Edge e Segmentazione
|
|
- Simone Vacca
- 5 anni fa
- Visualizzazioni
Transcript
1 Edge e Segmentazione Stefano Ferrari Università degli Studi di Milano stefanoferrari@unimiit Tecniche di calcolo e sistemi operativi e informatica anno accademico Segmentazione di immagini Molte applicazioni basate sull analisi di immagini richiedono l individuazione di oggetti sulla scena Ciò richiede la corretta attribuzione dei pixel a ciascun oggetto Un passo fondamentale è la segmentazione dell immagine Due criteri per il partizionamento: discontinuità; similarità Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 1
2 Descrizione formale della segmentazione La segmentazione di una immagine può essere definita come il partizionamento della regione R descritta nell immagine in n sottoregioni, R 1,, R n, tali che: n i=1 R i = R R i è connesso, i = 1,, n R i R j =, i, j, i j Q(R i ) = VERO, i = 1,, n Q(R i R j ) = FALSO, per ogni coppia di regioni adiacenti R i e R j dove Q è un predicato logico definito sui punti della regione considerata Segmentazione basata sugli edge a b c (a) Immagine composta da oggetto e sfondo, entrambi a intensità costante (b) Le discontinuità sono individuate facilmente e il borso viene trovato (c) Q(R) può essere definito VERO sse tutti i pixel di R sono sullo stesso lato del bordo Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 2
3 Segmentazione basata sulla regione a b c (a) Un immagine composta da un oggetto con texture e sfondo a intensità costante (b) Le discontinuità formano un pattern intricato di piccoli bordi (c) L immagine in (a) può essere suddivisa in regioni 4 4 e ogni regione marcata a decondo della sua deviazione standard Individuazione di discontinuità punti di discontinuità brusche variazioni locali di intensità edge insieme connesso di punti di discontinuità line regione sottile con cambiamenti di intensità in entrambi i lati algoritmi di edge detection Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 3
4 Individuazione di discontinuità (2) le derivate sono gli strumenti più indicati approssimazioni (usando l espansione di Taylor): derivata prima: f derivata seconda x = f (x + 1) f (x) 2 f = f (x + 1) 2f (x) + f (x 1) x 2 Tipi di edge Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 4
5 Individuazione di punti isolati Il laplaciano è il più semplice operatore derivativo isotropico rispetto alle direzioni principali: Derivate parziali: 2 f = 2 f x f y 2 2 f x 2 = f (x + 1, y) 2f (x, y) + f (x 1, y) 2 f y 2 = f (x, y + 1) 2f (x, y) + f (x, y 1) Quindi, il laplaciano risulta essere: 2 f (x, y) = f (x + 1, y) + f (x 1, y) + f (x, y + 1) +f (x, y 1) 4f (x, y) Si possono aggiungere le derivate lungo le diagonali: 2 f (x, y) + f (x 1, y 1) + f (x + 1, y + 1) + f (x 1, y + 1) + f (x + 1, y 1) 4f (x, y) Sogliatura Viene considerata l immagine g ottenuta come: { 1, se g(x, y) = 2 f (x, y) T 0, altrimenti per un opportuna soglia T Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 5
6 Sogliatura (2) Laplaciano in presenza di linee Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 6
7 Maschere per l individuazione di linee Le quattro maschere consentono l individuazione della direzione principale dell edge Ogni pixel può essere associato alla direzione per la quale la risposta alla maschera corrispondente è maggiore Individuazione di direzioni specifiche Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 7
8 Modelli di egde Edge ideali Edge reali Edge a rampa Tipicamente, gli edge a rampa sono i più probabili (sfocatura) Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 8
9 Edge e rumore Edge e rumore (2) Smoothing per riduzione rumore Individuzione dei punti di edge potenziali Localizzazione degli edge Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 9
10 Individuazione degli edge Il gradiente di una funzione è il vettore delle derivate parziali Per una funzione bidimensionale, f (x, y): [ ] gx f grad(f ) = g y f x f y La magnitudo del gradiente, M(x, y) è: M(x, y) = mag( f ) = gx 2 + gy 2 Spesso approssimata come M(x, y) g x + g y Il vettore gradiente punta nella direzione della maggiore variazione: [ ] α(x, y) = tan 1 gy g x Edge e gradiente Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 10
11 Operatori derivativi derivate parziali operatori derivativi Operatori derivativi (2) edge diagonali Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 11
12 Esempi di uso del gradiente a I b d c e The images (b) and (c) are respectively the magnitude of the (Sobel) horizontal and vertical gradients of (a), while (d) and (e) are the magnitude and the angle of the gradient Esempi di uso del gradiente (2) I As well as noise, too small details can crowd the gradient image and make difficult the edge detection I Smoothing can handle this problem (a) Original image ( ) are smoothed with a 5 5 averaging filter (b-c) Horizontal and vertical gradients (Sobel) of (a) (d) Gradient magnitude (e-f) Diagonal Sobel gradients Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 12
13 Esempi di uso del gradiente (3) a b Thresholding can help in simplifying the edge detection (a) Thresholding at the 33% of the maximum value of the gradient (b) Thresholding the gradient of the smoothed image Edge detector di Marr-Hildreth La variazione di intesità è legata alla scala Filtrare l immagine con un filtro gaussiano di σ opportuna Calcolarne il Laplaciano Trovare gli zero-crossing La Gaussiana è smooth sia nello spazio, sia nella frequenza: meno possibilità di introdurre artefatti Il Laplaciano è isotropico: evita di dover usare maschere multiple Un semplice algoritmo di zero crossing considera un intorno per ogni pixel: se almeno due pixel opposti sono discordi, c è lo zero crossing; un ulteriore condizione sul valore assoluto della differenza degli opposti rende l individuazione più robusta Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 13
14 Edge detector di Marr-Hildreth (2) Edge detector di Marr-Hildreth (3) Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 14
15 Algoritmo di Canny L algoritmo di Canny risponde a tre criteri: Basso tasso di errore Edge ben localizzati Risposta puntuale per edge singolo Sfocatura con Gaussiana per attenuare il rumore Calcolo del gradiente per individuare la direzione dell edge Stima robusta della direzione (non maxima suppression): approssimazione alle quattro direzioni principali (orizzontale, verticale e diagonali) se almeno uno dei vicini nella direzione dell edge ha il valore del gradiente superiore, il pixel corrispondente nell immagine degli edge, g N viene posto a 0, altrimenti al valore del gradiente (solo punti di massimo) Algoritmo di Canny (2) Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 15
16 Algoritmo di Canny (3) Individuazione e collegamento degli edge: sogliatura con isteresi dei punti di edge: g NH (x, y) = g N (x, y) T H g NL (x, y) = g N (x, y) T L g NL (x, y) = g NL (x, y) g NH (x, y) g NH e g NL rispettivamente pixel di edge forti e deboli connessione: per ogni punto in g NH, marcare come validi tutti i punti in g NL 8-connessi al punto considerato al termine, eliminare da g NL i punti non validi unire g NH e g NL Confronto Marr vs Canny Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 16
17 Confronto Marr vs Canny (2) Edge linking Algoritmo locale: ogni punto è collegato ai punti adiacenti se la magnitudine e la direzione del gradiente nei punti considerati è simile Approssimazione poligonale: dato un insieme di punti di edge, si aggiungono via via i lati di una poligonale in modo che tutti i punti siano abbastanza vicini ad un segmento Trasformata di Hough: si trovano le rette più probabili Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 17
18 Edge linking locale Gradiente, edge orizzontali, edge verticali, unione degli edge orizzontali e verticali, risultato finale dopo assotigliamento morfologico Edge linking poligonale Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 18
19 Trasformata di Hough y = a x + b Problema per le rette verticali Trasformata di Hough (2) Notazione normale x cos θ + y sin θ = ρ Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 19
20 Trasformata di Hough (3) Quantizzazione dello spazio dei parametri θ-ρ Conteggio delle rette possibili Utilizzo di quelle più probabili Possibilità di aggiungere ulteriori vincoli (eg, direzione) Trasformata di Hough esempio Selezione dei punti di edge tramite l algoritmo di Canny Trasformata di Hough Selezione delle rette quasi verticali Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 20
21 Segmentazione per sogliatura Metodo più semplice per segmentare Ripartizione diretta dei pixel in base all intensità Sogliatura globale, per un opportuna soglia T : { 1, se f (x, y) > T g(x, y) = 0, se f (x, y) T Sogliatura variabile, se T non è costante durante l elaborazione Sogliatura locale o regionale, se T dipende da un intorno di (x, y) Sogliatura adattativa, se T è funzione di (x, y) Sogliatura multipla: a, se f (x, y) > T 2 g(x, y) = b, se T 1 < f (x, y) T 2 c, se f (x, y) T 1 Individuazione delle soglie La presenza di picchi e valli nell istogramma dell immagine facilita l individuazione delle soglie Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 21
22 Fattori in gioco Distanza tra i picchi Presenza di rumore Dimensioni relative di oggetti e sfondo Uniformità di illuminazione Uniformità di riflettanza di oggetti e sfondo Sogliatura in presenza di rumore Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 22
23 Sogliatura con illuminazione o riflettanza variabile Sogliatura globale 1 Stima di un valore iniziale di T 2 Segmentazione usando T : G1, pixel con intensità maggiore di T ; G2, pixel con intensità minore o uguale a T 3 Calcolo dell intensità media m 1 e m 2 di G 1 e G 2 4 Nuovo valore di soglia: T new = m 1 + m Se T T new > T, si riprende dal passo 2, altrimenti si termina Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 23
24 Sogliatura globale esempio Metodo di Otsu Basato sulla massimizzazione della varianza interclasse Classi ben sogliate hanno valori di intensità ben distinti Istogramma dell immagine M N: L livelli di intensità, [0,, L 1]; n i pixel di intensità i: Istogramma normalizzato: L 1 MN = p i = i=0 n i MN n i L 1 p i = 1, p i 0 i=0 Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 24
25 Metodo di Otsu (2) Se si usasse T = k, 0 < k < L 1, come soglia: due classi C1 (pixel in [0, k]) e C 2 (pixel in [k + 1, L 1]) P1 = P(C 1 ) = k i=0 p i, probabilità della classe C 1 P 2 = P(C 2 ) = L 1 i=k+1 p i = 1 P 1, probabilità della classe C 2 m1, intensità media dei pixel in C 1 : m 1 = = k i P(i C 1 ) i=0 k i=0 i P(C 1 i)p(i) P(C 1 ) = 1 k i p i P 1 i=0 dove P(C 1 i) = 1, P(i) = p i e P(C 1 ) = P 1 Metodo di Otsu (3) Analogamente, m 2, intensità media dei pixel in C 2 : m 2 = 1 P 2 L intensità media globale, m G : L 1 i=k+1 L 1 m G = i p i i=0 i p i mentre l intensità media fino al livello k, m: Si ha che: m = k i p i i=0 P 1 m 1 + P 2 m 2 = m G P 1 + P 2 = 1 Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 25
26 Metodo di Otsu (4) La varianza globale σ 2 G : L 1 σg 2 = (i m G ) 2 p i i=0 Si definisce la varianza interclasse, σ B : σ 2 B = P 1(m 1 m G ) 2 + P 2 (m 2 m G ) 2 = P 1 P 2 (m 1 m 2 ) 2 = (m G P 1 m) 2 P 1 (1 P 1 ) Si può stimare l efficienza della soglia T = k, η: η = σ2 B σ 2 G Metodo di Otsu (5) Le quantità necessarie al calcolo di η, si ottengono facilmente dall istogramma Quindi, si può calcolare η(k) per ogni k: η(k) = σ2 B (k) σ 2 G dove σ 2 B (k) = (m G P 1 (k) m(k)) 2 P 1 (k) (1 P 1 (k)) La soglia ottimale k viene individuata come: σ 2 B (k ) = max 0<k<L 1 σ2 B (k) Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 26
27 Metodo di Otsu esempio La sogliatura globale (T = 169) ha η = 0467, mentre il metodo di Otsu (T = 181) ha η = 0944 Smoothing Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 27
28 Significatività dell istogramma Se la proporzione tra i pixel dello sfondo e quelli degli oggetti da sementare è molto sbilanciata, l istogramma non è significativo: fornirà informazioni fuorvianti ai fini della segmentazione Uso dei contorni per la segmentazione Il laplaciano può essere utilizzato per selezionare i pixel significativi Quelli che appartengono agli oggetti ed allo sfondo al 50% Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 28
29 Uso dei contorni per la segmentazione (2) Variando la soglia del laplaciano, si ottengono segmentazioni differenti Metodo di Otsu con soglie multiple Il metodo di Otsu può essere applicato anche per segmentazione a sogliatura miltipla (tipicamente, doppia soglia) Varianza interclasse: σ 2 B (k 1, k 2 ) = P 1 (m 1 m G ) 2 + P 2 (m 2 m G ) 2 + P 3 (m 3 m G ) 2 Le soglia ottimali k 1 e k 2 vengono individuate come: σ 2 B (k 1, k 2 ) = La misura di separabilità: max 0<k 1 <k 2 <L 1 σ2 B (k 1, k 2 ) η(k 1, k 2 ) = σ2 B (k 1, k 2 ) σ 2 G Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 29
30 Metodo di Otsu con soglie multiple esempio Sogliatura basata su partizione di immagine L immagine viene partizionata e la sogliatura operata su ogni elemento della partizione Si suppone che in ogni elemento della partizione l illuminazione e la riflettenza sia uniforme In ogni elemento della partizione oggetti e sfondo devono essere rappresentati (significativamente) Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 30
31 Sogliatura basata su proprietà locali Si individuano dei criteri basati sulle proprietà (eg, statistiche) locali dell immagine Esempi: Txy = aσ xy + bm xy Txy = aσ xy + bm G La segmentazione è effettuata usando un opportuno predicato, Q xy : g(x, y) = { 1, se Qxy 0, altrimenti dove Q xy può essere, per esempio: f (x, y) > T xy f (x, y) > aσxy AND f (x, y) > bm xy Facilmente generalizzabile per segmentazione multiclasse Sogliatura basata su proprietà locali esempio (a) (c) (b) (d) (b): segmentazione Otsu doppia soglia; (c): deviazione standard locale (3 3); (d): segmentazione con sogliatura locale Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 31
32 Sogliatura con media mobile Si scansiona l immagine con percorsi a zig-zag e si calcola la media degli ultimi n pixel visitati Segmentazione per accrescimento Region growing è una tecnica iterativa basata sull accrescimento controllato di alcuni pixel iniziali (seed) La selezione dei seed può avvenire manualmente o tramite procedure automatiche basate su opportuni criteri Può includere della conoscenza a priori sul problema Può dipendere dall applicazione L accrescimento è basato sulla connettività La regola per decidere la terminazione è un altra caratteristica dell algoritmo Dipende dalla conoscenza a priori sul problema Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 32
33 Region growing algoritmo base Dati: f (x, y), immagine da segmentare; S(x, y), immagine binaria con i seed (vale 1 solo dove sono posti i seed); Q, predicato da applicare ad ogni locazione (x, y) Un semplice algoritmo di region growing basato sulla 8-connettività è il seguente: 1 Ridurre tutte le componenti connesse di S ad un pixel tramite erosione 2 Creare l immagine binaria f Q dove f Q (x, y) = 1 se Q(x, y) è vera 3 Creare l immagine binaria g dove g(x, y) = 1 se f (x, y) = 1 e (x, y) è 8-connesso ad un seed in S 4 Le componenti connesse in g sono le regioni segmentate per region growing Region growing esempio (a) (b) (c) (d) (e) (f) (g) (h) (i) (a) f (c) S(x, y) := f (x, y) > 254 (d) erosione di S (e) f S (h) f S > 68 (i) segmentazione per region growing con Q := f S <= 68 Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 33
34 Region splitting e merging Suddivisione iterativa dell immagine in regioni omogenee (splitting) Accorpamento delle regioni omogenee adiacenti (merging) Data un immagine f e un predicato Q, l algoritmo di base è: 1 R 1 = f 2 Suddivisione in quadranti di ogni regione R i per la quale Q(R i ) = FALSO 3 Se Q(R i ) = VERO per ogni regione, accorpamento delle regioni adiacenti R i e R j per le quali Q(R i R j ) = VERO; altrimenti, ripetere il punto 2 4 Ripetere il punto 3 finché possibile Partizionamento basato su quadtree Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 34
35 Splitting e merging esempio (a) (c) (b) (d) Q := σ > a AND 0 < m < b (b) (c) (b) 8 8 Watershed Basato su un interpretazione topografica dell immagine Si immagina una falda che sale dal terreno e riempie via via tutti i bacini Le dighe necessarie a tenere separati i bacini, individuano le regioni della segmentazione Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 35
36 Watershed (2) Watershed (3) Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 36
37 Costruzione delle dighe Costruzione delle dighe (2) Le dighe possono essere implementate ponendo a L il valore dei pixel corrispondenti (dove i livelli di intensità sono in [0, L 1]) Generalmente, l algoritmo watershed si applica al gradiente della funzione da segmentare Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 37
38 Watershed esempio Watershed con marker La presenza di rumore o di dettagli irrilevanti rende difficile l applicazione di watershed Spesso si preferisce limitare la procedura di allagamento mediante marker: interni, associati agli oggetti da segmentare; esterni, associati allo sfondo (bordo degli oggetti) Viene poi applicato watershed considerando i marker come gli unici minimi da cui iniziare la procedura I criteri usati per la definizione dei marker incorporano della conoscenza a priori Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 38
39 Watershed con marker esempio Sovrasegmentazione ottenuta applicando watershed al gradiente dell immagine Watershed con marker esempio (2) a b Smoothing dell immagine originale Definizione dei marker interni come punti di minimo locale che formano componenti connesse L applicazione di watershed a partire dai marker interni genera le dighe in (a), che vengono utilizzati come marker esterni Si può applicare watershed ottenendo (b) Anche altri algoritmi di segmentazione possono essere applicati alle singole regioni Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 39
40 Segmentazione basata sulla texture (a) (c) (b) (d) I (b): Chiusura di (a) con disco di raggio 30 I (c): Apertura con disco di raggio 60 I (d): Linea di segmentazione ottenuta come gradiente morfologico Segmentazione basata sul colore I Spazio HSI Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 40
41 Segmentazione basata sul colore (2) Segmentazione basata sul colore (3) Spazio RGB: selezione di un colore simile ad a Criterio: D(z, a) < D0 D(z, a) = z a = D(z, a) = ( ) 1 (z a) T 2 (z a) ( ) 1 (z a) T C 1 2 (z a) Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 41
42 Segmentazione basata sul colore (4) (a) (b) (a): Selezione manuale del colore da segmentare Calcolo del colore medio, a = [a R a G a B ] Calcolo della deviazione standard dei colori dei pixel selezionati, σ = [σ R σ G σ B ] (b): Segmentazione dei punti con canale rosso nell intervallo [a R σ R a R + σ R ] Stefano Ferrari Tecniche di calcolo e sistemi operativi e informatica aa 2017/18 42
Filtraggio. Stefano Ferrari. Università degli Studi di Milano Tecniche di calcolo e sistemi operativi e informatica
Filtraggio Stefano Ferrari Università degli Studi di Milano stefano.ferrari@unimi.it Tecniche di calcolo e sistemi operativi e informatica anno accademico 2017 2018 Filtraggio Il termine filtraggio fa
DettagliEstrazione dei bordi
Estrazione dei bordi L algoritmo di Marr-Hildreth L algoritmo di Canny Operatori per l estrazione dei bordi (edge operators) Lo scopo di questi operatori è quello di generare un immagine dei bordi (edge
DettagliSharpening mediante filtraggio spaziale
Sharpening mediante filtraggio spaziale Stefano Ferrari Università degli Studi di Milano stefano.ferrari@unimi.it Elaborazione delle immagini anno accademico 2009 2010 Sharpening Il termine sharpening
DettagliCorso di laurea magistrale in Informatica Multimedia - Prof. F.Stanco. Segmentazione. A cura di Andrea Tambone
Corso di laurea magistrale in Informatica Multimedia - Prof. F.Stanco Segmentazione A cura di Andrea Tambone Introduzione Lo scopo della segmentazione è suddividere un immagine in regioni contenenti pixel
DettagliSEGMENTAZIONE DI IMMAGINI. Elaborazione dei Segnali Multimediali Raffaele Gaetano 06 Maggio 2014
SEGMENTAZIONE DI IMMAGINI Elaborazione dei Segnali Multimediali Raffaele Gaetano 06 Maggio 2014 DEFINIZIONE La segmentazione è un processo di basso livello utile a molte applicazioni basate sull elaborazione
DettagliElaborazione delle immagini a basso livello
Sommario Introduzione Percezione Formazione delle immagini Estrazione di informazione 3D da un immagine Riconoscimento di oggetti Manipolazione e navigazione Conclusioni 128 La luce riflessa dagli oggetti
DettagliSegmentazione di immagini. Multimedia
Segmentazione di immagini Introduzione La segmentazione è un processo di partizionamento di un immagine in regioni disgiunte e omogenee. Introduzione (def. formale) (1) Sia R l intera regione spaziale
DettagliImage segmentation. Elaborazione intermedia
Image segmentation Edge detection Elaborazione intermedia elaborazione intermedia si occupa di ottenere una descrizione signiicativa della scena mediante la segmentazione suddivisione della immagine in
DettagliImage Processing 2. Dispense del corso di Elaborazione di Immagini e Audio Digitali. Prof. Roberto Vezzani.
http://imagelab.ing.unimo.it Dispense del corso di Elaborazione di Immagini e Audio Digitali Image Processing 2 Prof. Roberto Vezzani Relazioni tra pixel Esistono delle relazioni di base tra pixel in un
DettagliElaborazione delle immagini
Dipartimento di Fisica a.a. 4/5 Fisica Medica Elaborazione delle immagini 5/4/5 Processamento Una mappatura di tipo esponenziale mostra un immagine del tipo Intensità d uscita Intensità in entrata L =
DettagliELABORAZIONE DELLE IMMAGINI:
Università degli Studi di Catania Facoltà di Scienze Matematiche,Fisiche e Naturali Corso di Laurea in Informatica, Secondo Livello ELABORAZIONE DELLE IMMAGINI: EDGE DETECTION Corso di Analisi Numerica
DettagliMorfologia Matematica su immagini in scala di grigio
Morfologia Matematica su immagini in scala di grigio Dilation, erosion, opening, closing Top-Hat, Bottom-Hat Algoritmi Morfologici in scala di grigio Dalle immagini binarie alle immagini in scala di grigio
DettagliTrasformare e migliorare
Trasformare e migliorare Elaborazione di immagini Da f(x,y) a g(x,y) pixel trasformati secondo un determinato algoritmo f(x,y) g(x,y) Scopi dell elaborazione Eliminazione dei disturbi Esaltazione dei particolari
DettagliCorso di Visione Artificiale. Features. Samuel Rota Bulò
Corso di Visione Artificiale Features Samuel Rota Bulò Features Le features (caratteristiche) sono parti di un'immagine che sono: locali: caratteristica locale di un'immagine, significativi: sono interessanti
DettagliIntroduzione a Matlab
Introduzione a Matlab Operazioni di Base & Edge Detection Fondamenti di Visione Artificiale a.a. 25/26 2/5/6 Estrazione dei Contorni Lezione V: indice Filtri e Kernel Line Detection Edge Detection Edge
DettagliImage segmentation. Image segmentation
Image segmentation Image segmentation Un processo di segmentaione suddivide una immagine nelle regioni o oggetti che la compongono. E generalmente il primo step dell analisi di una immagine a segmentaione
DettagliCorso di Multimedia A.A 2013/2014
Corso di Multimedia A.A 2013/2014 Un immagine è rappresentata da una funzione bidimensionale f(x,y). Il piano XY in cui stanno le coordinate dell immagine è detto DOMINIO SPAZIALE e le variabili x,y sono
DettagliOperatori locali su immagini digitali
Operatori locali su immagini digitali Definizione degli operatori locali Filtri di smoothing Filtri di sharpening Filtri derivativi Operatori locali Questi operatori sono usati per: miglioramento della
DettagliElaborazione di Segnali Multimediali a.a. 2017/2018. Segmentazione
Elaborazione di Segnali Multimediali a.a. 2017/2018 Segmentazione In questa esercitazione vengono implementate alcune delle tecniche base per la segmentazione di immagini. In particolare, si focalizzerà
DettagliOperatori locali. Operatori locali. Q=f(P,w)
Operatori locali Operatori locali P(i,j) Gli operatori locali associano ad ogni piel ( i,j) della immagine di output Q un valore calcolato in un intorno o finestra w centrata nel piel P(i,j) Q=f(P,w) Operatori
DettagliLow Level Vision: Trasformata di Hough
Low Level Vision: Trasformata di Hough Prof Sebastiano Battiato Rilevamento di linee Le linee sono feature importanti perché permettono di definire analiticamente o approssimare molte forme (in particolare
DettagliImage 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
DettagliFondamenti di Elaborazione di Immagini Estrazione dei Bordi e Segmentazione. Raffaele Cappelli raffaele.cappelli@unibo.it
Fondamenti di Elaborazione di Immagini Estrazione dei Bordi e Segmentazione Raffaele Cappelli raffaele.cappelli@unibo.it Contenuti Estrazione dei bordi Calcolo del gradiente Operatori di Roberts Operatori
DettagliElaborazione di immagini. I filtri Digital Image Processing
Elaborazione di immagini I filtri Digital Image Processing Tre livelli di image processing Basso livello Filtro di smoothing Tre livelli di image processing Medio livello Contrast saliency region detection,
DettagliOperatori locali su immagini digitali
Operatori locali su immagini digitali Deinizione degli operatori locali Filtri di smoothing Filtri di sharpening Filtri derivativi Operatori locali Questi operatori sono usati per: miglioramento della
DettagliLow Level Vision: Trasformata di Hough
Low Level Vision: Trasformata di Hough Prof Sebastiano Battiato Rilevamento di linee Le linee sono feature importanti perché permettono di definire analiticamente o approssimare molte forme (in particolare
DettagliOperazioni 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
DettagliAcquisizione e rappresentazione di immagini
Acquisizione e rappresentazione di immagini Stefano Ferrari Università degli Studi di Milano stefano.ferrari@unimi.it Elaborazione delle immagini anno accademico 2009 2010 Radiazione elettromagnetica λ
DettagliElaborazione dei Segnali Multimediali a.a. 2009/2010. Segmentazione
Elaborazione dei Segnali Multimediali a.a. 2009/2010 Segmentazione In questa esercitazione vengono implementate alcune delle tecniche base per la segmentazione di immagini. In particolare, si focalizzerà
DettagliElaborazione di immagini digitali: trasformare e migliorare
Università degli Studi di Palermo Dipartimento di Ingegneria Informatica Elaborazione di Immagini e Suoni / Riconoscimento e Visioni Artificiali 12 c.f.u. Anno Accademico 2009/2010 Docente: ing. Salvatore
DettagliDato un vettore di lunghezza N, questo può essere pensato come un elemento di uno spazio N dimensionale.
Base canonica Dato un vettore di lunghezza N, questo può essere pensato come un elemento di uno spazio N dimensionale. 234 204 34 16 44 134 12 11 56 Quindi possiamo scomporlo usando la base canonica di
DettagliVideo 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
DettagliOperatori locali. Analisi di basso livello
Operatori locali Analisi di basso livello Si applica ad una immagine per produrre una immagine utile all applicazione inale Obiettivo è il miglioramento della immagine e riduzione del rumore introdotto
DettagliProcessamento di immagini
Processamento di immagini Applicazioni Immagini biomediche Modifica di immagini Confronto e registrazione... Formazione Ogge=o in - > Immagine out Processamento Immagine in - > Immagine out Analisi Immagine
DettagliSegmentazione 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
DettagliCapitolo 10 SEGMENTAZIONE DI IMMAGINI
Capitolo 10 SEGMENTAZIONE DI IMMAGINI La segmentazione suddivide un'immagine nelle regioni o negli oggetti che la compongono. Il dettaglio della segmentazione dipende da ciò che si vuole ottenere dall'immagine,
DettagliMorfologia. Stefano Ferrari. Università degli Studi di Milano
Morfologia Stefano Ferrari Università degli Studi di Milano stefanoferrari@unimiit Tecniche di calcolo e sistemi operativi e informatica anno accademico 2017 2018 Elaborazioni morfologiche La morfologia
DettagliTramite il software ImageJ è possibile effettuare la conta di cellule principalmente in due modi: a) Conta automatica b) Conta manuale
CONTA DI CELLULE: Tramite il software ImageJ è possibile effettuare la conta di cellule principalmente in due modi: a) Conta automatica b) Conta manuale Caso a): CONTA AUTOMATICA Prima di utilizzare la
DettagliStruttura topologica di una immagine
Struttura topologica di una immagine Stefano Ferrari Università degli Studi di Milano stefano.ferrari@unimi.it Elaborazione delle immagini anno accademico 2009 2010 Una immagine f (x, y) è composta da
DettagliElaborazione di Segnali Multimediali a.a. 2013/2014. Segmentazione
Elaborazione di Segnali Multimediali a.a. 2013/2014 Segmentazione In questa esercitazione vengono implementate alcune delle tecniche base per la segmentazione di immagini. In particolare, si focalizzerà
DettagliRestauro di immagini. Prof. Filippo Stanco. Multimedia
Restauro di immagini Prof. Filippo Stanco Restauro di immagini Il principale obiettivo delle tecniche di restauro è quello di rendere migliore un immagine cercando di ripristinarne il contenuto informativo
DettagliCorso di Visione Artificiale. Segmentazione. Samuel Rota Bulò
Corso di Visione Artificiale Segmentazione Samuel Rota Bulò Segmentazione La segmentazione ha l'obiettivo di partizionare un'immagine in regioni (insiemi di pixels) sulla base dell'intensità dei pixels
DettagliStatistica. Capitolo 10. Verifica di Ipotesi su una Singola Popolazione. Cap. 10-1
Statistica Capitolo 1 Verifica di Ipotesi su una Singola Popolazione Cap. 1-1 Obiettivi del Capitolo Dopo aver completato il capitolo, sarete in grado di: Formulare ipotesi nulla ed ipotesi alternativa
DettagliEsercitazione 4: Filters
Laboratorio di Immagini Esercitazione 4: Filters Mauro Zucchelli 07/04/2016 AVVISO Settimana prossima lezione sospesa! Riprendiamo dall ultima volta Abbiamo visto cosa rappresenta la trasformata di Fourier
DettagliElaborazione delle immagini
Scuola di Specializzazione in Fisica Sanitaria a.a. 2005/2006 Corso di Informatica e Statistica Medica Elaborazione delle immagini 1/3/2006 Filtri non lineari Tra i filtri non lineari il più conosciuto
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Riconoscimento e recupero dell informazione per bioinformatica Analisi Immagini Biomedicali Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Parte del
DettagliCorso di Visione Artificiale. Texture. Samuel Rota Bulò
Corso di Visione Artificiale Texture Samuel Rota Bulò Texture Le texture sono facili da riconoscere ma difficili da definire. Texture Il fatto di essere una texture dipende dal livello di scala a cui si
DettagliKeypoint detector: Scale Invariant Feature Transform (SIFT)
Kepoint detector: Scale Invariant Feature Transform (SIFT) avid G. Lowe istintive Image Features from Scale-Invariants Kepoints International Journal of Computer Vision 004 Outline Cosa è SIFT Overview
Dettagli0 altimenti 1 soggetto trova lavoroentro 6 mesi}
Lezione n. 16 (a cura di Peluso Filomena Francesca) Oltre alle normali variabili risposta che presentano una continuità almeno all'interno di un certo intervallo di valori, esistono variabili risposta
DettagliUniversità degli Studi di Pisa
Università degli Studi di Pisa Corso di Laurea Specialistica in Ingegneria Biomedica A.A. 07-08 Tesi di Laurea Specialistica Segmentazione di immagini biomediche con approccio Dynamic Programming Riassunto
DettagliElementi di Probabilità e Statistica, A.A
Elementi di Probabilità e Statistica, A.A. 5-6 Prova scritta - febbraio 6 Problema. 3+3+3 punti) In un sistema di lettura automatica - da parte di un computer - di testi scritti a mano scannerizzati, le
DettagliCorso di Elaborazione di Segnali Multimediali Elaborazione Morfologica delle Immagini
Corso di Elaborazione di Segnali Multimediali Elaborazione Morfologica delle Immagini Raffaele Gaetano 3 Giugno 2014 L analisi di immagini Tra le discipline informatiche, l analisi di immagini ha come
DettagliTelerilevamento e Modellistica Forestale
Telerilevamento e Modellistica Forestale Lezione 6 Esplorazione, enfatizzazioni e filtri Dario Papale Contributi: Vern Vanderbilt, TA- Quinn Hart, CCRS Cosa è l enfatizzazione delle immagini L enfatizzazione
DettagliIL PROBLEMA DEI DATI SPARSI IN ELABORAZIONE DI IMMAGINI
Giornate di Algebra Lineare Numerica IL PROBLEMA DEI DATI SPARSI IN ELABORAZIONE DI IMMAGINI Ivan Gerace 27 Febbraio 2007 Dipartimento di Matematica e Informatica Università degli Studi di Perugia I. Gerace
DettagliCorso di Percezione Robotica (PRo) C. Modulo di Percezione Attiva
Corso di Percezione Robotica (PRo) C. Modulo di Percezione Attiva Cecilia Laschi ARTS Lab, Scuola Superiore Sant Anna cecilia.laschi@sssup.it 050-883486 Visione robotica Sommario della lezione (1/2) Immagini
DettagliLa trasformata di Hough
La trasformata di Hough Trasformata di Hough E una tecnica che permette di riconoscere particolari configurazioni di punti presenti nell immagine, come segmenti, curve o altre forme prefissate. E un tipico
DettagliCorso di Visione Artificiale. Filtri III parte. Samuel Rota Bulò
Corso di Visione Artificiale Filtri III parte Samuel Rota Bulò Filtri morfologici I filtri morfologici trattano le immagini come insiemi di punti (x,y). Un'immagine è quindi vista come un insieme Un filtro
DettagliOperazioni locali: Edging
Capitolo 1 Operazioni locali: Edging Nei primi stadi della visione (early stages of vision) alcune caratteristiche intrinseche, rilevanti per identificare gli oggetti della scena sono estratte dall immagine.
DettagliProgetto di Computer Vision: Plugin per imagej: Harry Corners Detection. Corso di laurea specialistica in Informatica.
Messina Mariagrazia Progetto di Computer Vision: Plugin per imagej: Harry Corners Detection Corso di laurea specialistica in Informatica. A.A. 2006-2007 Introduzione Il progetto realizzato consiste nell
DettagliAnalisi Matematica 2 (Corso di Laurea in Informatica)
COGNOME NOME Matr. Firma dello studente A Tempo: 3 ore. Prima parte: test a risposta multipla. Una ed una sola delle 4 affermazioni è corretta. Indicatela con una croce. È consentita una sola correzione
DettagliL istogramma. Interazione & Multimedia 2
Istogramma 1 L istogramma I pixel di una immagine sono una popolazione sulla quale possiamo calcolare tutte le quantità statistiche descrittive che si usano normalmente: Media, mediana, varianza, deviazione
DettagliBLAND-ALTMAN PLOT. + X 2i 2 la differenza ( d ) tra le due misure per ognuno degli n campioni; d i. X i. = X 1i. X 2i
BLAND-ALTMAN PLOT Il metodo di J. M. Bland e D. G. Altman è finalizzato alla verifica se due tecniche di misura sono comparabili. Resta da comprendere cosa si intenda con il termine metodi comparabili
DettagliComputazione per l interazione naturale: Regressione probabilistica
Computazione per l interazione naturale: Regressione probabilistica Corso di Interazione Naturale Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it boccignone.di.unimi.it/in_2018.html
DettagliOperazioni sulle immagini. Multimedia
Operazioni sulle immagini Semplificazione: toni di grigio Per semplificare la trattazione del problema lavoreremo solo su immagini a toni di grigio. Le medesime operazioni descritte per tali immagini si
Dettagli( ρ, θ + π ) sono le coordinate dello stesso punto. Pertanto un punto P può essere descritto come
Coordinate polari Il sistema delle coordinate cartesiane è uno dei possibili sistemi per individuare la posizione di un punto del piano, relativamente ad un punto fisso O, mediante una coppia ordinata
DettagliAnalisi della varianza: I contrasti e il metodo di Bonferroni
Analisi della varianza: I contrasti e il metodo di Bonferroni 1 Contrasti In molti problemi risulta importante stabilire, nel caso venga rifiutata l ipotesi nulla, di uguaglianza delle medie µ j delle
DettagliIntroduzione 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
DettagliCorso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali. Esercitazione E
Corso Integrato di Statistica Informatica e Analisi dei Dati Sperimentali A.A 2009-2010 Esercitazione E Scopo dell esercitazione Applicazioni del teorema del limite centrale. Rappresentazione delle incertezze
DettagliPseudo codice. Paolo Bison. Fondamenti di Informatica 1 A.A. 2003/04 Università di Padova. Pseudo codice, Paolo Bison, A.A , p.
Pseudo codice Paolo Bison Fondamenti di Informatica 1 A.A. 2003/04 Università di Padova Pseudo codice, Paolo Bison, A.A. 2003-04, 2003-09-30 p.1/38 Pseudo codice linguaggio testuale mix di linguaggio naturale
DettagliEsercizi di ricapitolazione
Esercizio 1. Sono dati 150 g di una soluzione S 1 concentrata al 12%. (a) Determinare quanti grammi di soluto occorre aggiungere a S 1 per ottenere una nuova soluzione S 2 concentrata al 20%. (b) Determinare
DettagliIl contrasto. La percezione del contrasto. Contrasto e filling-in. Il contrasto simultaneo. Le distribuzioni di luminanza (ii)
20 Aprile 2006 Corso di Laurea in Informatica Multimediale Facoltà di Scienze MMFFNN Università di Verona Il contrasto La percezione del contrasto Chiara Della Libera DSNV Università di Verona Sezione
DettagliUlteriori conoscenze di informatica Elementi di statistica Esercitazione3
Ulteriori conoscenze di informatica Elementi di statistica Esercitazione3 Sui PC a disposizione sono istallati diversi sistemi operativi. All accensione scegliere Windows. Immettere Nome utente b## (##
DettagliMetodi di Analisi dei Dati Sperimentali. AA 2009/2010 Pier Luca Maffettone. Esercitazione I
Metodi di Analisi dei Dati Sperimentali AA /2010 Pier Luca Maffettone Esercitazione I Sommario della Esercitazione 1 Statistica descrittiva con Matlab Costruzione di istogrammi Calcolo di frequenze Caratterizzazione
DettagliAnalisi Numerica. Debora Botturi ALTAIR. Debora Botturi. Laboratorio di Sistemi e Segnali
Analisi Numerica ALTAIR http://metropolis.sci.univr.it Argomenti Rappresentazione di sistemi con variabili di stato; Tecniche di integrazione numerica Obiettivo: risolvere sistemi di equazioni differenziali
DettagliSPAZI EUCLIDEI, APPLICAZIONI SIMMETRICHE, FORME QUADRATICHE
SPAZI EUCLIDEI, APPLICAZIONI SIMMETRICHE, FORME QUADRATICHE. Esercizi Esercizio. In R calcolare il modulo dei vettori,, ),,, ) ed il loro angolo. Esercizio. Calcolare una base ortonormale del sottospazio
DettagliProgramma del corso di Elaborazione delle immagini I
Programma del corso di Elaborazione delle immagini I 7 marzo 2011 Questo documento contiene una descrizione del programma svolto nel corso di Elaborazione delle immagini I, a.a. 2009/10, in relazione agli
DettagliQuanti soggetti devono essere selezionati?
Quanti soggetti devono essere selezionati? Determinare una appropriata numerosità campionaria già in fase di disegno dello studio molto importante è molto Studi basati su campioni troppo piccoli non hanno
DettagliRichiami di inferenza statistica. Strumenti quantitativi per la gestione. Emanuele Taufer
Richiami di inferenza statistica Strumenti quantitativi per la gestione Emanuele Taufer Inferenza statistica Inferenza statistica: insieme di tecniche che si utilizzano per ottenere informazioni su una
DettagliRichiami di inferenza statistica Strumenti quantitativi per la gestione
Richiami di inferenza statistica Strumenti quantitativi per la gestione Emanuele Taufer Inferenza statistica Parametri e statistiche Esempi Tecniche di inferenza Stima Precisione delle stime Intervalli
DettagliMaria Prandini Dipartimento di Elettronica e Informazione Politecnico di Milano
Note relative a test di bianchezza rimozione delle componenti deterministiche da una serie temporale a supporto del Progetto di Identificazione dei Modelli e Analisi dei Dati Maria Prandini Dipartimento
DettagliFiltraggio nel Dominio della Frequenza
Filtraggio nel Dominio della Frequenza Parte 2 Filtro di enfasi ad alta frequenza Solitamente i filtri passa alto riducono a zero il termine dc, dunque riducono l intensità media nell immagine filtrata
DettagliEsercizi di Ricapitolazione
Esercizio 1. Sono dati 150 g di una soluzione S 1 concentrata al 12%. (a) Determinare quanti grammi di soluto occorre aggiungere a S 1 per ottenere una nuova soluzione S 2 concentrata al 20%. (b) Determinare
DettagliNel modello omoschedastico la varianza dell errore non dipende da i ed è quindi pari a σ 0.
Regressione [] el modello di regressione lineare si assume una relazione di tipo lineare tra il valore medio della variabile dipendente Y e quello della variabile indipendente X per cui Il modello si scrive
DettagliElementi di grafica raster
Elementi di grafica raster Segnali mono-bidimensionali Segnale: variazione di una grandezza fisica rispetto al tempo e/o allo spazio cioè Valore della grandezza ad ogni istante di tempo (spazio) Un segnale
DettagliCOMPLEMENTI DI ANALISI MATEMATICA A.A Primo appello del 5/5/2010
COMPLEMENTI DI ANALISI MATEMATICA A.A. 29- Primo appello del 5/5/2 Qui trovate le tracce delle soluzioni degli esercizi del compito. Ho tralasciato i calcoli da Analisi (che comunque sono parte della risoluzione),
DettagliUniversità di Salerno Corso di FONDAMENTI DI INFORMATICA Corso di Laurea Ingegneria. Docente : Ing. Secondulfo Giovanni Anno Accademico
Università di Salerno Corso di FONDAMENTI DI INFORMATICA Corso di Laurea Ingegneria Docente : Ing. Secondulfo Giovanni Anno Accademico 2010-2011 Lezione 3: La Formalizzazione degli Algoritmi Dati e Variabili
DettagliUniversità di Roma Tor Vergata Corso di Laurea triennale in Informatica Sistemi operativi e reti A.A Pietro Frasca.
Università di Roma Tor Vergata Corso di Laurea triennale in Informatica Sistemi operativi e reti A.A. 217-18 Pietro Frasca Lezione 18 Martedì 5-12-217 Partizioni multiple La tecnica delle partizioni multiple
DettagliRisoluzione di sistemi lineari sparsi e di grandi dimensioni
Risoluzione di sistemi lineari sparsi e di grandi dimensioni Un sistema lineare Ax = b con A R n n, b R n, è sparso quando il numero di elementi della matrice A diversi da zero è αn, con n α. Una caratteristica
DettagliStatistica Applicata all edilizia: Stime e stimatori
Statistica Applicata all edilizia E-mail: orietta.nicolis@unibg.it 15 marzo 2011 Statistica Applicata all edilizia: Indice 1 2 Statistica Applicata all edilizia: Uno dei problemi principali della statistica
Dettagli2. Funzioni reali di più variabili reali
Corso di Laurea in Ingegneria delle Telecomunicazioni - A.A.2001-2002 Traccia del corso di Analisi Matematica L-B 2. Funzioni reali di più variabili reali Riferimenti. Minnaja:Matematica Due, par.3.1-3.4
DettagliRiconoscimento e recupero dell informazione per bioinformatica. Clustering: validazione. Manuele Bicego
Riconoscimento e recupero dell informazione per bioinformatica Clustering: validazione Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Sommario Definizione
DettagliEstrazione 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
DettagliCalcolo Numerico. Corso di Laurea in Ingegneria Elettronica Appello del 17 gennaio A(x) =
Calcolo Numerico Corso di Laurea in Ingegneria Elettronica Appello del 7 gennaio 204 Sia M = F (2, 3). Dopo aver mostrato che 20 M, determinare tutti gli elementi ξ M tali che: ξ > 20 Per ogni x R, sia:
DettagliAnalisi Matematica 2. Michele Campiti. Prove scritte di. Ingegneria Industriale a.a
Michele Campiti Prove scritte di Analisi Matematica 2 Ingegneria Industriale a.a. 20 202 Grafico della funzione f(x, y) := sin(2x 2 y) cos(x 2y 2 ) in [ π/2, π/2] 2 Raccolta delle tracce di Analisi Matematica
DettagliEUROPEAN COMPUTER DRIVING LICENCE SYLLABUS VERSIONE 5.0
Pagina I EUROPEAN COMPUTER DRIVING LICENCE SYLLABUS VERSIONE 5.0 Modulo 4 Foglio elettronico Il seguente Syllabus è relativo al Modulo 4, Foglio elettronico, e fornisce i fondamenti per il test di tipo
Dettagli