 1.1 Materiálová žádanka na peskladnní zbytk... 3 1.2 Skenování zbytk... 7 1.3 Vývozy zbytk ze skladu/makulatura... 7 2 1 Zbytkový materiál V souvislosti

Více

Správa obsahu ízené dokumentace v aplikaci SPM Vema

Správa obsahu ízené dokumentace v aplikaci SPM Vema Správa obsahu ízené dokumentace v aplikaci SPM Vema Jaroslav Šmarda, smarda@vema.cz Vema, a. s., www.vema.cz Abstrakt Spolenost Vema patí mezi pední dodavatele informaních systém v eské a Slovenské republice.

Více

Mikroskopická obrazová analýza

Mikroskopická obrazová analýza Návod pro laboratorní úlohu z měřicí techniky Práce O1 Mikroskopická obrazová analýza 0 1 Úvod: Tato laboratorní úloha je koncipována jako seznámení se s principy snímání mikroskopických obrazů a jejich

Více

IV. CVIENÍ ZE STATISTIKY

IV. CVIENÍ ZE STATISTIKY IV. CVIENÍ ZE STATISTIKY Vážení studenti, úkolem dnešního cviení je nauit se analyzovat data kvantitativní povahy. K tomuto budeme opt používat program Excel 2007 MS Office. 1. Jak mžeme analyzovat kvantitativní

Více

Autocad ( zdroj www.designtech.cz )

Autocad ( zdroj www.designtech.cz ) Autocad ( zdroj www.designtech.cz ) AutoCAD patí k tradiním CAD aplikacím, které využívá celá ada technických i netechnických obor. V dnešním lánku se podíváme na bleskovku, jak lze zaít velmi tychle v

Více

NPGR032 CVIČENÍ III. Šum a jeho odstranění teorie&praxe. Adam Novozámský (novozamsky@utia.cas.cz)

NPGR032 CVIČENÍ III. Šum a jeho odstranění teorie&praxe. Adam Novozámský (novozamsky@utia.cas.cz) NPGR032 CVIČENÍ III. Šum a jeho odstranění teorie&praxe Adam Novozámský (novozamsky@utia.cas.cz) TEORIE Šum a jeho odstranění ŠUM Co je to šum v obrázku a jak vzniká? Jaké známe typy šumu? ŠUM V obrázku

Více

1. Exponenciální rst. 1.1. Spojitý pípad. Rstový zákon je vyjáden diferenciální rovnicí

1. Exponenciální rst. 1.1. Spojitý pípad. Rstový zákon je vyjáden diferenciální rovnicí V tomto lánku na dvou modelech rstu - exponenciálním a logistickém - ukážeme nkteré rozdíly mezi chováním spojitých a diskrétních systém. Exponenciální model lze považovat za základní rstový model v neomezeném

Více

4 - Architektura poítae a základní principy jeho innosti

4 - Architektura poítae a základní principy jeho innosti 4 - Architektura poítae a základní principy jeho innosti Z koncepního hlediska je mikropoíta takové uspoádání logických obvod umožující provádní logických i aritmetických operací podle posloupnosti povel

Více

Stanovení požadavk protismykových vlastností vozovek s ohledem na nehodovost

Stanovení požadavk protismykových vlastností vozovek s ohledem na nehodovost VUT Brno Fakulta stavební Studentská vdecká a odborná innost Akademický rok 2005/2006 Stanovení požadavk protismykových vlastností vozovek s ohledem na nehodovost Jméno a píjmení studenta : Roník, obor

Více

Úvod do zpracování obrazů. Petr Petyovský Miloslav Richter

Úvod do zpracování obrazů. Petr Petyovský Miloslav Richter Úvod do zpracování obrazů Petr Petyovský Miloslav Richter 1 OBSAH Motivace, prvky a základní problémy počítačového vidění, pojem scéna Terminologie, obraz, zpracování a analýza obrazu, počítačové vidění,

Více

Metodický materiál Ma

Metodický materiál Ma Metodický materiál Ma Metodický materiál Ma... 1 Úvod... 2 Možnosti použití v hodin... 2 Podmínky... 2 Vhodná témata... 3 Nevhodná témata... 3 Vybrané téma: Funkce... 3 Úvod... 3 Použití v tématu funkce...

Více

DOPRAVNÍ INŽENÝRSTVÍ

DOPRAVNÍ INŽENÝRSTVÍ VYSOKÉ UENÍ TECHNICKÉ V BRN FAKULTA STAVEBNÍ ING. MARTIN SMLÝ DOPRAVNÍ INŽENÝRSTVÍ MODUL 1 DOPRAVNÍ A PEPRAVNÍ PRZKUMY STUDIJNÍ OPORY PRO STUDIJNÍ PROGRAMY S KOMBINOVANOU FORMOU STUDIA Dopravní inženýrství

Více

LABORATORNÍ CVIENÍ Stední prmyslová škola elektrotechnická

LABORATORNÍ CVIENÍ Stední prmyslová škola elektrotechnická Stední prmyslová škola elektrotechnická a Vyšší odborná škola, Pardubice, Karla IV. 13 LABORATORNÍ VIENÍ Stední prmyslová škola elektrotechnická Píjmení: Hladna íslo úlohy: 14 Jméno: Jan Datum mení: 14.

Více

Efektivní hodnota proudu a nap tí

Efektivní hodnota proudu a nap tí Peter Žilavý: Efektivní hodnota proudu a naptí Efektivní hodnota proudu a naptí Peter Žilavý Katedra didaktiky fyziky MFF K Praha Abstrakt Píspvek experimentáln objasuje pojem efektivní hodnota stídavého

Více

Datový typ POLE. Jednorozmrné pole - vektor

Datový typ POLE. Jednorozmrné pole - vektor Datový typ POLE Vodítkem pro tento kurz Delphi zabývající se pedevším konzolovými aplikacemi a základy programování pro mne byl semestr na vysoké škole. Studenti nyní pipravují semestrální práce pedevším

Více

Makroskopická obrazová analýza pomocí digitální kamery

Makroskopická obrazová analýza pomocí digitální kamery Návod pro laboratorní úlohu z měřicí techniky Práce O3 Makroskopická obrazová analýza pomocí digitální kamery 0 1 Úvod: Cílem této laboratorní úlohy je vyzkoušení základních postupů snímání makroskopických

Více

P. Petyovsk", MAPV Aplikace po"íta"ového vid#ní v dopravních úlohách2, Virtualizovaná realita

P. Petyovsk, MAPV Aplikace poítaového vid#ní v dopravních úlohách2, Virtualizovaná realita P!edná!ka kurzu MAPV Aplikace po"íta"ového vid#ní v dopravních úlohách2 Virtualizovaná realita P. Petyovsk" (email: petyovsk@feec.vutbr.cz), kancelá! E530, Integrovan" objekt - 1/12 - Pojmy a opakování!...

Více

Lineární diskriminační funkce. Perceptronový algoritmus.

Lineární diskriminační funkce. Perceptronový algoritmus. Lineární. Perceptronový algoritmus. Petr Pošík Czech Technical University in Prague Faculty of Electrical Engineering Dept. of Cybernetics P. Pošík c 2012 Artificial Intelligence 1 / 12 Binární klasifikace

Více

Základní pojmy klasického sudoku hlavolamu. Techniky odkrývání bunk. Technika Naked Single. Technika Hidden Single

Základní pojmy klasického sudoku hlavolamu. Techniky odkrývání bunk. Technika Naked Single. Technika Hidden Single Základní pojmy klasického sudoku hlavolamu Sudoku hlavolam (puzzle) obsahuje celkem 81 bunk (cells), devt vodorovných ádk (rows), devt svislých sloupc (columns) a devt skupin po 3 3 bukách nazývaných bloky

Více

VYTVÁENÍ VÝBROVÝCH DOTAZ

VYTVÁENÍ VÝBROVÝCH DOTAZ VYTVÁENÍ VÝBROVÝCH DOTAZ V PRODUKTECH YAMACO SOFTWARE PÍRUKA A NÁVODY PRO ÚELY: - VYTVÁENÍ VÝBROVÝCH SESTAV YAMACO SOFTWARE 2003-2004 1. ÚVODEM Standardní souástí všech produkt Yamaco Software jsou prostedky

Více

Z OBRAZOVÉHO ZÁZNAMU. Jan HAVLÍK. Katedra teorie obvodů, Fakulta elektrotechnická

Z OBRAZOVÉHO ZÁZNAMU. Jan HAVLÍK. Katedra teorie obvodů, Fakulta elektrotechnická POROVNÁNÍ HRANOVÝCH DETEKTORŮ POUŽITÝCH PŘI PARAMETRIZACI POHYBU Z OBRAZOVÉHO ZÁZNAMU Jan HAVLÍK Katedra teorie obvodů, Fakulta elektrotechnická České vysoké učení technické v Praze Abstrakt Tento článek

Více

Tabulkový procesor Excel

Tabulkový procesor Excel Tabulkový procesor Excel Excel 1 SIPVZ-modul-P0 OBSAH OBSAH...2 ZÁKLADNÍ POJMY...4 K EMU JE EXCEL... 4 UKÁZKA TABULKOVÉHO DOKUMENTU... 5 PRACOVNÍ PLOCHA... 6 OPERACE SE SOUBOREM...7 OTEVENÍ EXISTUJÍCÍHO

Více

Dokumentaní píruka k aplikaci. Visor: Focení vzork. VisorCam. Verze 1.0

Dokumentaní píruka k aplikaci. Visor: Focení vzork. VisorCam. Verze 1.0 Dokumentaní píruka k aplikaci Visor: Focení vzork VisorCam Verze 1.0 ervenec 2009 Modul Focení vzork slouží k nafocení vzork 1. Prostednictvím této aplikace je provádna veškerá práce s fotoaparátem pístroje

Více

OBRAZOVÁ ANALÝZA. Speciální technika a měření v oděvní výrobě

OBRAZOVÁ ANALÝZA. Speciální technika a měření v oděvní výrobě OBRAZOVÁ ANALÝZA Speciální technika a měření v oděvní výrobě Prostředky pro snímání obrazu Speciální technika a měření v oděvní výrobě 2 Princip zpracování obrazu matice polovodičových součástek, buňky

Více

Proud ní tekutiny v rotující soustav, aneb prozradí nám vír ve výlevce, na které polokouli se nacházíme?

Proud ní tekutiny v rotující soustav, aneb prozradí nám vír ve výlevce, na které polokouli se nacházíme? Veletrh nápad uitel fyziky 10 Proudní tekutiny v rotující soustav, aneb prozradí nám vír ve výlevce, na které polokouli se nacházíme? PAVEL KONENÝ Katedra obecné fyziky pírodovdecké fakulty Masarykovy

Více

PRÁCE S GRAFICKÝMI VÝSTUPY SESTAV

PRÁCE S GRAFICKÝMI VÝSTUPY SESTAV PRÁCE S GRAFICKÝMI VÝSTUPY SESTAV V PRODUKTECH YAMACO SOFTWARE PÍRUKA A NÁVODY PRO ÚELY: - UŽIVATELSKÉ ÚPRAVY GRAFICKÝCH VÝSTUP YAMACO SOFTWARE 2006 1. ÚVODEM Vtšina produkt spolenosti YAMACO Software

Více

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) 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

Více

Michal 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

Více

Neuronové časové řady (ANN-TS)

Neuronové časové řady (ANN-TS) Neuronové časové řady (ANN-TS) Menu: QCExpert Prediktivní metody Neuronové časové řady Tento modul (Artificial Neural Network Time Series ANN-TS) využívá modelovacího potenciálu neuronové sítě k predikci

Více

METODY OCEOVÁNÍ PODNIKU DEFINICE PODNIKU. Obchodní zákoník 5:

METODY OCEOVÁNÍ PODNIKU DEFINICE PODNIKU. Obchodní zákoník 5: METODY OCEOVÁNÍ PODNIKU DEFINICE PODNIKU Obchodní zákoník 5: soubor hmotných, jakož i osobních a nehmotných složek podnikání. K podniku náleží vci, práva a jiné majetkové hodnoty, které patí podnikateli

Více

POTRUBNÍ SYSTÉMY PROGRAMU INVENTOR PROFESSIONAL V REALIZACI ISTÍRNY ODPADNÍCH VOD

POTRUBNÍ SYSTÉMY PROGRAMU INVENTOR PROFESSIONAL V REALIZACI ISTÍRNY ODPADNÍCH VOD Projekt: POTRUBNÍ SYSTÉMY PROGRAMU INVENTOR PROFESSIONAL V REALIZACI ISTÍRNY ODPADNÍCH VOD Objednatel: Computer Agency o.p.s Zhotovitel: Jií Trnka Spoluešitel: Michal Klimeš - 1 - - 2 - OBSAH 1. ÚVOD..4

Více

PŘEDNÁŠKA KURZU MPOV

PŘEDNÁŠKA KURZU MPOV 1 PŘEDNÁŠKA KURZU MPOV Strojové rozpoznávání kódů a znaků P. Petyovský (email: petyovsky@feec.vutbr.cz) kancelář SD3.152, Technická 12 2 rev. 2015.3 Pojmy a opakování Strojové čtení Braillova písma Popis

Více

IMPORT DAT Z TABULEK MICROSOFT EXCEL

IMPORT DAT Z TABULEK MICROSOFT EXCEL IMPORT DAT Z TABULEK MICROSOFT EXCEL V PRODUKTECH YAMACO SOFTWARE PÍRUKA A NÁVODY PRO ÚELY: - IMPORTU DAT DO PÍSLUŠNÉ EVIDENCE YAMACO SOFTWARE 2005 1. ÚVODEM Všechny produkty spolenosti YAMACO Software

Více

Omezení barevného prostoru

Omezení 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

Více

FAKULTA ELEKTROTECHNIKY A KOMUNIKANÍCH TECHNOLOGIÍ VYSOKÉ UENÍ TECHNICKÉ V BRN. Poítaové vidní

FAKULTA ELEKTROTECHNIKY A KOMUNIKANÍCH TECHNOLOGIÍ VYSOKÉ UENÍ TECHNICKÉ V BRN. Poítaové vidní FAKULTA ELEKTROTECHNIKY A KOMUNIKANÍCH TECHNOLOGIÍ VYSOKÉ UENÍ TECHNICKÉ V BRN Poítaové vidní Ing. Karel Horák Ph.D. Ing. Ilona Kalová Ph.D. Ing. Petr Petyovský Ing. Miloslav Richter Ph.D. Brno 6.4. 8

Více

Elcometer 6075/1 SP 60

Elcometer 6075/1 SP 60 Elcometer 6075/1 SP 60 Jednoúhlový, runí spektrální fotometr pro kontrolu kvality Tento spektrofotometr poskytuje rychlé a precizní barevné informace o celé ad materiál od papíru, práškových a nátrových

Více

Prostedky automatického ízení

Prostedky automatického ízení VŠB-TU Ostrava / Prostedky automatického ízení Úloha. Dvoupolohová regulace teploty Meno dne:.. Vypracoval: Petr Osadník Spolupracoval: Petr Ševík Zadání. Zapojte laboratorní úlohu dle schématu.. Zjistte

Více

Hezká fyzika z po íta e

Hezká fyzika z po íta e J. Hubeák: Hezká fyzika z poítae Hezká fyzika z poítae JOSEF HUBEÁK Univerzita Hradec Králové Poíta je univerzální nástroj a studenti, žáci a uitelé jej bžn používají. I když doslouží, je stále zajímavým

Více

9. Kombinatorika, pravd podobnost a statistika

9. Kombinatorika, pravd podobnost a statistika 9. Kombinatorika, pravdpodobnost a statistika VÝCHOZÍ TEXT K ÚLOZE 1 V kódu je na prvním míst jedno z písmen A, B, C nebo D. Na dalších dvou pozicích je libovolné dvojciferné íslo od 11 do 45. (Existují

Více

NAIL072 ROZPOZNÁVÁNÍ VZORŮ

NAIL072 ROZPOZNÁVÁNÍ VZORŮ NAIL072 ROZPOZNÁVÁNÍ VZORŮ RNDr. Jana Štanclová, Ph.D. jana.stanclova@ruk.cuni.cz www.cuni.cz/~stancloj LS Zk 2/0 OSNOVA 1. Úvod do rozpoznávání vzorů 2. Bayesovská teorie rozpoznávání 3. Diskriminační

Více

Dlitel, násobek Znak dlitelnosti Prvoíslo, íslo složené, rozklad na prvoinitele Nejvtší spolený dlitel, nejmenší spolený násobek

Dlitel, násobek Znak dlitelnosti Prvoíslo, íslo složené, rozklad na prvoinitele Nejvtší spolený dlitel, nejmenší spolený násobek 1.1. Základní pojmy V tomto uebním bloku budeme pracovat pouze s pirozenými ísly ( bez nuly ) a budeme studovat vztahy dlitelnosti mezi nimi. Seznámíme se s tmito základními pojmy: Název Dlitel, násobek

Více

1. MODELY A MODELOVÁNÍ. as ke studiu: 30 minut. Cíl: Po prostudování této kapitoly budete umt: Výklad. 1.1. Model

1. MODELY A MODELOVÁNÍ. as ke studiu: 30 minut. Cíl: Po prostudování této kapitoly budete umt: Výklad. 1.1. Model 1. MODELY A MODELOVÁNÍ as ke studiu: 30 minut Cíl: Po prostudování této kapitoly budete umt: charakterizovat model jako nástroj pro zobrazení skutenosti popsat proces modelování provést klasifikaci základních

Více

1 KOMBINATORIKA, KLASICKÁ PRAVDPODOBNOST

1 KOMBINATORIKA, KLASICKÁ PRAVDPODOBNOST 1 KOMBINATORIKA, KLASICKÁ PRAVDPODOBNOST Kombinatorické pravidlo o souinu Poet všech uspoádaných k-tic, jejichž první len lze vybrat n 1 zpsoby, druhý len po výbru prvního lenu n 2 zpsoby atd. až k-tý

Více

TECHNICKÁ UNIVERZITA V LIBERCI

TECHNICKÁ UNIVERZITA V LIBERCI TECHNICKÁ UNIVERZITA V LIBERCI Fakulta strojní LOGISTIKA SKLADOVACÍ SYSTÉMY Jméno: Jií Hauzer Tída: FS S2B4 Datum:15.12.2005-1 - SKLADOVACÍ SYSTÉMY Sklad byl dlouho považován za pouhý pasivní, podízený

Více

Získávání znalostí z databází. Alois Kužela

Získávání znalostí z databází. Alois Kužela Získávání znalostí z databází Alois Kužela Obsah související pojmy datové sklady, získávání znalostí asocianí pravidla 2/37 Úvod získávání znalostí z dat, dolování (z) dat, data mining proces netriviálního

Více

Bezpenost dtí v okolí škol z pohledu bezpenostního auditora

Bezpenost dtí v okolí škol z pohledu bezpenostního auditora Bezpenost dtí v okolí škol z pohledu bezpenostního auditora Ing. Jaroslav Heinich, HBH Projekt spol. s r.o. pednáška na konferenci Bezpenos dopravy na pozemných komunikáciách 2008 ve Vyhne (SK) ÚVOD Bezpenostní

Více

CZECH Point. Co dostanete: Úplný nebo ástený výstup z Listu vlastnictví k nemovitostem i parcelám v jakémkoli katastrálním území v eské republice.

CZECH Point. Co dostanete: Úplný nebo ástený výstup z Listu vlastnictví k nemovitostem i parcelám v jakémkoli katastrálním území v eské republice. Co je to Czech POINT: CZECH Point eský Podací Ovovací Informaní Národní Terminál, tedy Czech POINT je projektem, který by ml zredukovat pílišnou byrokracii ve vztahu oban - veejná správa. Projekt Czech

Více

VLASTNOSTI KOMPONENT MICÍHO ETZCE -ÍSLICOVÁÁST

VLASTNOSTI KOMPONENT MICÍHO ETZCE -ÍSLICOVÁÁST VLASTNOSTI KOMPONENT MICÍHO ETZCE -ÍSLICOVÁÁST 6.1. Analogovíslicový pevodník 6.2. Zobrazovací a záznamové zaízení 6.1. ANALOGOVÍSLICOVÝ PEVODNÍK Experimentální metody pednáška 6 Napájecí zdroj Sníma pevod

Více

Vysoká škola báská Technická univerzita Ostrava Institut geoinformatiky. Analýza dojíždní z dotazníkového šetení v MSK. Semestrální projekt

Vysoká škola báská Technická univerzita Ostrava Institut geoinformatiky. Analýza dojíždní z dotazníkového šetení v MSK. Semestrální projekt Vysoká škola báská Technická univerzita Ostrava Institut geoinformatiky Analýza dojíždní z dotazníkového šetení v MSK Semestrální projekt 18.1.2007 GN 262 Barbora Hejlková 1 OBSAH OBSAH...2 ZADÁNÍ...3

Více

1. TVORBA FOTOPLÁNU 1.1. TEORETICKÉ ZÁKLADY - 1 -

1. TVORBA FOTOPLÁNU 1.1. TEORETICKÉ ZÁKLADY - 1 - 1. TVORBA FOTOPLÁNU Tvorba fotoplánu patí mezi základní úlohy jednosnímkové fotogrammetrie. Tato úloha nachází uplatnní jak v pozemní, tak v menší míe i v letecké fotogrammetrii, viz kapitola 1.4. Hlavním

Více

Przkum kvality služby v Mstském dopravním podniku Opava, a.s. v roce 2007

Przkum kvality služby v Mstském dopravním podniku Opava, a.s. v roce 2007 Przkum kvality služby v Mstském dopravním podniku Opava, a.s. v roce 2007 Zpracoval: Ing. Michal Matoušek, Ph.D. Dresden, 11.5.2007 1 V návaznosti na provedený przkum kvality služby v Mstském dopravním

Více

2. M ení t ecích ztrát na vodní trati

2. M ení t ecích ztrát na vodní trati 2. M ení t ecích ztrát na vodní trati 2. M ení t ecích ztrát na vodní trati 2.1. Úvod P i proud ní skute ných tekutin vznikají následkem viskozity t ecí odpory, tj. síly, které p sobí proti pohybu ástic

Více

Západočeská univerzita v Plzni Fakulta aplikovaných věd Katedra kybernetiky BAKALÁŘSKÁ PRÁCE

Západočeská univerzita v Plzni Fakulta aplikovaných věd Katedra kybernetiky BAKALÁŘSKÁ PRÁCE Západočeská univerzita v Plzni Fakulta aplikovaných věd Katedra kybernetiky BAKALÁŘSKÁ PRÁCE PLZEŇ, 202 Pavel Jedlička TÉMA ČESKY: Předzpracování medicínských obrazů pro následnou segmentaci NÁZEV ANGLICKY:

Více

Tematický plán uiva z matematiky pro 6. roník na školní rok 2009-2010

Tematický plán uiva z matematiky pro 6. roník na školní rok 2009-2010 Tematický plán uiva z matematiky pro 6. roník na školní rok 2009-2010 Msíc: Záí Uivo: Shrnutí a opakování uiva z 5.roníku Pirozená ísla íselná osa, porovnávání, zaokrouhlování, operace s nimi, pevody,

Více

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ KALIBRACE KAMERY NA ZÁKLADĚ PŘÍMKOVÝCH ÚSEKŮ

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ KALIBRACE KAMERY NA ZÁKLADĚ PŘÍMKOVÝCH ÚSEKŮ VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT OF CONTROL AND INSTRUMENTATION

Více

WWW poštovní klient s úložištm v MySQL databázi

WWW poštovní klient s úložištm v MySQL databázi eské vysoké uení technické v Praze Fakulta elektrotechnická Bakaláské práce WWW poštovní klient s úložištm v MySQL databázi Jií Švadlenka Vedoucí práce: Ing. Ivan Halaška Studijní program: Elektrotechnika

Více

Zpracování obrazu v FPGA. Leoš Maršálek ATEsystem s.r.o.

Zpracování obrazu v FPGA. Leoš Maršálek ATEsystem s.r.o. Zpracování obrazu v FPGA Leoš Maršálek ATEsystem s.r.o. Základní pojmy PROCESOROVÉ ČIPY Křemíkový čip zpracovávající obecné instrukce Různé architektury, pracují s různými paměti Výkon instrukcí je závislý

Více

Vaše uživatelský manuál GOCLEVER MAP 2.5 http://cs.yourpdfguides.com/dref/1077868

Vaše uživatelský manuál GOCLEVER MAP 2.5 http://cs.yourpdfguides.com/dref/1077868 Můžete si přečíst doporučení v uživatelské příručce, technickém průvodci, nebo průvodci instalací pro GOCLEVER MAP 2.5. Zjistíte si odpovědi na všechny vaše otázky, týkající se GOCLEVER MAP 2.5 v uživatelské

Více

Vyhodnocování úspšnosti

Vyhodnocování úspšnosti Poítaové zpracování pirozeného jazyka Vyhodnocování úspšnosti Daniel Zeman http://ckl.mff.cuni.cz/~zeman/ Úspšnost zpracování PJ Jak ovit, že program funguje správn? 2 ásti: programátorská (nepadá to)

Více

Na em se podílí? Umožuje napíklad pohyb, mnit výrazy oblieje, zadržovat stolici, psát i vykonávat rzné druhy manuální práce.

Na em se podílí? Umožuje napíklad pohyb, mnit výrazy oblieje, zadržovat stolici, psát i vykonávat rzné druhy manuální práce. SVALOVÁ SOUSTAVA Jedním ze základních projev života je pohyb, který je umožnn rznými zpsoby. U lovka ho realizují ve spolupráci s oprnou a nervovou soustavou svaly. Svaly však nezajišují lovku pouze pohyb

Více

Technologie tvorby fotoplán a možnosti využití free software SIMphoto

Technologie tvorby fotoplán a možnosti využití free software SIMphoto Technologie tvorby fotoplán a možnosti využití free software SIMphoto Jindich Hoda Software SIMphoto byl vyvinut Ing. Davidem ížkem v rámci jeho diplomové práce na Fakult stavební VUT v Praze. Tvorba tohoto

Více

Hmotnostní analyzátory a detektory iont

Hmotnostní analyzátory a detektory iont Hmotnostní analyzátory a detektory iont Hmotnostní analyzátory Hmotnostní analyzátory Rozdlí ionty v prostoru nebo v ase podle jejich m/z Analyzátory Magnetický analyzátor (MAG) Elektrostatický analyzátor

Více

Atom a molekula - maturitní otázka z chemie

Atom a molekula - maturitní otázka z chemie Atom a molekula - maturitní otázka z chemie by jx.mail@centrum.cz - Pond?lí, Únor 09, 2015 http://biologie-chemie.cz/atom-a-molekula-maturitni-otazka-z-chemie/ Otázka: Atom a molekula P?edm?t: Chemie P?idal(a):

Více

Tematický plán uiva z matematiky pro 6. roník na školní rok 2011-2012

Tematický plán uiva z matematiky pro 6. roník na školní rok 2011-2012 Tematický plán uiva z matematiky pro 6. roník na školní rok 2011-2012 Msíc: Záí Uivo: Shrnutí a opakování uiva z 5.roníku Pirozená ísla íselná osa, porovnávání, zaokrouhlování, operace s nimi, pevody,

Více

EXPORT DAT TABULEK V MÍŽKÁCH HROMADNÉHO PROHLÍŽENÍ

EXPORT DAT TABULEK V MÍŽKÁCH HROMADNÉHO PROHLÍŽENÍ EXPORT DAT TABULEK V MÍŽKÁCH HROMADNÉHO PROHLÍŽENÍ V PRODUKTECH YAMACO SOFTWARE PÍRUKA A NÁVODY PRO ÚELY: - EXPORTU DAT DO EXTERNÍCH FORMÁT YAMACO SOFTWARE 2005 1. ÚVODEM Všechny produkty spolenosti YAMACO

Více

Jak taková poítaová sí vypadá

Jak taková poítaová sí vypadá Jak taková poítaová sí vypadá Po té, co jsme si vysvtlili dležitost poítaových sítí, mžeme konen zaít poznávat principy skryté komunikace okolo nás. Z hlediska rozsahu lze vytváet rzn rozsáhlé poítaové

Více

Technická zpráva požární ochrany

Technická zpráva požární ochrany Technická zpráva požární ochrany Akce : zateplení fasády bytového domu p.70 Tuhá Investor : OSBD eská Lípa Barvíská 738 eská Lípa Použité technické pedpisy: SN 73 0802,73 0833,73 0873, 73 0821, vyhl..23/2008

Více

Počítačové vidění vs. digitální zpracování obrazu Digitální obraz a jeho vlastnosti

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

Více

VYUŽITÍ MODULU EXCELENT PRO MANAŽERSKÉ ANALÝZY V APLIKACÍCH VEMA

VYUŽITÍ MODULU EXCELENT PRO MANAŽERSKÉ ANALÝZY V APLIKACÍCH VEMA VYUŽITÍ MODULU EXCELENT PRO MANAŽERSKÉ ANALÝZY V APLIKACÍCH VEMA Ing. Bc. Jaroslav Šmarda Vema, a. s. smarda@vema.cz Abstrakt Ze zkušenosti víme, že nasazení speciálního manažerského informaního systému

Více

Automatická detekce anomálií při geofyzikálním průzkumu. Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011

Automatická detekce anomálií při geofyzikálním průzkumu. Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011 Automatická detekce anomálií při geofyzikálním průzkumu Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011 Cíle doktorandské práce Seminář 10. 11. 2010 Najít, implementovat, ověřit a do praxe

Více

P ehled nep ítomnosti

P ehled nep ítomnosti Pehled nepítomnosti Modul poskytuje pehled nepítomností zamstnanc na pracovišti. Poskytuje informace o plánované, schválené nebo aktuáln erpané pracovní nepítomnosti zamstnanc v rámci pracovišt VUT a možnost

Více