Segmentazione basata su colore. Annalisa Franco

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Segmentazione basata su colore. Annalisa Franco"

Transcript

1 Segmentazione basata su colore Annalisa Franco

2 2 La segmentazione Scopo di questa esercitazione è l implementazione di tecniche di segmentazione basate sul colore, al fine di isolare le regioni di pelle presenti in un immagine. In particolare, data in input un immagine RGB, l algoritmo dovrà produrre in output un immagine grayscale (maschera) con valore 255 nei pixel di pelle e valore 0 altrimenti.

3 3 Segmentazione basata su range (1) Il paper [1] propone la seguente tecnica di segmentazione nello spazio YCbCr: Map x, y = 255, if (C b x, y R Cb ) (C r x, y R Cr ൯ 0, otherwise dove R Cb = [77, 127], R Cr = 133, 173 È necessaria una conversione dallo spazio RGB allo spazio YC b C r ; La segmentazione avviene esclusivamente sulla base dell informazione cromatica (canali C b e C r ). [1] D. Chai, and K.N. Ngan, Face segmentation using skin-color map in videophone applications, IEEE Trans. on Circuits and Systems for Video Technology, 9(4): , June 1999.

4 4 Segmentazione con Emgu CV Info utili: var imgpath ; var image = new Image<Bgr, byte>(imgpath); var imgycrcb = image.convert<ycc, Byte>(); Caricamento immagine RGB Conversione spazio YCbCr per altri spazi colore basta cambiare il tipo di codifica del colore Image<Gray, byte>[] channels = imgycrcb.split(); Image<Gray, byte> Y = channels[0]; Image<Gray, byte> Cr = channels[1]; Split dei canali Image<Gray, byte> Cb = channels[2]; L immagine multichannel viene rappresentata attraverso un array di immagini a singolo canale Attenzione all ordine dei canali!!!

5 5 Segmentazione basata su range (2) Image<Gray, byte> CrFilter = Cr.InRange(new Gray(133), new Gray(173)); Image<Gray, byte> CbFilter = Cb.InRange(new Gray(77), new Gray(127)); Selezione dei pixel nel range Il risultato è una maschera binaria per ciascun canale Copia dei pixel sulla base della maschera AND tra le due maschere CrFilter CbFilter Mask (.And) Image<Gray, byte> mask = CbFilter.And(CrFilter); ImageViewer.Show(mask, "Segmented image"); Image<Bgr, byte> chroma = new Image<Bgr, byte> (new Size(image.Width, image.height)); image.copy(chroma, mask); ImageViewer.Show(chroma, "Segmented image");

6 6 Segmentazione con classificatore L obiettivo è addestrare un classificatore ad individuare le regioni di pelle presenti all interno di un immagine. Per l addestramento del classificatore useremo per motivi di tempo una singola immagine con relativa maschera di segmentazione. Nel db fornito (UCDColour), le maschere hanno il seguente formato: Valore 255 in tutti e tre i canali per i pixel di background Il valore dell immagine originale nei pixel considerati pelle Utilizziamo la seguente convenzione: Classe 0 Pixel di backgound Classe 1 Pixel di pelle

7 7 Suggerimenti (1) Seguire lo scheletro fornito per l esercitazione (Console Application), completando le parti mancanti; i commenti presenti indicano le operazioni di compiere. Il metodo ExtractFeatures, a partire dall immagine in input img deve produrre in output una matrice Matrix<float> che contenga in ogni riga il feature vector associato a un pixel (valori di intensità dei diversi canali). Il metodo viene richiamato sia in fase di training, sia in fase di test; durante il training viene passata al metodo anche la maschera (nulla in caso di test). L applicazione prevede la possibilità di eseguire la segmentazione in tre spazi colore diversi (RGB, YCbCr, HSV). Sarà necessario pertanto trasformare le immagini di training e test nello spazio colore prescelto.

8 8 Suggerimenti (2) La libreria mette a disposizione diversi classificatori. Provare: NormalBayesClassifier - metodo Train per il training. SVM - metodo TrainAuto per il training (scelta automatica dei parametri ottimali). Il training set dev essere fornito al classificatore come oggetto di tipo TrainData. È possibile salvare (metodo.save) e caricare (metodo.load) i classificatori. Per la classificazione ciascun classificatore mette a disposizione il metodo Predict.

Classificazione di immagini aeree. Annalisa Franco

Classificazione di immagini aeree. Annalisa Franco Classificazione di immagini aeree Annalisa Franco annalisa.franco@unibo.it http://bias.csr.unibo.it/vr/ 2 Classificazione di immagini aeree Scopo di questa esercitazione è l implementazione di una tecnica

Dettagli

Segmentazione di impronte digitali. Annalisa Franco

Segmentazione di impronte digitali. Annalisa Franco Segmentazione di impronte digitali Annalisa Franco annalisa.franco@unibo.it http://bias.csr.unibo.it/vr/ 2 La segmentazione Scopo di questa esercitazione è l implementazione di una tecnica di segmentazione

Dettagli

Esercitazione introduttiva. Annalisa Franco

Esercitazione introduttiva. Annalisa Franco Esercitazione introduttiva Annalisa Franco annalisa.franco@unibo.it http://bias.csr.unibo.it/vr/ 2 OpenCV e Emgu CV La libreria OpenCV (https://opencv.org/) è una libreria per Computer Vision totalmente

Dettagli

Introduzione a Matlab

Introduzione a Matlab Introduzione a Matlab Skin Detection & Iris Normalization Fondamenti di Visione Artificiale a.a. 2015/2016 12/05/16 Estrazione dei Contorni 1 Skin Detection - Introduzione Il processo di skin detection

Dettagli

Segmentazione di immagini

Segmentazione di immagini Segmentazione di immagini È il processo di suddividere una immagine in un certo numero di regioni (insiemi di pixel) omogenee Ogni regione è omogenea rispetto ad alcune caratteristiche (livello di grigio,

Dettagli

Segmentazione automatica della carotide basata sulla classificazione dei pixel

Segmentazione automatica della carotide basata sulla classificazione dei pixel Segmentazione automatica della carotide basata sulla classificazione dei pixel Samanta Rosati, Filippo Molinari, Gabriella Balestra Biolab, Dipartimento di Elettronica e Telecomunicazioni, Politecnico

Dettagli

Immagini e clustering

Immagini e clustering Immagini e clustering Alberto Borghese Università degli Studi di Milano Laboratorio di Sistemi Intelligenti Applicati (AIS-Lab) Dipartimento di Scienze dell Informazione borghese@dsi.unimi.it 1/24 http:\\homes.dsi.unimi.it\

Dettagli

SUPPORT VECTOR MACHINES. a practical guide

SUPPORT VECTOR MACHINES. a practical guide SUPPORT VECTOR MACHINES a practical guide 1 SUPPORT VECTOR MACHINES Consideriamo un problema di classificazione binaria, a partire da uno spazio di input X R n e uno spazio di output Y = { 1, 1} Training

Dettagli

L2 Elaborazione di immagini in C/C++

L2 Elaborazione di immagini in C/C++ L2 Elaborazione di immagini in C/C++ Corso di Visione Artificiale Ing. Luca Mazzei AA 2009/2010 Visione Artificiale 2 Formato immagini Utilizziamo il formato PGM PPM P4 = PBM P5 = PGM P6 = PPM P5 320 240

Dettagli

Estrazione di feature locali per il riconoscimento del volto

Estrazione di feature locali per il riconoscimento del volto Estrazione di feature locali per il riconoscimento del volto Simone Buoncompagni Università di Bologna (sede di Cesena) Facoltà di Scienze Matematiche, Fisiche e Naturali Laurea Magistrale in Scienze e

Dettagli

Tecniche di riconoscimento statistico

Tecniche di riconoscimento statistico On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 10 Combinazione di classificatori Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr

Dettagli

ROBOTICA E ANIMAZIONE DIGITALE LABORATORIO -VISIONE - Prof. N. Alberto Borghese

ROBOTICA E ANIMAZIONE DIGITALE LABORATORIO -VISIONE - Prof. N. Alberto Borghese ROBOTICA E ANIMAZIONE DIGITALE LABORATORIO -VISIONE - Dott. Paolo Tirelli Prof. N. Alberto Borghese Dott. Paolo Tirelli Prof. N. Alberto Borgh hese AIBO CAMERA (1/2) Specifiche: Tecnologia CMOS Risoluzione:

Dettagli

Segmentazione di immagini in scala di grigio basata su clustering

Segmentazione di immagini in scala di grigio basata su clustering Segmentazione di immagini in scala di grigio basata su clustering Davide Anastasia, Nicola Cogotti 24 gennaio 06 1 Analisi del problema La segmentazione di immagini consiste nella suddivisione in un certo

Dettagli

Video Analysis (cenni) Annalisa Franco

Video Analysis (cenni) Annalisa Franco 1 Video Analysis (cenni) Annalisa Franco annalisa.franco@unibo.it http://bias.csr.unibo.it/vr/ 2 Visual motion Un video è una sequenza di frame catturati nel corso del tempo Il valori dell immagine sono

Dettagli

Esercitazione 8: Spazi Colore

Esercitazione 8: Spazi Colore Laboratorio di Immagini Esercitazione 8: Spazi Colore Sir. Mauro Zucchelli 19/05/2016 Colori RGB In MATLAB di default quando viene letta un immagine a colori viene caricata nello spazio RGB Red Green Blue

Dettagli

Image Elaboration. Image Processing

Image Elaboration. Image Processing Image Elaboration Immagine digitale Un immagine digitale può essere rappresentata come una matrice con un prefissato numero di righe e colonne che ne determinano la risoluzione (campionamento). L'unità

Dettagli

INTRODUZIONE ALLA PROGRAMMAZIONE

INTRODUZIONE ALLA PROGRAMMAZIONE INTRODUZIONE ALLA PROGRAMMAZIONE Prof. Enrico Terrone A. S: 2008/09 Definizioni Programmare significa risolvere problemi col computer, cioè far risolvere problemi al computer attraverso un insieme di informazioni

Dettagli

Fondamenti di Elaborazione di Immagini Morfologia Matematica. Raffaele Cappelli

Fondamenti di Elaborazione di Immagini Morfologia Matematica. Raffaele Cappelli Fondamenti di Elaborazione di Immagini Morfologia Matematica Raffaele Cappelli raffaele.cappelli@unibo.it Contenuti Introduzione alla morfologia matematica Notazione e concetti di base Gli operatori di

Dettagli

Introduzione alla libreria di classi BioLab. Raffaele Cappelli

Introduzione alla libreria di classi BioLab. Raffaele Cappelli Introduzione alla libreria di classi BioLab Raffaele Cappelli raffaele.cappelli@unibo.it Contenuti Introduzione Dati Classe Data Immagini Algoritmi Interfaccia IAlgorithm Attributi, eventi ed eccezioni

Dettagli

Immagini digitali. Annalisa Franco

Immagini digitali. Annalisa Franco Immagini digitali Annalisa Franco annalisa.franco@unibo.it http://bias.csr.unibo.it/vr/ 2 Formazione dell immagine Immagine tratta dal testo Digital Image Processing (Gonzalez, Woods). Immagini Un immagine

Dettagli

Confronto tra due algoritmi di machine learning, Random Forest e Support Vector Machine, applicati al telerilevamento da drone

Confronto tra due algoritmi di machine learning, Random Forest e Support Vector Machine, applicati al telerilevamento da drone Confronto tra due algoritmi di machine learning, Random Forest e Support Vector Machine, applicati al telerilevamento da drone AIT - ENEA 11 WORKSHOP TEMATICO Osservazione della Terra: Georisorse, Risorse

Dettagli

Classificazione Mario Guarracino Data Mining a.a. 2010/2011

Classificazione Mario Guarracino Data Mining a.a. 2010/2011 Classificazione Mario Guarracino Data Mining a.a. 2010/2011 Introduzione I modelli di classificazione si collocano tra i metodi di apprendimento supervisionato e si rivolgono alla predizione di un attributo

Dettagli

Introduzione al linguaggio C Primi programmi

Introduzione al linguaggio C Primi programmi Introduzione al linguaggio C Primi programmi Violetta Lonati Università degli studi di Milano Dipartimento di Scienze dell Informazione Laboratorio di algoritmi e strutture dati Corso di laurea in Informatica

Dettagli

Fuzzy image segmentation

Fuzzy image segmentation Fuzzy image segmentation G. Castellano 1 Segmentazione di immagini La descrizione per pixel di una immagine è troppo complessa per essere utile in applicazioni pratiche Il primo passo per ottenere una

Dettagli

Prova di Laboratorio del [ Corso A-B di Programmazione (A.A. 2004/05) Esempio: Media Modalità di consegna:

Prova di Laboratorio del [ Corso A-B di Programmazione (A.A. 2004/05) Esempio: Media Modalità di consegna: Prova di Laboratorio del 12.1.2005 [durata 90 min.] Corso A-B di Programmazione (A.A. 2004/05) 1. Leggere da tastiera un insieme di numeri interi ed inserirli in un vettore A 2. Calcolare tramite una funzione

Dettagli

Le immagini sono array. I diversi elemen2 dell array descrivono i valori dei diversi pixel.

Le immagini sono array. I diversi elemen2 dell array descrivono i valori dei diversi pixel. Immagini Le immagini sono array. I diversi elemen2 dell array descrivono i valori dei diversi pixel. Le immagini possono essere: Logiche a 8 bit (uint8) a 16 bit (uint16) double, 64 bit (default) Le immagini

Dettagli

Preprocessing. Corso di AA, anno 2017/18, Padova. Fabio Aiolli. 27 Novembre Fabio Aiolli Preprocessing 27 Novembre / 14

Preprocessing. Corso di AA, anno 2017/18, Padova. Fabio Aiolli. 27 Novembre Fabio Aiolli Preprocessing 27 Novembre / 14 Preprocessing Corso di AA, anno 2017/18, Padova Fabio Aiolli 27 Novembre 2017 Fabio Aiolli Preprocessing 27 Novembre 2017 1 / 14 Pipeline di Apprendimento Supervisionato Analisi del problema Raccolta,

Dettagli

Esercitazione n 2. Obiettivi

Esercitazione n 2. Obiettivi Esercitazione n 2 Obiettivi Progettazione di una applicazione Java Utilizzo di classi come schemi Utilizzo di costruttori Utilizzo di stringhe/array Uguaglianza tra oggetti Utilizzo di classi come componenti

Dettagli

Introduzione alla compilazione ed esecuzione di programmi C con IDE Dev-C++

Introduzione alla compilazione ed esecuzione di programmi C con IDE Dev-C++ Introduzione alla compilazione ed esecuzione di programmi C con IDE Dev-C++ Università degli Studi di Brescia Elementi di Informatica e Programmazione Università di Brescia 1 Sviluppo di un programma C

Dettagli

Informatica per Statistica Riassunto della lezione del 21/10/2011

Informatica per Statistica Riassunto della lezione del 21/10/2011 Informatica per Statistica Riassunto della lezione del 1/10/011 Igor Melatti Costrutti del linguaggio C: ripasso Si consideri il programma C alla Figura 1 ci sono due dichiarazioni di funzioni, insertion

Dettagli

Fondamenti di Informatica

Fondamenti di Informatica Fondamenti di Informatica rogrammazione in MATLAB Gestione File Grafici E s e rc i t a z i o n e e r C a s a 2 r o f. R a f f a e l e i z zo l a n t e A. A. 2 0 1 6 / 1 7 M unteggio 5 3 2 4 7 3 3 2 1 9

Dettagli

Apprendimento Automatico Esercitazione 15/04/2009 Prof. Roberto Navigli

Apprendimento Automatico Esercitazione 15/04/2009 Prof. Roberto Navigli Apprendimento Automatico Esercitazione 15/04/2009 Prof. Roberto Navigli Esercizio 1 Si vuole apprendere un classificatore Naive Bayes per le interrogazioni di un motore di ricerca. Ogni interrogazione

Dettagli

Le immagini sono array. I diversi elemen2 dell array descrivono i valori dei diversi pixel.

Le immagini sono array. I diversi elemen2 dell array descrivono i valori dei diversi pixel. Immagini Le immagini sono array. I diversi elemen2 dell array descrivono i valori dei diversi pixel. Le immagini possono essere: Logiche a 8 bit (uint8) a 16 bit (uint16) double, 64 bit (default) Le immagini

Dettagli

Estrazione di feature: segmentazione. Annalisa Franco

Estrazione di feature: segmentazione. Annalisa Franco Estrazione di feature: segmentazione Annalisa Franco annalisa.franco@unibo.it http://bias.csr.unibo.it/vr/ 2 Estrazione delle Caratteristiche L approccio statistico richiede il mapping di un pattern in

Dettagli

L'Informazione e la sua Codifica. Maurizio Palesi

L'Informazione e la sua Codifica. Maurizio Palesi L'Informazione e la sua Codifica Maurizio Palesi 1 Obiettivo Il calcolatore è una macchina digitale Il suo linguaggio è composto da due soli simboli Gli esseri umani sono abituati a comunicare utlizzando

Dettagli

COMPUTER VISION: VERSO UN RICONOSCIMENTO AUTOMATICO DEI GESTI COMUNICATIVI

COMPUTER VISION: VERSO UN RICONOSCIMENTO AUTOMATICO DEI GESTI COMUNICATIVI POLITECNICO DI BARI CORSO DI LAUREA IN INGEGNERIA INFORMATICA TESI DI LAUREA IN SISTEMI PER LA PROGETTAZIONE AUTOMATICA COMPUTER VISION: VERSO UN RICONOSCIMENTO AUTOMATICO DEI GESTI COMUNICATIVI Relatore:

Dettagli

IIS Via Silvestri ITIS Volta Programma svolto di Tecnologie Informatiche A.S. 2016/17 Classe 1 B

IIS Via Silvestri ITIS Volta Programma svolto di Tecnologie Informatiche A.S. 2016/17 Classe 1 B IIS Via Silvestri ITIS Volta Programma svolto di Tecnologie Informatiche A.S. 2016/17 Classe 1 B Modulo n 1 - Concetti informatici di base 1.1 Introduzione allo studio del computer 1.2 Rappresentazione

Dettagli

Indice Introduzione I fondamenti di C#

Indice Introduzione I fondamenti di C# Indice Introduzione XV Capitolo 1 I fondamenti di C# 1 1.1 L albero genealogico di C# 2 C: l inizio dell era moderna della programmazione 2 La creazione di OOP e C++ 3 La nascita di Internet e Java 4 La

Dettagli

Segmentazione mediante ricerca di forme. Paola Campadelli

Segmentazione mediante ricerca di forme. Paola Campadelli Segmentazione mediante ricerca di forme Paola Campadelli Segmentazione mediante ricerca di forme Template deformabili (Yuille et al. 92) Contorni deformabili (Kaas et al. 87) GVF Snakes (Xu et al. 98)

Dettagli

1.1. Analisi di tessitura di dati telerilevati ad alta risoluzione spaziale

1.1. Analisi di tessitura di dati telerilevati ad alta risoluzione spaziale Dott. FEDERIO US RELZIONE SULL'TTIVIT' E LE RIERHE SVOLTE LL ONLUSIONE DEL PRIMO NNO DEL XVIII ILO DEL ORSO DI DOTTORTO DI RIER IN SIENZE E INGEGNERI DELLO SPZIO 1. TEMTIHE DI RIER La principale tematica

Dettagli

Corso di Laurea Specialistica in Ingegneria Informatica. Correlatore: Ing. Andrea Claudi

Corso di Laurea Specialistica in Ingegneria Informatica. Correlatore: Ing. Andrea Claudi Corso di Laurea Specialistica in Ingegneria Informatica Candidato: Gianluca Dolcini Relatore: Prof. Aldo Franco Dragoni Correlatore: Ing. Andrea Claudi Scenario: identificazione di volti per monitoraggio

Dettagli

Progetto Web Math. prof. Roberto Fuligni. Istituto Tecnico Tecnologico Giacomo Fauser - Novara

Progetto Web Math. prof. Roberto Fuligni. Istituto Tecnico Tecnologico Giacomo Fauser - Novara Progetto Web Math prof. Roberto Fuligni Istituto Tecnico Tecnologico Giacomo Fauser - Novara Web Math Applicazione di rete per la rappresentazione grafica di funzioni matematiche Architettura client/server

Dettagli

Primi programmi in C

Primi programmi in C Università degli studi di Milano Dipartimento di Scienze dell Informazione Laboratorio di algoritmi e strutture dati Corso di laurea in Informatica In breve Uso del compilatore gcc Struttura di un programma

Dettagli

Architettura del computer e Sistema operativo. Nozioni di base per l'uso di un PC connesso ad Internet;

Architettura del computer e Sistema operativo. Nozioni di base per l'uso di un PC connesso ad Internet; Programma del corso Nozioni di base sui sistemi operativi; Architettura del computer e Sistema operativo Reti e Web Nozioni di base per l'uso di un PC connesso ad Internet; Nozioni di base sugli strumenti

Dettagli

COGNOME E NOME (IN STAMPATELLO) MATRICOLA

COGNOME E NOME (IN STAMPATELLO) MATRICOLA Politecnico di Milano Facoltà di Ingegneria dell Informazione Informatica 3 Proff. Campi, Ghezzi, Matera e Morzenti Seconda prova in itinere 4 Luglio 2006 COGNOME E NOME (IN STAMPATELLO) MATRICOLA Risolvere

Dettagli

2. Finalità generali previste dalle indicazioni nazionali

2. Finalità generali previste dalle indicazioni nazionali 2. Finalità generali previste dalle indicazioni nazionali Le Linee Guida ministeriali per i curricola del Secondo biennio dell Istituto Tecnico Tecnologico, Indirizzo Informatica e Telecomunicazioni -

Dettagli

Riconoscimento automatico di oggetti (Pattern Recognition)

Riconoscimento automatico di oggetti (Pattern Recognition) Riconoscimento automatico di oggetti (Pattern Recognition) Scopo: definire un sistema per riconoscere automaticamente un oggetto data la descrizione di un oggetto che può appartenere ad una tra N classi

Dettagli

La codifica e l analisi aggregata dei dati

La codifica e l analisi aggregata dei dati La codifica e l analisi aggregata dei dati SEMINARIO SULLA IN-DEPTH INVESTIGATION ASTRAL, 03/05/2018 D S Usami, M Robibaro, M Seri Fare clic per modificare lo stile del Sommario titolo a. Il SIDAI sistema

Dettagli

Università degli Studi della Calabria

Università degli Studi della Calabria Università degli Studi della Calabria Facoltà di Scienze Politiche CORSO DI FONDAMENTI DI INFORMATICA I A.A 2007/2008 Docente : Ing. Francesco Folino 1 INFORMAZIONI UTILI 2 Docente: Ing. Francesco Folino

Dettagli

Operazioni puntuali. Tipi di elaborazioni Operatori puntuali Look Up Table Istogramma

Operazioni puntuali. Tipi di elaborazioni Operatori puntuali Look Up Table Istogramma Tipi di elaborazioni Operatori puntuali Look Up Table Istogramma Analisi di Basso Livello In ingresso abbiamo le immagini provenienti dai sensori. In uscita si hanno un insieme di matrici ognuna delle

Dettagli

Impiego della concept analisys nella classificazione di pagine web ai fini del reverse engineering

Impiego della concept analisys nella classificazione di pagine web ai fini del reverse engineering tesi di laurea Impiego della concept analisys nella classificazione di pagine web ai fini del reverse engineering Anno Accademico 2005/2006 relatore Ch.ma prof. Anna Rita Fasolino correlatore Ch.mo prof.

Dettagli

Cenni di fotogrammetria LE IMMAGINI DIGITALI

Cenni di fotogrammetria LE IMMAGINI DIGITALI Cenni di fotogrammetria LE IMMAGINI DIGITALI Hardcopy fotogrammetry: è la fotogrammetria che usa immagini di tipo analogico Softcopy fotogrammetry: è la fotogrammetria che usa immagini di tipo digitale

Dettagli

$$%&' ( ' $ % Modulo 2 SISTEMI DI TELERILEVAMENTO E TECNICHE DI TRATTAMENTO IMMAGINI. Università della Basilicata

$$%&' ( ' $ % Modulo 2 SISTEMI DI TELERILEVAMENTO E TECNICHE DI TRATTAMENTO IMMAGINI. Università della Basilicata Modulo 2 SISTEMI DI TELERILEVAMENTO E TECNICHE DI TRATTAMENTO IMMAGINI DATI Cartella di lavoro: Desktop/CorsoAIB/Eserc_Modulo2 Dati presenti: immagine LANDSAT - TM (27_giu_1998_TM.pix) immagini NOAA-AVHRR

Dettagli

Compressione lossless di immagini composite

Compressione lossless di immagini composite Compressione lossless di immagini composite Corso di Compressione Dati Sistemi Multimediali Compressi Compression Team Prof. Bruno Carpentieri A.A. 2007/2008 Overview Introduzione Analisi del problema

Dettagli

SOMMARIO. Introduzione

SOMMARIO. Introduzione 02-Sommario_FLCS3.qxd 18-11-2009 11:48 Pagina V Introduzione 1 Reperire e installare Flash CS3 1 Verificare i requisiti del tuo computer 2 Requisiti di sistema per creare filmati Flash 2 Reperire Flash

Dettagli

Fondamenti di informatica T-1 (A K) Esercitazione 3: assegnamento e variabili

Fondamenti di informatica T-1 (A K) Esercitazione 3: assegnamento e variabili Fondamenti di informatica T-1 (A K) Esercitazione 3: assegnamento e variabili A.A. 2018/2019 Tutor Lorenzo Rosa lorenzo.rosa@unibo.it 2 Esercitazione 3 Introduzione al calcolatore e Java Linguaggio Java,

Dettagli

Cenni di fotogrammetria LE IMMAGINI DIGITALI

Cenni di fotogrammetria LE IMMAGINI DIGITALI Cenni di fotogrammetria LE IMMAGINI DIGITALI Hardcopy fotogrammetry: è la fotogrammetria che usa immagini di tipo analogico Softcopyfotogrammetry: è la fotogrammetria che usa immagini di tipo digitale

Dettagli

Fondamenti di Elaborazione di Immagini Topologia Digitale. Raffaele Cappelli

Fondamenti di Elaborazione di Immagini Topologia Digitale. Raffaele Cappelli Fondamenti di Elaborazione di Immagini Topologia Digitale Raffaele Cappelli raffaele.cappelli@unibo.it Contenuti Metriche e distanze Trasformata distanza Contorno di un oggetto Etichettatura delle componenti

Dettagli

Intelligenza Artificiale Complementi ed Esercizi

Intelligenza Artificiale Complementi ed Esercizi Intelligenza Artificiale Complementi ed Esercizi Reti Neurali AA 2013-2014 Il riconoscimento dei caratteri scritti a mano Handwritten Recognition Il problema Data una cifra scritta a mano, riconoscere

Dettagli

Acquisizione dei dati: ritaglio per il multiscala.

Acquisizione dei dati: ritaglio per il multiscala. Corso di Aggiornamento in DB Topografici Acquisizione dei dati: ritaglio per il multiscala. Claudio Rocchini Istituto Geografico Militare Sequenza di Operazioni 1. Conversione (eventuale) in formato shape.

Dettagli

Esercizi di introduzione alla programmazione

Esercizi di introduzione alla programmazione Esercizi di introduzione alla programmazione Federico Reghenzani Informatica ed Elementi di Informatica Medica 2017-18 1 Esercizi di codifica 1.1 Conversione da base 10 a un altra base Trovare x: 203 10

Dettagli

Fondamenti di informatica 2 Claudio Biancalana. Esercitazione capitolo 19 Array

Fondamenti di informatica 2 Claudio Biancalana. Esercitazione capitolo 19 Array Fondamenti di informatica 2 Claudio Biancalana Esercitazione capitolo 19 Array Contatti claudio.biancalana@dia.uniroma3.it Contenuto esercitazione Ricerca sequenziale Progettazione e Divide et Impera 2

Dettagli

Università degli studi di Catania Corso di Laurea in Informatica COMPUTER FORENSICS 2010/2011. Prof. S.Battiato. Relazione del progetto:

Università degli studi di Catania Corso di Laurea in Informatica COMPUTER FORENSICS 2010/2011. Prof. S.Battiato. Relazione del progetto: Università degli studi di Catania Corso di Laurea in Informatica COMPUTER FORENSICS 2010/2011 Prof. S.Battiato Relazione del progetto: Estensione del software ImageJ con un plugin che implementa l equalizzazione

Dettagli

Integrazione tra simulazione numerica e dati reali in procedure automatiche di collaudo

Integrazione tra simulazione numerica e dati reali in procedure automatiche di collaudo Integrazione tra simulazione numerica e dati reali in procedure automatiche di collaudo Multisim Connectivity Toolkit Studente: Moreno Favaro mtr:545282 Relatore: Ch.mo prof. A. Sona Università degli studi

Dettagli

INFORMATICA A. Titolo presentazione sottotitolo. Laboratorio n 5 Dott. Michele Zanella Ing. Gian Enrico Conti

INFORMATICA A. Titolo presentazione sottotitolo. Laboratorio n 5 Dott. Michele Zanella Ing. Gian Enrico Conti INFORMATICA A Titolo presentazione sottotitolo A.A. 2018-19 Milano, XX mese 20XX Laboratorio n 5 Dott. Michele Zanella Ing. Gian Enrico Conti File I/O I file rappresentano una sequenza di byte, siano essi

Dettagli

Javascript. - Corso Web Design - Media Dream Academy. Stefano Gaborin

Javascript. - Corso Web Design - Media Dream Academy. Stefano Gaborin Javascript - Corso Web Design - Media Dream Academy Stefano Gaborin stefano.gaborin@above.company www.above.company Cos è Javascript? JavaScript è un linguaggio di programmazione interpretato. Utilizzato

Dettagli

Lab 1 Info B. Marco D. Santambrogio Riccardo Cattaneo Ver. aggiornata al 12 O0obre 2013

Lab 1 Info B. Marco D. Santambrogio Riccardo Cattaneo Ver. aggiornata al 12 O0obre 2013 Lab 1 Info B Marco D. Santambrogio marco.santambrogio@polimi.it Riccardo Cattaneo cattaneo@elet.polimi.it Ver. aggiornata al 12 O0obre 2013 Obiettivi Imparare ad usare l ambiente di sviluppo Cosa è e come

Dettagli

Docente : Carla BIASCA, Loris RUGGERI

Docente : Carla BIASCA, Loris RUGGERI ISTITUTO DI ISTRUZIONE SUPERIORE J.C. MAXWELL Data: 30 maggio 2016 Pag. 1 di 5 Materia: TECNOLOGIE INFORMATICHE Docente : Carla BIASCA, Loris RUGGERI Classe : 1BI Terminologia specifica nel contesto dell'informatica

Dettagli

Linguaggio macchina. 3 tipi di istruzioni macchina. Istruzioni per trasferimento dati. Istruzioni logico/aritmetiche

Linguaggio macchina. 3 tipi di istruzioni macchina. Istruzioni per trasferimento dati. Istruzioni logico/aritmetiche 3 tipi di istruzioni macchina Linguaggio macchina e assembler 1) trasferimento tra RAM e registri di calcolo della CPU 2) operazioni aritmetiche: somma, differenza, moltiplicazione e divisione 3) operazioni

Dettagli

CODICI CONVOLUZIONALI PUNTURATI

CODICI CONVOLUZIONALI PUNTURATI Con un unico decodificatore si possono ottenere vari tassi. Partendo da un unico codice convoluzionale madre di tasso 1/2, si ottiene un insieme di codici convoluzionali di tasso k/n, con k>1. Vantaggi:

Dettagli

Corso di Informatica di Base

Corso di Informatica di Base Corso di Informatica di Base A.A. 2011/2012 Algoritmi e diagrammi di flusso Luca Tornatore Cos è l informatica? Calcolatore: esecutore di ordini o automa Programma: insieme di istruzioni che possono essere

Dettagli

Fondamenti di Informatica

Fondamenti di Informatica Fondamenti di nformatica Strutture Selettive, terative, Gestione File e Grafici in MATLAB: Esercitazione 6 Prof. Arcangelo Castiglione A.A. 2016/17 ncasso Orario 8 10 5 n questa esercitazione verranno

Dettagli

FILE BINARI. 8QILOHELQDULRqXQDVHTXHQ]DGLE\WH

FILE BINARI. 8QILOHELQDULRqXQDVHTXHQ]DGLE\WH FILE BINARI 8QILOHELQDULRqXQDSXUDVHTXHQ]DGLE\WH VHQ]DDOFXQDVWUXWWXUD]LRQHSDUWLFRODUH ÊXQDVWUD]LRQHGLPHPRUL]]D]LRQHDVVROX WDPHQWHJHQHUDOHXVDELOHSHUPHPRUL]]D UHVXILOHLQIRUPD]LRQLGLTXDOVLDVLQDWXUD IRWRJUDILHGHOODPHPRULD

Dettagli

Fondamenti di Informatica

Fondamenti di Informatica Fondamenti di nformatica Esercitazione 14 Model lazione e Risoluzione di Problemi mediante MALAB Prof. Arcangelo Castiglione A.A. 2017/18 tipo_ n questa esercitazione verrà utilizzata una matrice P, una

Dettagli

QUANTIZZATORE VETTORIALE

QUANTIZZATORE VETTORIALE QUANTIZZATORE VETTORIALE Introduzione Nel campo delle reti neurali, la scelta del numero di nodi nascosti da usare per un determinato compito non è sempre semplice. Per tale scelta potrebbe venirci in

Dettagli

Fondamenti di Informatica Ing. Biomedica

Fondamenti di Informatica Ing. Biomedica Fondamenti di Informatica Ing. Biomedica Esercitazione n.9 Stringhe & Algoritmi di ordinamento Antonio Arena antonio.arena@ing.unipi.it Stringhe Fondamenti di Informatica - Esercitazione n.9 2 In C++ non

Dettagli

GESTIONE DEGLI ERRORI

GESTIONE DEGLI ERRORI GESTIONE DEGLI ERRORI Spesso vi sono istruzioni critiche, che in certi casi possono produrre errori L approccio classico consiste nell inserire controlli (if else..) per cercare di intercettare a priori

Dettagli

Fondamenti di Informatica 1. Prof. B.Buttarazzi A.A. 2010/2011

Fondamenti di Informatica 1. Prof. B.Buttarazzi A.A. 2010/2011 Fondamenti di Informatica 1 Prof. B.Buttarazzi A.A. 2010/2011 Sommario API di Java Istruzione di scrittura Istruzione di lettura 21/03/2011 2 API di Java Java è un linguaggio orientato agli oggetti basato

Dettagli

Pag. 1. La formalizzazione dell informazione: Dati e Diagrammi di Flusso. Codifica degli algoritmi

Pag. 1. La formalizzazione dell informazione: Dati e Diagrammi di Flusso. Codifica degli algoritmi 1 Università degli studi di Parma Dipartimento di Ingegneria dell Informazione Informatica a.a. 2012/13 Informatica Facoltà di Medicina Veterinaria a.a. 2012/13 prof. Stefano Cagnoni La formalizzazione

Dettagli

Introduzione al Linguaggio C

Introduzione al Linguaggio C INFORMATICA 1 Lezione 3 (Introduzione al Linguaggio C, Introduzione ai Tipi di dato, Cenni alla codifica binaria) Introduzione al Linguaggio C 1 Passi fondamentali del C Definito nel 1972 (AT&T Bell Labs)

Dettagli

Computazione per l interazione naturale: classificazione probabilistica

Computazione per l interazione naturale: classificazione probabilistica Computazione per l interazione naturale: classificazione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2016.html

Dettagli

AIBO Sony Introduzione alla gestione delle immagini

AIBO Sony Introduzione alla gestione delle immagini AIBO Sony Introduzione alla gestione delle immagini Laura D Angelo e Igor Colombo Laboratory of Applied Intelligent Systems (AIS-Lab) Versione 1.3 14 th December 2004 1 Sommario Il documento si propone

Dettagli

F. Milotta Ph.D. Student

F. Milotta Ph.D. Student F. Milotta Ph.D. Student milotta@dmi.unict.it Le immagini digitali Rappresentazione delle immagini digitali Luce incidente e luce riflessa Immagini vettoriali e raster Operazioni affini sulle immagini

Dettagli

Premessa. Input /output e gestione dei file. I file e gli stream. Il puntatore al file. 21. I FILE NEL LINGUAGGIO C Versione 1.

Premessa. Input /output e gestione dei file. I file e gli stream. Il puntatore al file. 21. I FILE NEL LINGUAGGIO C Versione 1. Input /output e gestione dei file Premessa Iniziamo la lezione dicendo subito che per INPUT/OUTPUT si intende l insieme delle operazioni di ingresso ed uscita, ossia lo scambio di informazioni tra il programma

Dettagli

Riconoscimento e proiezione di oggetti su un ambiente virtuale

Riconoscimento e proiezione di oggetti su un ambiente virtuale Relazione Progetto Sistemi Intelligenti anno 2012/2013 Riconoscimento e proiezione di oggetti su un ambiente virtuale Miguel Rosales, Laura Musica 1. Introduzione Lo sviluppo della tecnologia Microsoft

Dettagli

Naïve Bayesian Classification

Naïve Bayesian Classification Naïve Bayesian Classification Di Alessandro rezzani Sommario Naïve Bayesian Classification (o classificazione Bayesiana)... 1 L algoritmo... 2 Naive Bayes in R... 5 Esempio 1... 5 Esempio 2... 5 L algoritmo

Dettagli

Fondamenti di Informatica

Fondamenti di Informatica Fondamenti di nformatica Strutture Selettive, terative, Gestione File e Grafici in MALAB: Esercizi (eatro) Prof. Arcangelo Castiglione A.A. 2016/17 tipo_ n questa esercitazione verranno utilizzate una

Dettagli

Fondamenti di Informatica

Fondamenti di Informatica Fondamenti di nformatica Strutture Selettive, terative, Gestione File e Grafici in MALAB: Esercizi (eatro) Prof. Arcangelo Castiglione A.A. 2016/17 n questa esercitazione verranno utilizzate una matrice

Dettagli

Fondamenti di Informatica

Fondamenti di Informatica Fondamenti di Informatica Programmazione in MATLAB Gestione File Grafici E s e rc i t a z i o n i Pe r C a s a P r o f. R a f f a e l e P i z zo l a n t e A. A. 2 0 1 6 / 1 7 Esercitazioni per Casa Indice

Dettagli

Prof. Pagani Corrado INTRODUZIONE AL LINGUAGGIO C

Prof. Pagani Corrado INTRODUZIONE AL LINGUAGGIO C Prof. Pagani Corrado INTRODUZIONE AL LINGUAGGIO C IL LINGUAGGIO C Nel 1972 Dennis Ritchie nei Bell Laboratories progettò il linguaggio C Il linguaggio possiede tutti i costrutti di controllo dei linguaggi

Dettagli

Esercitazione n 2. Obiettivi

Esercitazione n 2. Obiettivi Esercitazione n 2 Obiettivi Progettazione di una applicazione Java Utilizzo di classi come schemi Utilizzo di costruttori Utilizzo di stringhe Uguaglianza tra oggetti Utilizzo di classi come componenti

Dettagli

Fondamenti di Informatica

Fondamenti di Informatica Fondamenti di Informatica (L-Z) Corso di Laurea in Ingegneria Gestionale Introduzione alla Programmazione Prof. Stefano Mariani Dott. Alket Cecaj Indice Il concetto di algoritmo Algoritmo vs. programma

Dettagli

Progetto e ottimizzazione di reti 2

Progetto e ottimizzazione di reti 2 Progetto e ottimizzazione di reti 2 Esercitazione AMPL A.A. 2009-2010 Esercitazione a cura di Silvia Canale contatto e-mail: canale@dis.uniroma1.it Università di Roma La Sapienza Dipartimento di Informatica

Dettagli

Prof. Pagani Corrado ALGORITMI ESERCITAZIONI ARRAY

Prof. Pagani Corrado ALGORITMI ESERCITAZIONI ARRAY Prof. Pagani Corrado ALGORITMI ESERCITAZIONI ARRAY ESERCIZI ARRAY 1 1. Dato un vettore composto da 10 numeri interi (assegnati direttamente da codice o letti da tastiera) determinare somma e media. 2.

Dettagli

Introduzione alla Programmazione in C#

Introduzione alla Programmazione in C# Introduzione alla Programmazione in C# con approccio Object-First + Project-Driven Per cominciare si pensa ad un programma che calcoli il volume di una sfera. Innanzitutto si pensa ai moduli componenti

Dettagli

Rappresentazione dei numeri naturali. La codifica associa alle informazioni dell alfabeto sorgente uno o più simboli dell alfabeto codice:

Rappresentazione dei numeri naturali. La codifica associa alle informazioni dell alfabeto sorgente uno o più simboli dell alfabeto codice: Rappresentazione dei numeri naturali La codifica associa alle informazioni dell alfabeto sorgente uno o più simboli dell alfabeto codice: 1 I 0001 / 2 II 0010 // 3 III 0011 /// 4 IV 0100 //// 5 V 0101

Dettagli

Fondamenti di Informatica T-1

Fondamenti di Informatica T-1 Fondamenti di Informatica T-1 Stringhe e Istruzioni di selezione Tutor: Angelo Feraudo angelo.feraudo2@unibo.it a.a. 2018/2019 Fondamenti di Informatica T-1 Angelo Feraudo 1 / 24 STRINGHE: Definizione

Dettagli