ROZ II cv. 01 Dekonvoluce KM - FJFI - ČVUT
|
|
- Lukáš Dostál
- před 5 lety
- Počet zobrazení:
Transkript
1 ROZ II cv. 01 Dekonvoluce KM - FJFI - ČVUT ZS 2013 ÚTIA - ZOI zoi.utia.cas.cz
2 Kontakty Ústav teorie informace a automatizace AV ČR, v.v.i. Zpracování obrazové informace 2 / 44
3 Kontakty Adam Novozámský: UTIA místnost 23 3 / 44
4 Organizace cvik teorie + řešení úkolů docházka: >> For students >> Lecture courses (CZ) >> ROZ2 >> Materiály >> Přidat studenta 4 / 44
5 Matlab Na UTIA není možné používat serverovou licenci z ČVUT Stáhnout balík souborů na cvičení: 5 / 44
6 Maska Gaussiánu naprogramujte generovaní masky symetrického 2D Gaussiánu function M = gauss2(s, N) % M = gauss2 (S [,N]) - vraci normovanou % symetrickou 2D gaussovku o rozptylu Sigma % N je velikost matice, defaultne 3*S+1 6 / 44
7 Maska Gaussiánu D-dimenzionální Gaussova funkce: 1 f x, y = 2π d 2 Σ 1 2 e 1 2 x μ t Σ 1 x μ d počet dimenzí μ vektor střední hodnoty t transpozice vektoru Σ diagonální kovarianční matice Σ ii = σ 2 i determinant 7 / 44
8 Maska Gaussiánu 2D Σ det σ σ 2 2 = σ 1 2 σ 2 2 = σ 1 σ 2 = σ 1 4 x μ t Σ 1 x μ x 1 μ 1 x 2 μ 2 σ σ x1 μ 1 x 2 μ 2 = = x 1 μ 1 x 2 μ 2 1 σ σ2 2 x 1 μ 1 x 2 μ 2 = = x 1 μ 1 σ 1 2 x 2 μ 2 σ 2 2 x 1 μ 1 x 2 μ = x 1 μ σ 2 + x 2 μ 2 1 σ 2 = 2 2 σ 1 σ 2 μ 1 μ 2 = 0 = = x 1 2 +x 2 2 σ / 44
9 2D Gaussova funkce symetrická (izotropní) σ x σ y = 0.6 μ x μ y = 0 9 / 44
10 2D Gaussova funkce asymetrická (anizotropní) 0.6 = σ x σ y = 0.2 μ x μ y = 0 10 / 44
11 Maska Gaussiánu naprogramujte generovaní masky symetrického 2D Gaussiánu function M = gauss2(s, N) % M = gauss2 (S [,N]) - vraci normovanou % symetrickou 2D gaussovku o rozptylu Sigma % N je velikost matice, defaultne 3*S+1 11 / 44
12 Maska Gaussiánu gauss2(5, 11) gauss2(7, 21) 12 / 44
13 Maska Gaussiánu gauss2ani(7, 3, 20) gauss2ani(10, 20, 60) 13 / 44
14 Maska Gaussiánu function M = gauss2(s, N) % M = gauss2 (S [,N]) - vraci normovanou 2D % gaussovku o rozptylu S % N je velikost matice, defaultne 3*S+1 if nargin >= 2 R = (N-1) / 2; else R = 3*S; end [X, Y] = meshgrid( -R:R); M = (1/(2*pi*S^2))*exp( -(X.^2 + Y.^2)/(2 * S.^2)); M = M / sum(m(:)); end 14 / 44
15 Maska Gaussiánu function M = gauss2ani(s1,s2, N) % M = gauss2ani (S1, S2 [,N]) - vraci normovanou 2D gaussovku o % rozptylu S1, S2 % N je velikost matice, defaultne 3*S+1 if nargin >= 3 R = (N-1) / 2; else R = 3*max(S1,S2); end [X, Y] = meshgrid( -R:R); M=(1/(2*pi*S1*S2))*exp((-1/2)*((X.^2/S1.^2)+(Y.^2/S2.^2))); M = M / sum(m(:)); end 15 / 44
16 Přidání bílého šumu Signal-to-noise ratio (SNR) - míra šumu v obraze SNR = 10 log (D(f)/D(n)) [db] D(f) rozptyl nezašuměného signálu D(n) rozptyl šumu Ve frekvenční oblasti je SNR definována takto: N 2 F 2 u, v Kdyby šum byl bílý => N 2 = σ n 2 Pokud je signál nekorelovaný => F 2 = σ f 2 Odvození σ n : SNR 10 = log σ 2 f 2 σ 10SNR = σ f 2 2 n σ σ n 2 = n σ n = nápověda funkcí: var(), rand() σ f 2 10 SNR 10 σ 2 f 10 SNR / 44
17 SNR u lena.pgm 20 db 10 db 0 db 17 / 44
18 Přidání bílého šumu naprogramujte funkci, která přidá do obrázku bílý šum function R = bilysum(i, SNR) % R = bilysum(i, SNR) prida bily sum o danem % SNR do obrazku I 18 / 44
19 Přidání bílého šumu function R = bilysum(i, SNR) % R = bilysum(i, SNR) prida bily sum o danem % SNR do obrazku I MinI = min(i(:)); MaxI = max(i(:)); S = sqrt(var(i(:))/(10^(snr/10))); R = I + S*randn(size(I)); R(R<MinI) = MinI; R(R>MaxI) = MaxI; end 19 / 44
20 Poškození obrázku naprogramujte funkci, která poškodí obrázek přidá bílý šum a poté obrázek rozmaže function R = damage(i, H, SNR) % R = damage(i, H, SNR) rozmaze obrazek I s konvolucni % maskou H a prida do nej bily sum o danem SNR 20 / 44
21 Maska Gaussiánu damage(l, eye(7), 20) damage(l, ones(1,10), 20) 21 / 44
22 Maska Gaussiánu damage2(l, eye(7), 20) damage2(l, ones(1,10), 20) 22 / 44
23 Poškození obrázku function R = damage2(i, H, SNR) % R = damage(i, H, SNR) rozmaze obrazek I s konvolucni % maskou H a prida do nej bily sum o danem SNR R = conv2(i,h); R = bilysum(r, SNR); end ubírá jas v okrajích >> tvoří rámeček Jak ho odstranit? 23 / 44
24 Poškození obrázku function R = damage(i, H, SNR) % R = damage(i, H, SNR) rozmaze obrazek I s konvolucni % maskou H a prida do nej bily sum o danem SNR R = conv2(i,h,'same')./conv2(ones(size(i)),h,'same'); R = bilysum(r, SNR); end 24 / 44
25 FT Poškozeného obrázku damage2(l, eye(7), 50) Proč tam jsou ty pruhy? damage2(l, ones(1,10), 50) 25 / 44
26 FT Poškozeného obrázku damage2(l, kruh(7,15), 50) Proč tam jsou ty vzory? damage2(l, gauss2(4,10), 50) 26 / 44
27 Proč jsou ve FFT ty periodické vzory u poškozených obrázků? Z konvolučního teorému vyplívá, že konvoluce je násobení ve frekvenční oblasti. Konvoluční jádra mají ve FFT nulové body: ones(1,10) eye(4,10) kruh(7,15) gauss2(4,10) 27 / 44
28 Poškození obrázku horní řádek: damage(l,gauss2(3,11),snr) dolní řádek: damage(l,gauss2(7,21),snr) kde SNR = 50, 20, 10, 5 28 / 44
29 Inverzní filtr konvoluce: f g t = f τ g t τ dτ : L 1 L 1 L 1 konvoluční teorém: F f g = F f F g = F G odvození Inverzního filtru: Z = U H U = Z H u = F 1 Z H naprogramujte Inverzní filtr: function u = inverznifiltr (z, h) % u = inverznifiltr (z, h) zaostří obrázek z % rozmazaný maskou h pomocí inverzního fitru 29 / 44
30 Inverzní filtr function u = inverznifiltr (z, h) % u = inverznifiltr (z, h) zaostří obrázek z % rozmazaný maskou h pomocí inverzního fitru Z = fft2(z); H = fft2 (h, size(z,1), size(z,2)); U = Z./ H; u = abs(ifft2(u)); end 30 / 44
31 Inverzní filtr C = conv2(l, ones(1,7)) inverznifiltr(c,ones(1,7)) Pro rozmazání (hlavně pohybem) je třeba použít velikost masky, která je nesoudělná s velikostí obrázku (např. 7). Jinak ve fourierce nafouklé na celý snímek vzníknou nuly, kterými se v inverzním filtru blbě dělí. 31 / 44
32 Inverzní filtr C = conv2(l, ones(1,7)) inverznifiltr(c,ones(1,7)) Pro rozmazání (hlavně pohybem) je třeba použít velikost masky, která je nesoudělná s velikostí obrázku (např. 7). Jinak ve fourierce nafouklé na celý snímek vzníknou nuly, kterými se v inverzním filtru blbě dělí. 32 / 44
33 Inverzní filtr damage2(l,ones(1,7),100) damage2(l,ones(1,7),50) damage2(l,ones(1,7),30) damage2(l,ones(1,7),10) Přidání šumu má fatální vliv na Inverzní filtr!! Nedá se v praxi moc použít!! 33 / 44
34 Inverzní filtr 34 / 44
35 Wienerův filtr Definice: získaný odhad má mít minimální odchylku od originálu: E( f f 2 ) min střední kvadratická chyba - E střední hodnota - f odhad - f originál má to být lineární filtr, tedy to má být násobení ve frekvenční oblasti F = G R - G zašuměný obrázek - R transformační matice 35 / 44
36 Wienerův filtr byla odvozena tato transformační matice: R u, v = 1 H u, v H u, v 2 H u, v 2 + S n u, v S f u, v S n u, v S f u, v SNR 1 H H = H 2 Matlab funkce: conj() 36 / 44
37 Wienerův filtr naprogramujte Wienerův filtr function u = wiener (z, h, SNR) % U = wiener (Img, M, SNR) provede Wienerův % filtr na obrázek Img, který byl poškozen % maskou M a zašumňen bílým šumem o daném SNR H = fft2( h, size(img,1), size(img,2)); W = conj(h)./ (abs(h).^2 + 1/SNR); Z = fft2(z).* W; u = abs(ifft2(z)); end 37 / 44
38 Wienerův filtr damage2(l,ones(1,7),100) damage2(l,ones(1,7),50) damage2(l,ones(1,7),30) damage2(l,ones(1,7),10) 38 / 44
39 Praktické příklady Určete typ počkození u obrázků yixx.pgm a vylepšete je 39 / 44
40 Děkuji za pozornost
ROZ II cv. 01 Dekonvoluce KM - FJFI - ČVUT
ROZ II cv. 01 Dekonvoluce KM - FJFI - ČVUT ZS ÚTIA - ZOI zoi.utia.cas.cz Kontakty Ústav teorie informace a automatizace AV ČR, v.v.i. http://www.utia.cas.cz Zpracování obrazové informace http://zoi.utia.cas.cz
VíceROZ1 - Cv. 3 - Šum a jeho odstranění ÚTIA - ZOI
Šum Co je to šum v obrázku? Šum Co je to šum v obrázku? V obrázku je přidaná falešná informace nahodilého původu Jak vzniká v digitální fotografii? Šum Co je to šum v obrázku? V obrázku je přidaná falešná
VíceNPGR032 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
VíceNPGR032 Cv. 01 - úvod
NPGR032 Cv. 01 - úvod ZS 2014 ÚTIA - ZOI zoi.utia.cas.cz Kontakty Ústav teorie informace a automatizace AV ČR, v.v.i. http://www.utia.cas.cz Zpracování obrazové informace http://zoi.utia.cas.cz 2 / 44
VíceROZ1 - Cv. 2 - Fourierova transformace ÚTIA - ZOI
Vzorečky Co to je FT? Vzorečky Co to je FT? Transformace signálu z časové (resp. obrazové) reprezentace f(t) do frekvenční reprezentace F(ψ) a zpět. Díky ní můžeme signál analyzovat ve frekvenční oblasti
VíceKlasifikace a rozpoznávání. Extrakce příznaků
Klasifikace a rozpoznávání Extrakce příznaků Extrakce příznaků - parametrizace Poté co jsme ze snímače obdržely data která jsou relevantní pro naši klasifikační úlohu, je potřeba je přizpůsobit potřebám
VíceMetody rekonstrukce obrazu a
Metody rekonstrukce obrazu a odstranění šumu z obrazu Jan Švihlík svihlj1@fel.cvut.cz +420 224 352 113 České vysoké učení technické v Praze Fakulta elektrotechnická Katedra radioelektroniky Obsah Konvoluce
VíceAVDAT Vektory a matice
AVDAT Vektory a matice Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Vektory x = x 1 x 2. x p y = y 1 y 2. y p Řádkový vektor dostaneme transpozicí sloupcového vektoru x
VíceZADÁNÍ ZKOUŠKOVÉ PÍSEMNÉ PRÁCE Z PŘEDMĚTU LINEÁRNÍ ALGEBRA PRO IT. Verze 1.1A
Verze 1.1A Čas na práci: 1 minut Za každý úkol můžete získat maximálně 1 bodů. Řešení každého příkladu zapisujte čitelně a srozumitelně, 2x 1 +4x 3 +3x 4 = 4 x 1 +2x 2 +4x 3 3x 4 = 1 2x 1 +x 2 x 3 3x 4
VíceMĚŘENÍ A ANALÝZA ELEKTROAKUSTICKÝCH SOUSTAV NA MODELECH. Petr Kopecký ČVUT, Fakulta elektrotechnická, Katedra Radioelektroniky
MĚŘENÍ A ANALÝZA ELEKTROAKUSTICKÝCH SOUSTAV NA MODELECH Petr Kopecký ČVUT, Fakulta elektrotechnická, Katedra Radioelektroniky Při návrhu elektroakustických soustav, ale i jiných systémů, je vhodné nejprve
VíceHLEDÁNÍ HRAN. Václav Hlaváč. Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání.
1/35 HLEDÁNÍ HRAN Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz http://cmp.felk.cvut.cz/ hlavac FYZIOLOGICKÁ MOTIVACE 2/35 Výsledky
VíceProgram SMP pro kombinované studium
Zadání příkladů k procvičení na seminář Program SMP pro kombinované studium Nejdůležitější typy příkladů - minimum znalostí před zkouškovou písemkou 1) Matice 1. Pro matice 1 0 2 1 0 3 B = 7 3 4 4 2 0
VíceROZ1 - Cv. 1 - Zobrazenэ snэmku a zсklady Matlabu
ROZ1 - Cv. 1 - Zobrazenэ snэmku a zсklady Matlabu кstav teorie informace a automatizace AV R, v.v.i. - http://www.utia.cas.cz Zpracovсnэ obrazovщ informace - http://zoi.utia.cas.cz кstav teorie informace
VíceAVDAT Náhodný vektor, mnohorozměrné rozdělení
AVDAT Náhodný vektor, mnohorozměrné rozdělení Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Opakování, náhodná veličina, rozdělení Náhodná veličina zobrazuje elementární
VíceFILTRACE VE FOURIEROVSKÉM SPEKTRU
1/18 FILTRACE VE FOURIEROVSKÉM SPEKTRU (patří do lineárních integrálních transformací) Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz
VíceJedná se o soustavy ve tvaru A X = B, kde A je daná matice typu m n,
Soutavy lineárních algebraických rovnic Jedná se o soustavy ve tvaru A X = B, kde A je daná matice typu m n, X R n je sloupcový vektor n neznámých x 1,..., x n, B R m je daný sloupcový vektor pravých stran
VíceStochastické signály (opáčko)
Stochastické signály (opáčko) Stochastický signál nemůžeme popsat rovnicí, ale pomocí sady parametrů. Hodit se bude statistika a pravděpodobnost (umíte). Tohle je jen miniminiminiopáčko, později probereme
VíceČíslicové zpracování signálů a Fourierova analýza.
Číslicové zpracování signálů a Fourierova analýza www.kme.zcu.cz/kmet/exm 1 Obsah prezentace 1. Úvod a motivace 2. Data v časové a frekvenční oblasti 3. Fourierova analýza teoreticky 4. Fourierova analýza
VíceHough & Radon transform - cvičení
Hough & Radon transform - cvičení ROZ UTIA - ZOI Adam Novozámský (novozamsky@utia.cas.cz) Motivace Co to je Houghova transformace a k čemu se používá?: metoda pro nalezení parametrického popisu objektů
VíceMatematika 2 (Fakulta ekonomická) Cvičení z lineární algebry. TU v Liberci
Matematika 2 (Fakulta ekonomická) Cvičení z lineární algebry TU v Liberci Jiří Hozman 1. dubna 2010 Cvičení 2 Příklad 1. Rozhodněte, zda lze vektor x vyjádřit jako lineární kombinaci vektorů u, v, w, v
Více1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15
Úvodní poznámky... 11 1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15 1.1 Základní pojmy... 15 1.2 Aplikační oblasti a etapy zpracování signálů... 17 1.3 Klasifikace diskretních
VíceSIGNÁLY A SOUSTAVY, SIGNÁLY A SYSTÉMY
SIGNÁLY A SOUSTAVY, SIGNÁLY A SYSTÉMY TEMATICKÉ OKRUHY Signály se spojitým časem Základní signály se spojitým časem (základní spojité signály) Jednotkový skok σ (t), jednotkový impuls (Diracův impuls)
VíceMATEMATICKÉ PRINCIPY VÍCEROZMĚRNÉ ANALÝZY DAT
8. licenční studium Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie MATEMATICKÉ PRINCIPY VÍCEROZMĚRNÉ ANALÝZY DAT Příklady: ) Najděte vlastní (charakteristická) čísla a vlastní
VíceVlastnosti a modelování aditivního
Vlastnosti a modelování aditivního bílého šumu s normálním rozdělením kacmarp@fel.cvut.cz verze: 0090913 1 Bílý šum s normálním rozdělením V této kapitole se budeme zabývat reálným gaussovským šumem n(t),
VíceFouriérova transformace, konvoluce, dekonvoluce, Fouriérovské integrály
co byste měli umět po dnešní lekci: používat funkce pro výpočet FFT (Fast Fourier Transformation) spočítat konvoluci/dekonvoluci pomocí FFT použít FFT při výpočtu určitých integrálů vědět co je nízko\vysoko
VíceVold-Kalmanova řádová filtrace. JiříTůma
Vold-Kalmanova řádová filtrace JiříTůma Obsah Základy Kalmanovy filtrace Základy Vold-Kalmanovy filtrace algoritmus Globální řešení Příklady užití Vold-Kalmanovy řádové filtrace Kalmanův filtr ( n ) Process
VíceUniverzitní licence MATLABu. Pište mail na: se žádostí o nejnovější licenci MATLABu.
Univerzitní licence MATLABu Pište mail na: operator@service.zcu.cz se žádostí o nejnovější licenci MATLABu. * násobení maticové K = L = 1 2 5 6 3 4 7 8 Příklad: M = K * L N = L * K (2,2) = (2,2) * (2,2)
VícePoznámky k Fourierově transformaci
Poznámky k Fourierově transformaci V těchto poznámkách jsou uvedeny základní vlastnosti jednorozměrné Fourierovy transformace a její aplikace na jednoduché modelové případy. Pro určitost jsou sdružené
VíceÚvod do Matlabu. Praha & EU: Investujeme do vaší budoucnosti. 1 / 24 Úvod do Matlabu
Vytěžování dat, cvičení 1: Úvod do Matlabu Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti Fakulta elektrotechnická, ČVUT 1 / 24 Úvod do Matlabu Proč proboha Matlab? Matlab je SW pro
VíceA7B31ZZS 4. PŘEDNÁŠKA 13. října 2014
A7B31ZZS 4. PŘEDNÁŠKA 13. října 214 A-D převod Vzorkování aliasing vzorkovací teorém Kvantování Analýza reálných signálů v časové oblasti řečové signály biologické signály ---> x[n] Analogově-číslicový
VíceZpracování obrazů. Honza Černocký, ÚPGM
Zpracování obrazů Honza Černocký, ÚPGM 1D signál 2 Obrázky 2D šedotónový obrázek (grayscale) Několikrát 2D barevné foto 3D lékařské zobrazování, vektorová grafika, point-clouds (hloubková mapa, Kinect)
VíceNáhodné vektory a matice
Náhodné vektory a matice Jiří Militký Katedra textilních materiálů Technická Universita Liberec, Červeně označené slide jsou jen pro doplnění informací a nezkouší se. Symbolika A B Jev jistý S (nastane
Více1 LPC. Jan Černocký, FIT VUT Brno, 15. května 2007
CZR - numerické cvičení - zadání a řešení Jan Černocký, FIT VUT Brno, 5. května 007 LPC je dán signál o -ti vzorcích x[0]... x[]: 0, 0.707,, 0.707, 0, -0.707, -, -0.707, 0, 0.707,, 0.707 Příklady. je možné
VíceMatematika I A ukázkový test 1 pro 2014/2015
Matematika I A ukázkový test 1 pro 2014/2015 1. Je dána soustava rovnic s parametrem a R x y + z = 1 x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a a) Napište Frobeniovu větu (existence i počet řešení). b)
VíceDEFINICE Z LINEÁRNÍ ALGEBRY
DEFINICE Z LINEÁRNÍ ALGEBRY Skripta Matematické metody pro statistiku a operační výzkum (Nešetřilová, H., Šařecová, P., 2009). 1. definice Vektorovým prostorem rozumíme neprázdnou množinu prvků V, na které
VíceStavový model a Kalmanův filtr
Stavový model a Kalmanův filtr 2 prosince 23 Stav je veličina, kterou neznáme, ale chtěli bychom znát Dozvídáme se o ní zprostředkovaně prostřednictvím výstupů Příkladem může býapř nějaký zašuměný signál,
VíceFiltrace obrazu ve frekvenční oblasti
Filtrace obrazu ve frekvenční oblasti Václav Hlaváč České vysoké učení technické v Praze Český institut informatiky, robotiky a kybernetiky 166 36 Praha 6, Jugoslávských partyzánů 1580/3 http://people.ciirc.cvut.cz/hlavac,
VíceTeorie náhodných matic aneb tak trochu jiná statistika
Teorie náhodných matic aneb tak trochu jiná statistika B. Vlková 1, M.Berg 2, B. Martínek 3, O. Švec 4, M. Neumann 5 Gymnázium Uničov 1, Gymnázium Václava Hraběte Hořovice 2, Mendelovo gymnázium Opava
VícePředzpracování obrazů v prostoru obrazů, operace v lokálním sousedství
Předzpracování obrazů v prostoru obrazů, operace v lokálním sousedství Václav Hlaváč České vysoké učení technické v Praze Český institut informatiky, robotiky a kybernetiky 166 36 Praha 6, Jugoslávských
VíceKonvoluční 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
VíceAKM CVIČENÍ. Opakování maticové algebry. Mějme matice A, B regulární, potom : ( AB) = B A
AKM - 1-2 CVIČENÍ Opakování maticové algebry Mějme matice A, B regulární, potom : ( AB) = B A 1 1 ( A ) = ( A ) ( A ) = A ( A + B) = A + B 1 1 1 ( AB) = B A, kde A je řádu mxn a B nxk Čtvercová matice
VíceModelování systémů a procesů (11MSP) Bohumil Kovář, Jan Přikryl, Miroslav Vlček. 8. přednáška 11MSP pondělí 20. dubna 2015
Modelování systémů a procesů (11MSP) Bohumil Kovář, Jan Přikryl, Miroslav Vlček Ústav aplikované matematiky ČVUT v Praze, Fakulta dopravní 8. přednáška 11MSP pondělí 20. dubna 2015 verze: 2015-04-14 12:31
VíceKTE / PPEL Počítačová podpora v elektrotechnice
KTE / PPEL Počítačová podpora v elektrotechnice Ing. Lenka Šroubová, Ph.D. email: lsroubov@kte.zcu.cz http://home.zcu.cz/~lsroubov 3. 10. 2012 Základy práce s výpočetními systémy opakování a pokračování
VíceVšechno, co jste kdy chtěli vědět o maticích, ale báli jste se zeptat
Všechno, co jste kdy chtěli vědět o maticích, ale báli jste se zeptat Čtvercová matice n n, např. může reprezentovat: A = A A 2 A 3 A 2 A 22 A 23 A 3 A 32 A 33 matici koeficientů soustavy n lineárních
VíceČtvercové matice. Čtvercová matice je taková matice, jejíž počet řádků je roven počtu jejích sloupců
Determinant matice Čtvercové matice Čtvercová matice je taková matice, jejíž počet řádků je roven počtu jejích sloupců Determinant je zobrazení, které přiřadí každé čtvercové matici A skalár (reálné číslo).
VíceDETEKCE HRAN V BIOMEDICÍNSKÝCH OBRAZECH
DETEKCE HRAN V BIOMEDICÍNSKÝCH OBRAZECH Viktor Haškovec, Martina Mudrová Vysoká škola chemicko-technologická v Praze, Ústav počítačové a řídicí techniky Abstrakt Příspěvek je věnován zpracování biomedicínských
VícePříklady k prvnímu testu - Matlab
Příklady k prvnímu testu - Matlab March 13, 2013 Instrukce: Projděte si všechny příklady. Každý příklad se snažte pochopit. Pak vymyslete a naprogramujte příklad podobný. Tím se ujistíte, že příkladu rozumíte.
VíceMATrixLABoratory letný semester 2004/2005
1Prostedie, stručný popis okien Command Window příkazové okno pro zadávání příkazů v jazyku Matlabu. Workspace zde se zobrazuje obsah paměti; je možné jednotlivé proměnné editovat. Command History dříve
VíceAVDAT Mnohorozměrné metody metody redukce dimenze
AVDAT Mnohorozměrné metody metody redukce dimenze Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Opakování vlastní čísla a vlastní vektory A je čtvercová matice řádu n. Pak
VíceHODNOST A DETERMINANT MATICE, INVERZNÍ MATICE
MENDELOVA UNIVERZITA V BRNĚ LDF MT MATEMATIKA HODNOST A DETERMINANT MATICE, INVERZNÍ MATICE Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s
VícePříklad elektrický obvod se stejnosměrným zdrojem napětí
Příklad elektrický obvod se stejnosměrným zdrojem napětí Určete proudy 18, 23, 4, 5, 67 v obvodu na obr., je-li dáno: 1 = 1 Ω, 2 = 2 Ω, 3 = 3 Ω, 4 = 5 Ω, 5 = 3 Ω, 6 = 2 Ω, 7 = 4 Ω, 8 = 4,5 Ω, U = 6 V.
VíceHODNOST A DETERMINANT MATICE, INVERZNÍ MATICE
MENDELOVA UNIVERZITA V BRNĚ LDF MT MATEMATIKA HODNOST A DETERMINANT MATICE, INVERZNÍ MATICE Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s
VíceNALG 001 Lineární algebra a geometrie 1, zimní semestr MFF UK Doba řešení: 3 hodiny
NALG 001 Lineární algebra a geometrie 1, zimní semestr MFF UK Závěrečná zkouška verze cvičná 9.1.2013 Doba řešení: 3 hodiny Přednášející: L. Barto, J. Tůma Křestní jméno: Příjmení: Instrukce Neotvírejte
VíceVektorový prostor. Př.1. R 2 ; R 3 ; R n Dvě operace v R n : u + v = (u 1 + v 1,...u n + v n ), V (E 3 )...množina vektorů v E 3,
Vektorový prostor Příklady: Př.1. R 2 ; R 3 ; R n...aritmetický n-rozměrný prostor Dvě operace v R n : součet vektorů u = (u 1,...u n ) a v = (v 1,...v n ) je vektor u + v = (u 1 + v 1,...u n + v n ),
VíceRovinná úloha v MKP. (mohou být i jejich derivace!): rovinná napjatost a r. deformace (stěny,... ): u, v. prostorové úlohy: u, v, w
Rovinná úloha v MKP Hledané deformační veličiny viz klasická teorie pružnosti (mohou být i jejich derivace!): rovinná napjatost a r. deformace (stěny,... ): u, v desky: w, ϕ x, ϕ y prostorové úlohy: u,
VícePřijímací zkoušky z matematiky pro akademický rok 2018/19 NMgr. studium Učitelství matematiky ZŠ, SŠ
Přijímací zkoušky z matematiky pro akademický rok 8/9 NMgr studium Učitelství matematiky ZŠ, SŠ Datum zkoušky: Varianta Registrační číslo uchazeče: Příklad 3 4 5 Celkem Body Ke každému příkladu uved te
VíceMatematika B101MA1, B101MA2
Matematika B101MA1, B101MA2 Zařazení předmětu: povinný předmět 1.ročníku bc studia 2 semestry Rozsah předmětu: prezenční studium 2 + 2 kombinované studium 16 + 0 / semestr Zakončení předmětu: ZS zápočet
VíceFourierovské metody v teorii difrakce a ve strukturní analýze
Osnova přednášky na 31 kolokviu Krystalografické společnosti Výpočetní metody v rtg a neutronové strukturní analýze Nové Hrady, 16 20 6 2003 Fourierovské metody v teorii difrakce a ve strukturní analýze
VíceA2B31SMS 11. PŘEDNÁŠKA 4. prosince 2014
A2B31SMS 11. PŘEDNÁŠKA 4. prosince 214 Číslicové audio efekty Hřebenové filtry Fázovací filtry Dozvuky Konvoluční reverb Schroederův algoritmus modelování dozvuku Číslicové audio efekty Filtrace - DP,
VíceStatistické vyhodnocení zkoušek betonového kompozitu
Statistické vyhodnocení zkoušek betonového kompozitu Thákurova 7, 166 29 Praha 6 Dejvice Česká republika Program přednášek a cvičení Výuka: Středa 10:00-11:40, C -204 Přednášky a cvičení: Statistické vyhodnocení
Více6. Lineární regresní modely
6. Lineární regresní modely 6.1 Jednoduchá regrese a validace 6.2 Testy hypotéz v lineární regresi 6.3 Kritika dat v regresním tripletu 6.4 Multikolinearita a polynomy 6.5 Kritika modelu v regresním tripletu
VíceMatematika I A ukázkový test 1 pro 2011/2012. x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a
Matematika I A ukázkový test 1 pro 2011/2012 1. Je dána soustava rovnic s parametrem a R x y + z = 1 a) Napište Frobeniovu větu. x + y + 3z = 1 (2a 1)x + (a + 1)y + z = 1 a b) Vyšetřete počet řešení soustavy
VíceMKI Funkce f(z) má singularitu v bodě 0. a) Stanovte oblast, ve které konverguje hlavní část Laurentova rozvoje funkce f(z) v bodě 0.
MKI -00 Funkce f(z) má singularitu v bodě 0. a) Stanovte oblast, ve které konverguje hlavní část Laurentova rozvoje funkce f(z) v bodě 0. V jakém rozmezí se může pohybovat poloměr konvergence regulární
VíceAVDAT Geometrie metody nejmenších čtverců
AVDAT Geometrie metody nejmenších čtverců Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Lineární model klasický lineární regresní model odhad parametrů MNČ y = Xβ + ε, ε
VícePasivní Koherentní Lokace. Duben 2008
Pasivní Koherentní Lokace Duben 2008 Obsah Koncepce systému PCL Princip Bistatický radar Problémy Základy zpracování PCL signálů Eliminace clutter Vzájemná funkce neurčitosti Detekce cílů Asociace měření
Vícewhile cyklus s podmínkou na začátku cyklus bez udání počtu opakování while podmínka příkazy; příkazy; příkazy; end; % další pokračování programu
while cyklus s podmínkou na začátku cyklus bez udání počtu opakování while podmínka příkazy; příkazy; příkazy; end; % další pokračování programu podmínka je libovolný logický výraz s logickou hodnotou
VíceOperace s obrazem I. Biofyzikální ústav Lékařské fakulty Masarykovy univerzity Brno. prezentace je součástí projektu FRVŠ č.
Operace s obrazem I Biofyzikální ústav Lékařské fakulty Masarykovy univerzity Brno prezentace je součástí projektu FRVŠ č.2487/2011 Osnova 1 Filtrování obrazu 2 Lineární a nelineární filtry 3 Fourierova
Více1 Zobrazení 1 ZOBRAZENÍ 1. Zobrazení a algebraické struktury. (a) Ukažte, že zobrazení f : x
1 ZOBRAZENÍ 1 Zobrazení a algebraické struktury 1 Zobrazení Příklad 1.1. (a) Ukažte, že zobrazení f : x na otevřený interval ( 1, 1). x x +1 je bijekce množiny reálných čísel R (b) Necht a, b R, a < b.
VíceŠum a jeho potlačení. Michal Švanda. Astronomický ústav MFF UK Astronomický ústav AV ČR. Spektroskopie (nejen) ve sluneční fyzice LS 2011/2012
Šum a jeho potlačení Spektroskopie (nejen) ve sluneční fyzice LS 2011/2012 Michal Švanda Astronomický ústav MFF UK Astronomický ústav AV ČR Šum Náhodná veličina Aditivivní měření=signál+šum Obvykle nekorelovaný
VíceIntegrální transformace obrazu
Integrální transformace obrazu David Bařina 26. února 2013 David Bařina Integrální transformace obrazu 26. února 2013 1 / 74 Obsah 1 Zpracování signálu 2 Časově-frekvenční rozklad 3 Diskrétní Fourierova
VíceZáklady maticového počtu Matice, determinant, definitnost
Základy maticového počtu Matice, determinant, definitnost Petr Liška Masarykova univerzita 18.9.2014 Matice a vektory Matice Matice typu m n je pravoúhlé (nebo obdélníkové) schéma, které má m řádků a n
VícePravděpodobnost a aplikovaná statistika
Pravděpodobnost a aplikovaná statistika MGR. JANA SEKNIČKOVÁ, PH.D. 2. KAPITOLA PODMÍNĚNÁ PRAVDĚPODOBNOST 3. KAPITOLA NÁHODNÁ VELIČINA 9.11.2017 Opakování Uveďte příklad aplikace geometrické definice pravděpodobnosti
Více11MAMY LS 2017/2018. Úvod do Matlabu. 21. února Skupina 01. reseni2.m a tak dále + M souborem zadané funkce z příkladu 3 + souborem skupina.
11MAMY LS 2017/2018 Cvičení č. 2: 21. 2. 2018 Úvod do Matlabu. Jan Přikryl 21. února 2018 Po skupinách, na které jste se doufám rozdělili samostatně včera, vyřešte tak, jak nejlépe svedete, níže uvedená
VíceNumerické metody a programování
Projekt: Inovace výuky optiky se zaměřením na získání experimentálních dovedností Registrační číslo: CZ.1.7/2.2./28.157 Numerické metody a programování Lekce 4 Tento projekt je spolufinancován Evropským
VíceKTE/TEVS - Rychlá Fourierova transformace. Pavel Karban. Katedra teoretické elektrotechniky Fakulta elektrotechnická Západočeská univerzita v Plzni
KTE/TEVS - Rychlá Fourierova transformace Pavel Karban Katedra teoretické elektrotechniky Fakulta elektrotechnická Západočeská univerzita v Plzni 10.11.011 Outline 1 Motivace FT Fourierova transformace
VíceP 1 = P 1 1 = P 1, P 1 2 =
1 Výpočet inverzní matice Věta 1 Necht P U elementární matice vzniklá el úpravou U Pak je P U regulární Důkaz: Protože elementární úprava U je invertovatelná, existuje el úprava U, která vrací změny U
VíceTéma 22. Ondřej Nývlt
Téma 22 Ondřej Nývlt nyvlto1@fel.cvut.cz Náhodná veličina a náhodný vektor. Distribuční funkce, hustota a pravděpodobnostní funkce náhodné veličiny. Střední hodnota a rozptyl náhodné veličiny. Sdružené
VíceKomplexní analýza. Laplaceova transformace. Martin Bohata. Katedra matematiky FEL ČVUT v Praze
Komplexní analýza Laplaceova transformace Martin Bohata Katedra matematiky FEL ČVUT v Praze bohata@math.feld.cvut.cz Martin Bohata Komplexní analýza Laplaceova transformace 1 / 18 Definice Definice Laplaceovou
VíceLineární a adpativní zpracování dat. 3. Lineární filtrace I: Z-transformace, stabilita
Lineární a adpativní zpracování dat 3. Lineární filtrace I: Z-transformace, stabilita Daniel Schwarz Investice do rozvoje vzdělávání Osnova Opakování: signály, systémy, jejich vlastnosti a popis v časové
Více2.6. VLASTNÍ ČÍSLA A VEKTORY MATIC
.6. VLASTNÍ ČÍSLA A VEKTORY MATIC V této kapitole se dozvíte: jak jsou definována vlastní (charakteristická) čísla a vektory čtvercové matice; co je to charakteristická matice a charakteristický polynom
Více15 Maticový a vektorový počet II
M. Rokyta, MFF UK: Aplikovaná matematika III kap. 15: Maticový a vektorový počet II 1 15 Maticový a vektorový počet II 15.1 Úvod Opakování z 1. ročníku (z kapitoly 8) Označení. Množinu všech reálných resp.
VíceČasové řady, typy trendových funkcí a odhady trendů
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Stochastický proces Posloupnost náhodných veličin {Y t, t = 0, ±1, ±2 } se nazývá stochastický proces
Více[ n. Konvoluce. = 0 jinak. 0 jinak. Užitečné signály (diskrétní verze) Jednotkový skok 1 pro n = 0
Užitečné signály (diskrétní verze) Konvoluce σ Jednotkový skok [ n] Jednotkový impuls (delta funkce) Posunutý jednotkový impuls 1 pro n 0 1 pro n = 0 δ = δ [ n] [ n k] = 0 jinak 0 jinak Proč jsou užitečné?
VíceMnožinu všech matic typu m n nad tělesem T budeme označovat M m n (T ), množinu všech čtvercových matic stupně n nad T pak M n (T ).
Matice Definice 4.1 Necht (T ; +, je číselné těleso, m, n N a dále necht a ij T pro všechny indexy i = 1, 2,..., m a j = 1, 2,..., n. Potom schéma a 11 a 12... a 1n a 21 a 22... a 2n... = (a ij m n a m1
VíceČasové řady, typy trendových funkcí a odhady trendů
Časové řady, typy trendových funkcí a odhady trendů Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Jiří Neubauer (Katedra ekonometrie UO Brno) Časové
VíceArnoldiho a Lanczosova metoda
Arnoldiho a Lanczosova metoda 1 Částečný problém vlastních čísel Ne vždy je potřeba (a někdy to není ani technicky možné) nalézt celé spektrum dané matice (velké řídké matice). Úloze, ve které chceme aproximovat
VíceÚlohy k přednášce NMAG 101 a 120: Lineární algebra a geometrie 1 a 2,
Úlohy k přednášce NMAG a : Lineární algebra a geometrie a Verze ze dne. května Toto je seznam přímočarých příkladů k přednášce. Úlohy z tohoto seznamu je nezbytně nutné umět řešit. Podobné typy úloh se
VíceFaculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague
Tomáš Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague 1 / 63 1 2 3 4 5 6 7 8 9 10 11 2 / 63 Aritmetický vektor Definition 1 Aritmetický vektor x je uspořádaná
VíceMĚŘENÍ ÚHLOVÝCH KMITŮ ZA ROTACE
26. mezinárodní konference DIAGO 27 TECHNICKÁ DIAGNOSTIKA STROJŮ A VÝROBNÍCH ZAŘÍZENÍ MĚŘENÍ ÚHLOVÝCH KMITŮ ZA ROTACE Jiří TŮMA VŠB Technická Univerzita Ostrava Osnova Motivace Kalibrace měření Princip
Vícen = 2 Sdružená distribuční funkce (joint d.f.) n. vektoru F (x, y) = P (X x, Y y)
5. NÁHODNÝ VEKTOR 5.1. Rozdělení náhodného vektoru Náhodný vektor X = (X 1, X 2,..., X n ) T n-rozměrný vektor, složky X i, i = 1,..., n náhodné veličiny. Vícerozměrná (n-rozměrná) náhodná veličina n =
VíceNosné desky. 1. Kirchhoffova teorie ohybu tenkých desek (h/l < 1/10) 3. Mindlinova teorie pro tlusté desky (h/l < 1/5)
Nosné desky Deska je těleso, které má jeden rozměr mnohem menší než rozměry zbývající. Zatížení desky je orientováno výhradně kolmo k její střednicové rovině. 1. Kirchhoffova teorie ohybu tenkých desek
Více11 Analýza hlavních komponet
11 Analýza hlavních komponet Tato úloha provádí transformaci měřených dat na menší počet tzv. fiktivních dat tak, aby většina informace obsažená v původních datech zůstala zachována. Jedná se tedy o úlohu
VíceAPLIKACE DWT PRO POTLAČENÍ ŠUMU V OBRAZE
APLIKACE DWT PRO POTLAČENÍ ŠUMU V OBRAZE J.Švihlík ČVUT v Praze Fakulta elektrotechnická Katedra radioelektroniky Abstrakt Šum je v obraze prakticky vždy přítomen což způsobuje degradaci obrazu. Existuje
VíceAplikovaná numerická matematika - ANM
Aplikovaná numerická matematika - ANM 3 Řešení soustav lineárních rovnic iterační metody doc Ing Róbert Lórencz, CSc České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových
Více(Cramerovo pravidlo, determinanty, inverzní matice)
KMA/MAT1 Přednáška a cvičení, Lineární algebra 2 Řešení soustav lineárních rovnic se čtvercovou maticí soustavy (Cramerovo pravidlo, determinanty, inverzní matice) 16 a 21 října 2014 V dnešní přednášce
VíceZáklady algoritmizace a programování
Základy algoritmizace a programování Příklady v MATLABu Přednáška 10 30. listopadu 2009 Řídící instrukce if else C Matlab if ( podmínka ) { } else { } Podmíněný příkaz if podmínka elseif podmínka2... else
VíceMatice. Předpokládejme, že A = (a ij ) je matice typu m n: diagonálou jsou rovny nule.
Matice Definice. Maticí typu m n nazýváme obdélníkové pole, tvořené z m n reálných čísel (tzv. prvků matice), zapsaných v m řádcích a n sloupcích. Značíme např. A = (a ij ), kde i = 1,..., m, j = 1,...,
VíceVI. Maticový počet. VI.1. Základní operace s maticemi. Definice. Tabulku
VI Maticový počet VI1 Základní operace s maticemi Definice Tabulku a 11 a 12 a 1n a 21 a 22 a 2n, a m1 a m2 a mn kde a ij R, i = 1,, m, j = 1,, n, nazýváme maticí typu m n Zkráceně zapisujeme (a ij i=1m
VíceČTVERCOVÉ MATICE. Čtvercová matice je taková matice, kde počet řádků je roven počtu jejích sloupců. det(a) značíme determinant čtvercové matice A
ČTVERCOVÉ MTICE Čtvercová matice je taková matice, kde počet řádků je roven počtu jejích sloupců. det() značíme determinant čtvercové matice Regulární matice hodnost je rovna jejímu řádu determinant je
VíceTENSOR NAPĚTÍ A DEFORMACE. Obrázek 1: Volba souřadnicového systému
TENSOR NAPĚTÍ A DEFORMACE Obrázek 1: Volba souřadnicového systému Pole posunutí, deformace, napětí v materiálovém bodě {u} = { u v w } T (1) Obecně 9 složek pole napětí lze uspořádat do matice [3x3] -
Více