Trasformazioni di Intensità e Filtraggio Spaziale

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Trasformazioni di Intensità e Filtraggio Spaziale"

Transcript

1 Trasformazioni di Intensità e Filtraggio Spaziale (Alcuni Richiami) Prof. Sebastiano Battiato Terminologia Le tecniche di elaborazione delle immagini sono in generale rivolte all ottenimento di uno dei seguenti obiettivi di massima: miglioramento di qualità (image enhancement) ripristino di qualità o restauro (image restoration) estrazione di informazione (feature detection) Manca in realtà una teoria generale del miglioramento di qualità, dato che non esiste uno standard generale di qualità delle immagini.

2 Terminologia Anche se le trasformazioni di intensità e il filtraggio spaziale abbracciano una vasta gamma di applicazioni, la maggior parte degli esempi che vedremo riguardano il miglioramento dell immagine (enhancement). L enhancement è il processo di manipolazione dell immagine tale che il risultato sia più simile dell originale per una specifica applicazione. L aggettivo specifica è importante perché stabilisce fin dall inizio che le tecniche di miglioramento sono problemi dedicati. Quindi, ad esempio, un metodo valido per il miglioramento di immagini a raggi X potrebbe non essere l approccio migliore per immagini satellitari catturate nella banda ad infrarossi dello spettro elettromagnetico. Terminologia Le tecniche di elaborazione si distinguono in puntuali, locali, globali, sequenziali, parallele. Possono essere applicate: tra domini diversi (trasformate bidimensionali); nello stesso dominio (di particolare interesse il dominio spaziale e quello delle frequenze spaziali); con riduzione dei dati tra ingresso e uscita (per esempio estrazione di informazioni o compressione); (spesso) lineari e spazio-invarianti (convoluzioni bidimensionali)

3 Metodi nel Dominio Spaziale Le elaborazioni nel dominio spaziale possono essere espresse come: g(x,y)= T[f(x,y)] essendo f l immagine di ingresso alla elaborazione, g quella di uscita e T un operatore su f, definito in un intorno di (x,y). La dimensione dell intorno di (x,y) definisce il carattere della elaborazione: puntuale (l intorno coincide con il pixel stesso); locale (per esempio una piccola regione quadrata centrata sul pixel); globale (l intorno coincide con l intera f). Elaborazioni Puntuali Il risultato di una elaborazione puntuale omogenea dipende solo dal valore del pixel cui è applicata, per cui tali elaborazioni vengono anche dette manipolazioni della scala dei grigio dei colori. Se invece il risultato dell elaborazione dipende anche dalla posizione del pixel nell immagine, si parla di elaborazioni puntuali non omogenee. Alcune tipiche elaborazioni puntuali omogenee: Aggiunta o sottrazione di una costante a tutti i pixel (per compensare sotto o sovraesposizioni); Inversione della scala dei grigi (negativo); Espansione del contrasto; Modifica (equalizzazione o specifica) dell'istogramma; Presentazione in falsi colori.

4 Elaborazione Puntuali Omogenee L elaborazione si effettua applicando una specifica operazione a ciascun pixel dell immagine di partenza, e costruendo una nuova immagine in cui ciascun pixel assume un valore che è il risultato della operazione stessa. L elaborazione puntuale omogenea può pertanto essere rappresentata da una trasformazione (o mapping) dei livelli di grigio, del tipo: s = T(r) dove r è la variabile che rappresenta il livello di grigio dell immagine di ingresso alla elaborazione ed s è la variabile che rappresenta il livello di grigio dell immagine di uscita. Contrast Enhancement L immagine di output avrà un contrasto maggiore visto che i valori di grigio più piccoli di m vengono resi più scuri mentre quelli più grandi vengono resi più chiari.

5 In generale quindi utilizzando un grafico come quello mostrato in figura si riescono ad implementare le cosiddette look-up tables (LUT), in grado di implementare operazioni puntuali anche di tipo non banale. Esempio (a) Mammografia digitale (b) Negativo dell immagine ottenuta usando la trasformazione negativa

6 Trasformazione Logaritmica Si tratta di una trasformazione che consente di comprimere la gamma dinamica, permettendo la memorizzazione o la visualizzazione, con una scala dei grigi usuale, di immagini caratterizzate da escursioni di intensità molto ampie. Può essere espressa come: s = c log (1 + r) Si può notare come la trasformazione realizzi l espansione della dinamica per bassi valori di r e la compressione della dinamica per alti valori di r. c è una costante di scala, che va scelta opportunamente per far rientrare i valori trasformati nel range corretto, cioè in [0, L-1]. Trasformazione Logaritmica Supponendo che sia 0 < r < R, si ha 0 < s < c log(1+r). Se R>>1, come normalmente avviene, per esempio, per lo spettro di Fourier di una immagine, si può porre: c log R = L-1, da cui c = (L-1)/log R In tal modo è possibile, per esempio, visualizzare su un dispositivo a 256 livelli di grigio un immagine con una gamma dinamica molto più ampia, anche dell ordine dei milioni, senza che siano visualizzabili solo i valori più alti, come avverrebbe se il mapping tra le due gamme dinamiche fosse lineare.

7 Un Esempio L immagine di sinistra contiene dei valori compresi tra 0 e 1.5x10 6, visualizzata scalando questi valori linearmente nel range [0, 2 8-1]. La variabilità relativa può essere evidenziata applicando, prima dello scaling lineare a 8-bit, una trasformazione logaritmica (in questo caso c=1). Trasformazione di Potenza La trasformazione di potenza, nel caso generale può essere espressa come: s = c r γ dove c eγsono costanti positive. La costante c è scelta di volta in volta in modo da normalizzare i valori di s in [0, 255]. Come vedremo, per valori diγminori di 1 la trasformazione ha effetti analoghi alla trasformazione logaritmica (espansione della dinamica per bassi valori di r, compressione della dinamica per alti valori di r), mentre per valori di γ maggiori di 1 la trasformazione ha esattamente gli effetti opposti.

8 E importante osservare come gli effetti della trasformazione siano facilmente controllabili agendo sul parametro γ, il che consente di adattare la trasformazione stessa (si parla infatti di una famiglia di possibili curve di trasformazione) ad una ampia gamma di situazioni. c = 1 Correzione Gamma I monitor CRT esibiscono tipicamente una caratteristica intensità di emissione-tensione applicata non lineare, ma approssimativamente quadratica (in realtà l esponente varia tra 1.8 e 2.5) Con riferimento alle curve mostrate, questo comportamento tende a rendere l immagine più scura del voluto. Per esempio, su un monitor CRT (conγ= 2.5) si può applicare una correzione, pre-processando l input con la corrispondente funzione inversa: s = r 1/2.5 = r 0.4

9 Correzione Gamma Correzione Gamma Come già accennato la correzione Gamma può anche essere utilizzata, per modificare il contrasto di un immagine. L immagine in alto a sx presenta una chiaro appiattimento della dinamica verso il bianco (si veda il relativo istogramma). A seguire l immagine risultante dall applicazione di una correzione Gamma al variare del parametro γ. γ = 3 γ = 4 γ = 5

10 Bit-planes Un immagine con una profondità colore di N bit può essere rappresentata da N piani di bit (bit-planes), ciascuno dei quali può essere vista come una singola immagine binaria. In particolare si può indurre un ordine che varia dal Most Significant Bit (MSB) fino al Least Significant Bit (LSB). Lena: Bit-planes Most Significant bit (MSB) Least Significant bit (LSB)

11 Ancora Bit-planes Bit-planes

12 Bit-planes: Osservazioni I piani di bit più significativi contengono informazioni sulla struttura dell immagine, mentre quelli via via meno significativi forniscono i dettagli sempre più piccoli. Si noti che solo i piani dal 7 al 3 contengono dati significativi dal punto di vista visuale. Che cosa rappresenta l immagine del piano 7? Quali sono gli intervalli di valori di grigio coperti dagli altri piani? Range Highlights E possibile selezionare solo i toni di grigio all interno di un certo range di valori, attraverso delle LUT dette appunto Range Highlights in grado di agire solo sui toni di grigio all interno di un intervallo [A, B].

13 Bit-planes e LUT Data un immagine I a 256 toni di grigio, realizzare una LUT che evidenzi i toni di grigio individuati dal terzo e dal quinto bit (primo bit = MSB, ottavo bit =LSB) I toni di grigio individuati dal terzo bit sono tutti quelli della forma: x x 1 x x x x x In particolare si può osservare che per il sistema di numerazione posizionale, il terzo bit individua i valori multipli di 2 5 =32, ne segue che i toni di grigio individuati saranno i seguenti intervalli di ampiezza 2 5-1=31, individuati ad intervalli regolari di 2 6 =64 valori: x x x x x 2 5 = 32,, x x x x x = 96,, x x x x x = 160,.., x x x x x = 224,.., 255 Bit-planes e LUT I toni di grigio individuati dal quinto bit sono tutti quelli della forma: x x x x 1 x x x In particolare si può osservare che per il sistema di numerazione posizionale, il terzo bit individua i valori multipli di 2 3 =8, ne segue che i toni di grigio individuati saranno i seguenti intervalli di ampiezza 2 3-1=7, individuati ad intervalli regolari di 2 4 =16 valori: x x x 2 3 = 8,, x x x = 24,.., x x x = 40,.., x x x = 56,.., x x x = 72,.., x x x = 88,.., x x x = 104,, x x x = 120,.., 127

14 Bit-planes e LUT x x x = 136,.., x x x = 152,.., x x x = 168,.., x x x = 184,.., x x x = 200,.., x x x = 216,.., x x x = 232,.., x x x = 248,.., 255 In generale la LUT che evidenzia i toni di grigio dell i-esimo bit (i = 0,., 7) dove i = 0 fa riferimento al LSB, individua i toni di grigio ad intervalli regolari di 2 i+1 valori, a partire da 2 i. L ampiezza di ciascun intervallo è pari a 2 i -1. Individuati gli intervalli costruire la LUT corrispondente è immediato. Bit-planes: LUT

15 MATLAB function bitplanes(imagepath, bit) %Creo il byte da mettere in AND per evidenziare solo un bit mask = pow2(double(7-bit)); mask = uint8(mask); disp('maschera'); dec2bin(mask) im = imread(imagepath); image = rgb2gray(im); a = bitand(mask, image); %Applico la maschera %Trasformo tutti i valori >0 in 1 e poi in 255 b = (a>0) * 255; image = uint8(b); figure; imshow(image); X = uint8([0:1:255]); y = bitand(mask, X); Y = (y>0) *255; figure;plot(x,y,'.');axis([ ]); end; Modifica dell Istogramma L'istogramma (normalizzato) dei livelli di grigio di un'immagine digitale è la funzione discreta nk p( rk ) = per k = 0, 1,..., L-1 MN dove n k è il numero di pixel dell'immagine con livello di grigio r k mentre M ed N denotano le dimensioni orizzontale e verticale (il numero totale di pixel). E' pertanto una stima a posteriori delle probabilità di occorrenza dei livelli di grigio dell'immagine, utile perchè fornisce una descrizione globale della cosiddetta "apparenza" dell'immagine.

16 Modifica dell Istogramma Le informazioni date dall istogramma possono dare un'idea generale della possibilità di miglioramento dell'immagine, soprattutto in termini di manipolazione del contrasto, ma trovano applicazione anche in altre elaborazioni (segmentazione, compressione). Alcuni autori considerano non puntuali ma globali le elaborazioni di questo tipo, in quanto l istogramma rappresenta una descrizione in un certo senso globale delle caratteristiche visuali dell immagine. In senso stretto, però, la manipolazione dell istogramma è una operazione puntuale. Equalizzazione: perche? In generale le componenti di luminanza di un istogramma in immagini ad alto contrasto coprono, quasi l intera gamma di valori ed inoltre la distribuzione dei pixel non è troppo dissimile da una distribuzione uniforme.

17 Equalizzazione: perche? L equalizzazione (o linearizzazione) dell istogramma di una immagine è l elaborazione che idealmente produce una immagine con istogramma piatto, cioè con livelli di grigio uniformemente distribuiti sui pixel (ogni livello di grigio caratterizza lo stesso numero di pixel dell immagine). Prima di procedere con i dettagli del relativo algoritmo è bene rivedere alcuni concetti sulla teoria della probabilità (variabili casuali, probability density function (PDF), cumulative density function (CDF), ecc.). (si veda pagg review_of_probability.zip e pagg review.pdf dal sito del libro di testo). Equalizzazione dell Istogramma In realtà una distribuzione perfettamente uniforme dei livelli di grigio non può essere ottenuta, principalmente a causa della natura discreta delle grandezze trattate. Supponiamo inizialmente che r sia una variabile continua, tale che 0 r L 1; si assuma inoltre che s = T(r) soddisfi le due condizioni: a) T(r) è una funzione monotona non decrescente nell intervallo 0 r L-1 b) 0 Τ(r) L-1 per 0 r L-1 Per garantire l esistenza della trasformazione inversa richiederemo anche la stretta monotonicità. La a) conserva anche l'ordine dei livelli nella scala dei grigi (dal nero al bianco), mentre la condizione b) garantisce una trasformazione consistente con i livelli di grigio permessi (tra 0 e 1).

18 Esempi di T(r) Equalizzazione dell Istogramma La trasformazione inversa è r = T -1 (s) per 0 s 1, e si assume che anche T -1 (s) soddisfi le condizioni a) e b) rispetto a s.se r e s vengono viste come variabili random nell'intervallo [0,1], è possibile caratterizzarle mediante le rispettive densità di probabilità, p r (r) e p s (s). Dalla teoria della probabilità, se p r (r) e T(r) sono note e T -1 (s) soddisfa la condizione a), si ha: p s ( s) = p r ( r) dr ds r= T E' possibile pertanto controllare la distribuzione dei livelli di grigio nell'immagine trasformata adoperando una adeguata funzione di trasformazione. 1 ( s)

19 Equalizzazione dell Istogramma In particolare si consideri la trasformazione costituita dalla funzione di distribuzione cumulativa (CDF) di r: La CDF soddisfa entrambe le condizioni a) e b), in quanto è ad un solo valore e cresce monotonicamente (fra 0 e 1) in funzione di r. Derivando rispetto a r si ottiene (per la regola di Leibniz): e quindi: = = r r L r d p L r T s 0 1 0, ) ( 1) ( ) ( ω ω ) ( 1) ( ) ( 1) ( ) ( 0 r p L d p dr d L dr r dt dr ds r r r = = = ω ω ) ( 1) ( 1 ) ( ) ( ) ( 1 = = = L s L r p L r p s p s T r r r s

20 Equalizzazione dell Istogramma Pertanto la densità di probabilità della variabile trasformata è uniforme nel suo intervallo di definizione, indipendentemente dalla funzione di trasformazione inversa T -1 (s). Questo è importante perché l inversione della T(r) non è, in generale, una operazione analiticamente semplice. Utilizzando come trasformazione la CDF di r si ottiene dunque una immagine con densità di probabilità uniforme dei livelli di grigio, indipendentemente dalla densità di probabilità iniziale. Ne deriva un incremento nella gamma dinamica dei pixel che può avere notevoli effetti sulla"apparenza" dell'immagine. Equalizzazione dell Istogramma Tornando a considerare discrete le variabili random, si prendono in considerazione probabilità e somme al posto di densità di probabilità e integrali. Si ha per la probabilità di occorrenza dei livelli di grigio: nk p( rk ) = per 0 rk 1 e k = 0, 1,..., L-1 MN La funzione da utilizzare per l'equalizzazione dell'istogramma nel caso discreto è la seguente: k k ( L 1) sk = T( rk ) = ( L 1) pr ( rj ) = nj, 0 rk L 1e k = 0, 1,..., L- 1 MN j= 0 j= 0 La trasformazione consiste nel trasformare ogni pixel di livello r k in un pixel di livello s k, attraverso la T(r k ) che si calcola direttamente dall istogramma dell'immagine di partenza.

21 Equalizzazione: un esempio Equalizzazione dell Istogramma Come si può notare, l istogramma della immagine equalizzata non è piatto. D altro canto, l uniformità della p s (s) è stata verificata solo nel caso continuo, e non nel caso discreto. Tuttavia, i livelli di grigio dell immagine equalizzata spaziano su tutta la dinamica possibile (anche se alcuni livelli possono non essere presenti), ed in particolare raggiungono sempre il bianco. Al conseguente incremento del contrasto si possono aggiungere effetti sgradevoli quali lo sgranamento dell immagine, la comparsa di false regioni, ecc., soprattutto quando il contrasto dell immagine originale è molto basso. L apparenza dell immagine può essere migliorata anche con altre tecniche di modifica del contrasto, ma l equalizzazione dell istogramma ha il vantaggio di essere completamente automatica.

22 Equalizzazione: Esempio1 Si consideri la seguente immagine di dimensione 20x20. La prima colonna larga 10 ha colore 0, la seconda colonna larga 5, ha colore 1, la terza colonna larga 3 con colore 3, la quarta colonna larga 2 con colore 4. k r n k /n 0 0 (20*10)/400 = 0,5 1 0,25 (20*5)/400 = 0,25 2 0,5 (20*0)/400 = 0 3 0,75 (20*3)/400 = 0, (20*2)/400 = 0,1 Equalizzazione: Esempio1 Il relativo istogramma è il seguente: 0,6 0,5 0,5 0,4 0,3 0,2 0,1 0 0,25 0,15 0, L operatore T(r) utilizza le frequenze cumulate per definire i valori s k come segue: s 0 =T(r 0 )= 0, r 2 s 1 =T(r 1 )= 0, r 3 s 2 =T(r 2 )= 0, r 3 s 3 =T(r 3 )= 0, r 4 s 4 =T(r 4 )= r 4

23 Equalizzazione: Esempio1 La LUT corrispondente è quindi univocamente determinata: LUT 1 0,75 0,5 0, ,25 0,5 0,75 1 r_ k Equalizzazione: Esempio1 L istogramma finale dell immagine equalizzata avrà la seguente forma: 0,6 0,5 0,5 0,4 0,3 0,25 0,25 0,2 0, L aspetto grafico dell immagine sarà quindi:

24 Equalizzazione: Esempio2 Perché l equalizzazione non produce in realtà un istogramma piatto? Vediamolo con un esempio. Si consideri una semplice immagine con L = 8 livelli di grigio (k = 0, 1,, 7) e la seguente distribuzione di probabilità: Equalizzazione dell Istogramma Applicando la trasformazione si ottengono i seguenti valori: s 0 =T(r 0 )=0,015 s 1 =T(r 1 )=0,115 s 2 =T(r 2 )=0,365 s 3 =T(r 3 )=0,765 s 4 =T(r 4 )=0,965 s 5 =T(r 5 )=1 s 6 =T(r 6 )=1 s 7 =T(r 7 )=1 Che non coincidono con gli r k iniziali. Che fare allora?

25 Equalizzazione dell Istogramma Avendo a disposizione solo 8 valori di grigio, bisogna approssimare i valori s k così ottenuti al valore di grigio possibile più vicino (multipli di 1/7=0.143). Denotando con ss tali valori approssimati si ottiene: Ridistribuendo i pixel sui nuovi livelli, la distribuzione di probabilità dei pixel dell immagine di uscita è la seguente: p s (0) = p s (0.143) = 0.1 p s (0.286) = 0 p s (0.428) = 0.25 p s (0.571) = 0 p s (0.714) = 0.4 p s (0.857) = 0 p s (1) = Equalizzazione dell Istogramma E l approssimazione nel calcolo dei nuovi livelli, dovuta alla natura discreta dei livelli stessi, a causare la non uniformità dell istogramma. Inoltre si può notare che il livello massimo è necessariamente presente, per effetto del meccanismo di trasformazione utilizzata. Qual è l effetto prodotto dalla equalizzazione di una immagine già equalizzata?

26 (1) (2) (3) (4) Histogram Matching Esistono applicazioni per le quali basare il processo di enhancement sulla trasformazione volta ad ottenere un istogramma uniforme non è la migliore soluzione. In particolare è spesso utile, specificare la forma (shape) dell istogramma che si vuole ottenere. Questa tecnica prende il nome di Histogram Matching o Specification.

27 Histogram Matching: un esempio L equalizzazione appiattisce wash-out l immagine di input Histogram Matching: un esempio

28 Contrast Stretching (r 1,s 1 ) = (r min, 0) (r 2,s 2 ) = (r max, L-1) r 1 = r 2 = m s 1 =0, s 2 =L-1 I punti di controllo (r 1,s 1 ) e (r 2,s 2 ) regolano la tipologia di trasformazione da applicare. Se r 1 =s 1 e r 2 =s 2 si ottiene la retta a 45 gradi che lascia tutto inalterato. Se r 1 =r 2, s 1 =0 e s 2 = L-1 si ottiene una funzione di thresholding. Di solito si ha r 1 r 2 e s 1 s 2 per ovvi motivi. Elaborazioni puntuali non omogenee Le operazioni logiche di AND e di OR possono essere utilizzate, in particolare per l estrazione dalla immagine di una parte significativa (ROI Region of Interest) che debba essere successivamente elaborata. Questa operazione, detta anche di masking, può essere condotta come mostrano gli esempi seguenti, ricordando che l operazione logica è effettuata bit per bit, tra pixel nella stessa posizione nelle due immagini.

29 Miglioramento locale L equalizzazione dell istogramma vista in precedenza, non si presta ad un miglioramento dell'immagine relativo a dettagli in piccole aree (piccolo numero di pixel), in quanto essa prevede una trasformazione basata sulla distribuzione dei livelli di grigio nella intera immagine.

30 Miglioramento locale Il piccolo numero di pixel in queste aree può avere infatti influenza trascurabile nella determinazione di una trasformazione globale, che pertanto non garantirà necessariamente il miglioramento locale. E possibile allora utilizzare metodi basati sulla distribuzione dei livelli di grigio (o di altre proprietà dei pixel) in piccole aree dell'immagine. Oltre all istogramma, altre proprietà frequentemente usate in elaborazioni locali di questo tipo sono l'intensità media m, che è una misura della luminosità media dell'intorno considerato, e la varianza σ 2 (o la sua radice quadrata, cioè la deviazione standardσ), che è una misura del contrasto nell'intorno. Miglioramento Locale Con lo stesso significato dei simboli visto in precedenza, il momento centrale n-mo di r (l attributo centrale significa che alla r è stata sottratta la sua media m) è definito come: µ ( r) n = L 1 L 1 n ( ri m) p( ri ) dove m = i= 0 i= 0 r p( r ) i i Si ha, ovviamente, µ 0 = 1 e µ 1 = 0. In particolare, per n = 2, si ha la varianza: 2 σ ( r ) = µ ( r) 2 = L 1 i= 0 ( r 2 i m) p( r i )

31 Miglioramento locale:un esempio Un esempio di elaborazione che fa uso dei valori locali di questi parametri statistici è il seguente: g(x,y)=a(x,y)[f(x,y) m(x,y)]+m(x,y) dove: A(x,y) = k (M/ σ(x,y)), con 0 < k < 1 m(x.y) e σ(x,y) sono rispettivamente la media e la deviazione standard dei livelli di grigio nell'intorno di (x,y), M è la media globale di f(x,y) e k è una costante. La trasformazione così definita viene utilizzata per calcolare il nuovo valore del pixel centrale dell intorno. Poiché A è inversamente proporzionale alla varianza, le aree dell'immagine a minore contrasto vengono a guadagnare di più. La media locale è aggiunta per ripristinare l'intensità media dell'immagine nell'intorno. Tecniche di manipolazione locale del contrasto risultano particolarmente adatte ad immagini in cui alcune parti sono accettabili, altre contengono particolari altrettanto significativi ma meno evidenti.

32 MATLAB histogram function h=imhist(f,bin); P=imhist(f,bin)/numel(f); h1=h(1:10:256); horz=1:10:256; bar(horz,h1); stem(horz,h1, fill ); plot(h); g1=histeq(f,nlev); %Histogram Equalization g2=histeq(f, hspec); %Histogram specification where hspec is a row vector MATLAB: imadjust Imadjust è la funzione MATLAB demandata alle trasformazioni (mapping) dei toni di grigio. La sua sintassi è: g=imadjust(f,[low_in,high_in],[low_out,high_out],gamma)

33 Filtraggio Spaziale L argomento è stato già trattato nel corso di IEM. Un pò di notazione è comunque utile e necessaria per il proseguio. In generale il filtraggio (lineare) di un immagine f con una filter mask m x n è data dall espressione: g ( x, y) µ ( s, t) f ( x + s, y + t) = a s= a t= b dove a = (m-1)/2 e b = (n-1)/2. b Ovviamente questa operazione va ripetuta per x = 0, 1,, M-1 e y = 0, 1,, N-1 dove M, N sono le dimensioni dell immagine f. Filtraggio Spaziale In questo caso: mn R = µ 1 i= i z i dove i µ i sono i coefficienti del filtro e gli z i sono i valori dei pixel dell immagine da filtrare. Il meccanismo qui illustrato è simile al concetto di convoluzione proprio del dominio delle frequenze: da questo deriva il nome assegnato a questi filtri di maschere di convoluzione.

34 N-box Operatori e maschere N-binomiale Sobel x,y Laplaciano Edge Enhancing Shifting Noise Reduction (order-statistics filters) Unsharp Masking Filtraggio in MATLAB:imfilter >I = imread( lena.jpg'); >h = ones(3,3)/9; >I2 = imfilter(i,h); >imshow(i), title( Immagine Originale'); >figure, imshow(i2), title( Immagine Filtrata );

35 MATLAB: Opzioni per imfilter MATLAB: Opzioni per imfilter >Imfilter(I,ones(31), option)

36 Filtraggio in MATLAB: fspecial >I = imread( volto.jpg'); >h=fspecial('gaussian',[5 5],1) >I2 = imfilter(i,h); >imshow(i), title( Immagine Originale') >figure, imshow(i2), title( Immagine Filtrata'); MATLAB: Opzioni per fspecial Nota Bene: Per i filtraggi non lineari si vedano le funzioni nlfilter e colfilt in grado di applicare in stile convoluzione (opzione sliding ) una qualsiasi operazione definita dall utente e la funzione ordfilt2 usata per i cosiddetti order-statistic filters.

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile

Corso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione in virgola mobile Problemi connessi all utilizzo di un numero di bit limitato Abbiamo visto quali sono i vantaggi dell utilizzo della rappresentazione in complemento alla base: corrispondenza biunivoca fra rappresentazione

Dettagli

Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità

Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità Probabilità Probabilità Gli eventi sono stati definiti come i possibili risultati di un esperimento. Ogni evento ha una probabilità Se tutti gli eventi fossero ugualmente possibili, la probabilità p(e)

Dettagli

Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08. Alberto Perotti, Roberto Garello

Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08. Alberto Perotti, Roberto Garello Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08 Alberto Perotti, Roberto Garello DELEN-DAUIN Processi casuali Sono modelli probabilistici

Dettagli

Capitolo 9: PROPAGAZIONE DEGLI ERRORI

Capitolo 9: PROPAGAZIONE DEGLI ERRORI Capitolo 9: PROPAGAZIOE DEGLI ERRORI 9.1 Propagazione degli errori massimi ella maggior parte dei casi le grandezze fisiche vengono misurate per via indiretta. Il valore della grandezza viene cioè dedotto

Dettagli

Accuratezza di uno strumento

Accuratezza di uno strumento Accuratezza di uno strumento Come abbiamo già accennato la volta scora, il risultato della misurazione di una grandezza fisica, qualsiasi sia lo strumento utilizzato, non è mai un valore numerico X univocamente

Dettagli

Deviazione standard delle misure : dove è la varianza e sono gli scarti quadratici

Deviazione standard delle misure : dove è la varianza e sono gli scarti quadratici ELEMENTI DI PROBABILITA Media : migliore stima del valore vero in assenza di altre info. Aumentare il numero di misure permette di approssimare meglio il valor medio e quindi ridurre l influenza degli

Dettagli

Rappresentazione dei numeri in un calcolatore

Rappresentazione dei numeri in un calcolatore Corso di Calcolatori Elettronici I A.A. 2010-2011 Rappresentazione dei numeri in un calcolatore Lezione 2 Università degli Studi di Napoli Federico II Facoltà di Ingegneria Rappresentazione dei numeri

Dettagli

(accuratezza) ovvero (esattezza)

(accuratezza) ovvero (esattezza) Capitolo n 2 2.1 - Misure ed errori In un analisi chimica si misurano dei valori chimico-fisici di svariate grandezze; tuttavia ogni misura comporta sempre una incertezza, dovuta alla presenza non eliminabile

Dettagli

SciPy. Programmazione Orientata agli Oggetti e Scripting in Python

SciPy. Programmazione Orientata agli Oggetti e Scripting in Python SciPy Programmazione Orientata agli Oggetti e Scripting in Python SciPy: Informazioni di Base Libreria di algoritmi e strumenti matematici Fornisce: moduli per l'ottimizzazione, per l'algebra lineare,

Dettagli

Elementi di Statistica

Elementi di Statistica Elementi di Statistica Contenuti Contenuti di Statistica nel corso di Data Base Elementi di statistica descrittiva: media, moda, mediana, indici di dispersione Introduzione alle variabili casuali e alle

Dettagli

VARIABILI ALEATORIE CONTINUE

VARIABILI ALEATORIE CONTINUE VARIABILI ALEATORIE CONTINUE Se X è una variabile aleatoria continua, la probabilità che X assuma un certo valore x fissato è in generale zero, quindi non ha senso definire una distribuzione di probabilità

Dettagli

Preprocessamento dei Dati

Preprocessamento dei Dati Preprocessamento dei Dati Raramente i dati sperimentali sono pronti per essere utilizzati immediatamente per le fasi successive del processo di identificazione, a causa di: Offset e disturbi a bassa frequenza

Dettagli

CAPITOLO PRIMO IL CONCETTO DI ALGORITMO 1

CAPITOLO PRIMO IL CONCETTO DI ALGORITMO 1 1.1 Che cos è un algoritmo CAPITOLO PRIMO IL CONCETTO DI ALGORITMO 1 Gli algoritmi sono metodi per la soluzione di problemi. Possiamo caratterizzare un problema mediante i dati di cui si dispone all inizio

Dettagli

Il concetto di valore medio in generale

Il concetto di valore medio in generale Il concetto di valore medio in generale Nella statistica descrittiva si distinguono solitamente due tipi di medie: - le medie analitiche, che soddisfano ad una condizione di invarianza e si calcolano tenendo

Dettagli

DERIVATE DELLE FUNZIONI. esercizi proposti dal Prof. Gianluigi Trivia

DERIVATE DELLE FUNZIONI. esercizi proposti dal Prof. Gianluigi Trivia DERIVATE DELLE FUNZIONI esercizi proposti dal Prof. Gianluigi Trivia Incremento della variabile indipendente e della funzione. Se, sono due valori della variabile indipendente, y f ) e y f ) le corrispondenti

Dettagli

RAPPRESENTAZIONE BINARIA DEI NUMERI. Andrea Bobbio Anno Accademico 1996-1997

RAPPRESENTAZIONE BINARIA DEI NUMERI. Andrea Bobbio Anno Accademico 1996-1997 1 RAPPRESENTAZIONE BINARIA DEI NUMERI Andrea Bobbio Anno Accademico 1996-1997 Numeri Binari 2 Sistemi di Numerazione Il valore di un numero può essere espresso con diverse rappresentazioni. non posizionali:

Dettagli

ESERCIZI SVOLTI PER LA PROVA DI STATISTICA

ESERCIZI SVOLTI PER LA PROVA DI STATISTICA ESERCIZI SVOLTI PER LA PROVA DI STATISTICA Stefania Naddeo (anno accademico 4/5) INDICE PARTE PRIMA: STATISTICA DESCRITTIVA. DISTRIBUZIONI DI FREQUENZA E FUNZIONE DI RIPARTIZIONE. VALORI CARATTERISTICI

Dettagli

Elementi di informatica

Elementi di informatica Elementi di informatica Sistemi di numerazione posizionali Rappresentazione dei numeri Rappresentazione dei numeri nei calcolatori rappresentazioni finalizzate ad algoritmi efficienti per le operazioni

Dettagli

Rapida Introduzione all uso del Matlab Ottobre 2002

Rapida Introduzione all uso del Matlab Ottobre 2002 Rapida Introduzione all uso del Matlab Ottobre 2002 Tutti i tipi di dato utilizzati dal Matlab sono in forma di array. I vettori sono array monodimensionali, e così possono essere viste le serie temporali,

Dettagli

Introduzione alla Teoria degli Errori

Introduzione alla Teoria degli Errori Introduzione alla Teoria degli Errori 1 Gli errori di misura sono inevitabili Una misura non ha significato se non viene accompagnata da una ragionevole stima dell errore ( Una scienza si dice esatta non

Dettagli

La distribuzione Normale. La distribuzione Normale

La distribuzione Normale. La distribuzione Normale La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una

Dettagli

I file di dati. Unità didattica D1 1

I file di dati. Unità didattica D1 1 I file di dati Unità didattica D1 1 1) I file sequenziali Utili per la memorizzazione di informazioni testuali Si tratta di strutture organizzate per righe e non per record Non sono adatte per grandi quantità

Dettagli

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI statistica, Università Cattaneo-Liuc, AA 006-007, lezione del 08.05.07 IDICE (lezione 08.05.07 PROBABILITA, VALORE ATTESO E VARIAZA DELLE QUATITÁ ALEATORIE E LORO RELAZIOE CO I DATI OSSERVATI 3.1 Valore

Dettagli

AUTOLIVELLI (orizzontalità ottenuta in maniera automatica); LIVELLI DIGITALI (orizzontalità e lettura alla stadia ottenute in maniera automatica).

AUTOLIVELLI (orizzontalità ottenuta in maniera automatica); LIVELLI DIGITALI (orizzontalità e lettura alla stadia ottenute in maniera automatica). 3.4. I LIVELLI I livelli sono strumenti a cannocchiale orizzontale, con i quali si realizza una linea di mira orizzontale. Vengono utilizzati per misurare dislivelli con la tecnica di livellazione geometrica

Dettagli

Dott.ssa Caterina Gurrieri

Dott.ssa Caterina Gurrieri Dott.ssa Caterina Gurrieri Le relazioni tra caratteri Data una tabella a doppia entrata, grande importanza riveste il misurare se e in che misura le variabili in essa riportata sono in qualche modo

Dettagli

if t>=0 x=1; else x=0; end fornisce, nella variabile x, il valore della funzione gradino a tempi continui, calcolata in t.

if t>=0 x=1; else x=0; end fornisce, nella variabile x, il valore della funzione gradino a tempi continui, calcolata in t. Il programma MATLAB In queste pagine si introduce in maniera molto breve il programma di simulazione MAT- LAB (una abbreviazione di MATrix LABoratory). Introduzione MATLAB è un programma interattivo di

Dettagli

GeoGebra 4.2 Introduzione all utilizzo della Vista CAS per il secondo biennio e il quinto anno

GeoGebra 4.2 Introduzione all utilizzo della Vista CAS per il secondo biennio e il quinto anno GeoGebra 4.2 Introduzione all utilizzo della Vista CAS per il secondo biennio e il quinto anno La Vista CAS L ambiente di lavoro Le celle Assegnazione di una variabile o di una funzione / visualizzazione

Dettagli

F (x) = f(x) per ogni x I. Per esempio:

F (x) = f(x) per ogni x I. Per esempio: Funzioni Primitive (Integrali Indefiniti) (l.v.) Pur essendo un argomento che fa parte del Calcolo Differenziale, molti autori inseriscono funzioni primitive nel capitolo sul Calcolo Integrale, in quanto

Dettagli

IL SAMPLE AND HOLD UNIVERSITÀ DEGLI STUDI DI MILANO. Progetto di Fondamenti di Automatica. PROF.: M. Lazzaroni

IL SAMPLE AND HOLD UNIVERSITÀ DEGLI STUDI DI MILANO. Progetto di Fondamenti di Automatica. PROF.: M. Lazzaroni UNIVERSITÀ DEGLI STUDI DI MILANO FACOLTÀ DI SCIENZE MATEMATICHE, FISICHE E NATURALI Corso di Laurea in Informatica IL SAMPLE AND HOLD Progetto di Fondamenti di Automatica PROF.: M. Lazzaroni Anno Accademico

Dettagli

QUARTA E QUINTA ISTITUTO TECNICO INDUSTRIALE

QUARTA E QUINTA ISTITUTO TECNICO INDUSTRIALE QUARTA E QUINTA ISTITUTO TECNICO INDUSTRIALE - Matematica - Griglie di valutazione Materia: Matematica Obiettivi disciplinari Gli obiettivi indicati si riferiscono all intero percorso della classe quarta

Dettagli

Lezione 12: La visione robotica

Lezione 12: La visione robotica Robotica Robot Industriali e di Servizio Lezione 12: La visione robotica L'acquisizione dell'immagine L acquisizione dell immagine Sensori a tubo elettronico (Image-Orthicon, Plumbicon, Vidicon, ecc.)

Dettagli

Un ripasso di aritmetica: Conversione dalla base 10 alla base 16

Un ripasso di aritmetica: Conversione dalla base 10 alla base 16 Un ripasso di aritmetica: Conversione dalla base 1 alla base 16 Dato un numero N rappresentato in base dieci, la sua rappresentazione in base sedici sarà del tipo: c m c m-1... c 1 c (le c i sono cifre

Dettagli

FUNZIONI LINEARI. FUNZIONE VALORE ASSOLUTO. Si chiama funzione lineare (o funzione affine) una funzione del tipo = +

FUNZIONI LINEARI. FUNZIONE VALORE ASSOLUTO. Si chiama funzione lineare (o funzione affine) una funzione del tipo = + FUNZIONI LINEARI. FUNZIONE VALORE ASSOLUTO Si chiama funzione lineare (o funzione affine) una funzione del tipo = + dove m e q sono numeri reali fissati. Il grafico di tale funzione è una retta, di cui

Dettagli

Equazioni non lineari

Equazioni non lineari Dipartimento di Matematica tel. 011 0907503 stefano.berrone@polito.it http://calvino.polito.it/~sberrone Laboratorio di modellazione e progettazione materiali Trovare il valore x R tale che f (x) = 0,

Dettagli

Parte 2. Determinante e matrice inversa

Parte 2. Determinante e matrice inversa Parte. Determinante e matrice inversa A. Savo Appunti del Corso di Geometria 013-14 Indice delle sezioni 1 Determinante di una matrice, 1 Teorema di Cramer (caso particolare), 3 3 Determinante di una matrice

Dettagli

Stima per intervalli Nei metodi di stima puntuale è sempre presente un ^ errore θ θ dovuto al fatto che la stima di θ in genere non coincide con il parametro θ. Sorge quindi l esigenza di determinare una

Dettagli

Integrazione numerica

Integrazione numerica Integrazione numerica Lucia Gastaldi Dipartimento di Matematica, http://dm.ing.unibs.it/gastaldi/ Lezione 6-20-26 ottobre 2009 Indice 1 Formule di quadratura semplici e composite Formule di quadratura

Dettagli

Principal Component Analysis

Principal Component Analysis Principal Component Analysis Alessandro Rezzani Abstract L articolo descrive una delle tecniche di riduzione della dimensionalità del data set: il metodo dell analisi delle componenti principali (Principal

Dettagli

PROPRIETA' ASSOCIATIVA La somma di tre o più addendi non cambia se al posto di alcuni di essi si sostituisce la loro somma.

PROPRIETA' ASSOCIATIVA La somma di tre o più addendi non cambia se al posto di alcuni di essi si sostituisce la loro somma. Addizione: PROPRIETA' COMMUTATIVA Cambiando l'ordine degli addendi la somma non cambia. 1) a + b = b + a PROPRIETA' ASSOCIATIVA La somma di tre o più addendi non cambia se al posto di alcuni di essi si

Dettagli

Algoritmo euclideo, massimo comun divisore ed equazioni diofantee

Algoritmo euclideo, massimo comun divisore ed equazioni diofantee Algoritmo euclideo, massimo comun divisore ed equazioni diofantee Se a e b sono numeri interi, si dice che a divide b, in simboli: a b, se e solo se esiste c Z tale che b = ac. Si può subito notare che:

Dettagli

Metodi e Strumenti per la Caratterizzazione e la Diagnostica di Trasmettitori Digitali RF ing. Gianfranco Miele g.miele@unicas.it

Metodi e Strumenti per la Caratterizzazione e la Diagnostica di Trasmettitori Digitali RF ing. Gianfranco Miele g.miele@unicas.it Corso di laurea magistrale in Ingegneria delle Telecomunicazioni Metodi e Strumenti per la Caratterizzazione e la Diagnostica di Trasmettitori Digitali RF ing. Gianfranco Miele g.miele@unicas.it Trasmettitore

Dettagli

Codifica dei numeri negativi

Codifica dei numeri negativi E. Calabrese: Fondamenti di Informatica Rappresentazione numerica-1 Rappresentazione in complemento a 2 Codifica dei numeri negativi Per rappresentare numeri interi negativi si usa la cosiddetta rappresentazione

Dettagli

AUDIOSCOPE Mod. 2813-E - Guida all'uso. Rel. 1.0 DESCRIZIONE GENERALE.

AUDIOSCOPE Mod. 2813-E - Guida all'uso. Rel. 1.0 DESCRIZIONE GENERALE. 1 DESCRIZIONE GENERALE. DESCRIZIONE GENERALE. L'analizzatore di spettro Mod. 2813-E consente la visualizzazione, in ampiezza e frequenza, di segnali musicali di frequenza compresa tra 20Hz. e 20KHz. in

Dettagli

Introduzione. Classificazione delle non linearità

Introduzione. Classificazione delle non linearità Introduzione Accade spesso di dover studiare un sistema di controllo in cui sono presenti sottosistemi non lineari. Alcuni di tali sottosistemi sono descritti da equazioni differenziali non lineari, ad

Dettagli

STUDIO DI UNA FUNZIONE

STUDIO DI UNA FUNZIONE STUDIO DI UNA FUNZIONE OBIETTIVO: Data l equazione Y = f(x) di una funzione a variabili reali (X R e Y R), studiare l andamento del suo grafico. PROCEDIMENTO 1. STUDIO DEL DOMINIO (CAMPO DI ESISTENZA)

Dettagli

Studente: SANTORO MC. Matricola : 528

Studente: SANTORO MC. Matricola : 528 CORSO di LAUREA in INFORMATICA Corso di CALCOLO NUMERICO a.a. 2004-05 Studente: SANTORO MC. Matricola : 528 PROGETTO PER L ESAME 1. Sviluppare una versione dell algoritmo di Gauss per sistemi con matrice

Dettagli

Nella prima lezione... Che cos è il Digitale. Prima parte: Che cos è il Digitale. Che cos è il Digitale. Che cos è il Digitale

Nella prima lezione... Che cos è il Digitale. Prima parte: Che cos è il Digitale. Che cos è il Digitale. Che cos è il Digitale !"$#%!" #% Nella prima lezione... Definizione di Informatica Cosa è una soluzione algoritmica Esempi di algoritmi cicalese@dia.unisa.it 2 Prima parte: Società dell informazione Ma cosa vuol dire società

Dettagli

a. 10 4 b. 10-15 c. 10 25 d. 10-4 a. 4,375 10-7 b. 3,625 10-6 c. 4,375 10 2 d. nessuno dei precedenti valori a. 10-5 b. 10 +5 c. 10 +15 d.

a. 10 4 b. 10-15 c. 10 25 d. 10-4 a. 4,375 10-7 b. 3,625 10-6 c. 4,375 10 2 d. nessuno dei precedenti valori a. 10-5 b. 10 +5 c. 10 +15 d. 1) Il valore di 5 10 20 è: a. 10 4 b. 10-15 c. 10 25 d. 10-4 2) Il valore del rapporto (2,8 10-4 ) / (6,4 10 2 ) è: a. 4,375 10-7 b. 3,625 10-6 c. 4,375 10 2 d. nessuno dei precedenti valori 3) La quantità

Dettagli

TELECOMUNICAZIONI (TLC) Generico sistema di telecomunicazione (TLC) Trasduttore. Attuatore CENNI DI TEORIA (MATEMATICA) DELL INFORMAZIONE

TELECOMUNICAZIONI (TLC) Generico sistema di telecomunicazione (TLC) Trasduttore. Attuatore CENNI DI TEORIA (MATEMATICA) DELL INFORMAZIONE TELECOMUNICAZIONI (TLC) Tele (lontano) Comunicare (inviare informazioni) Comunicare a distanza Generico sistema di telecomunicazione (TLC) Segnale non elettrico Segnale elettrico TRASMESSO s x (t) Sorgente

Dettagli

Esponenziali elogaritmi

Esponenziali elogaritmi Esponenziali elogaritmi Potenze ad esponente reale Ricordiamo che per un qualsiasi numero razionale m n prendere n>0) si pone a m n = n a m (in cui si può sempre a patto che a sia un numero reale positivo.

Dettagli

Curve di risonanza di un circuito

Curve di risonanza di un circuito Zuccarello Francesco Laboratorio di Fisica II Curve di risonanza di un circuito I [ma] 9 8 7 6 5 4 3 0 C = 00 nf 0 5 0 5 w [KHz] RLC - Serie A.A.003-004 Indice Introduzione pag. 3 Presupposti Teorici 5

Dettagli

Cristian Secchi Pag. 1

Cristian Secchi Pag. 1 CONTROLLI DIGITALI Laurea Magistrale in Ingegneria Meccatronica SISTEMI A TEMPO DISCRETO Ing. Tel. 0522 522235 e-mail: cristian.secchi@unimore.it http://www.dismi.unimo.it/members/csecchi Richiami di Controlli

Dettagli

Per lo svolgimento del corso risulta particolarmente utile considerare l insieme

Per lo svolgimento del corso risulta particolarmente utile considerare l insieme 1. L insieme R. Per lo svolgimento del corso risulta particolarmente utile considerare l insieme R = R {, + }, detto anche retta reale estesa, che si ottiene aggiungendo all insieme dei numeri reali R

Dettagli

Numeri reali. Funzioni e loro grafici

Numeri reali. Funzioni e loro grafici Argomento Numeri reali. Funzioni e loro grafici Parte B - Funzioni e loro grafici Funzioni reali di variabile reale Definizioni. Supponiamo che A sia un sottoinsieme di R e che esista una legge che ad

Dettagli

LA CORRELAZIONE LINEARE

LA CORRELAZIONE LINEARE LA CORRELAZIONE LINEARE La correlazione indica la tendenza che hanno due variabili (X e Y) a variare insieme, ovvero, a covariare. Ad esempio, si può supporre che vi sia una relazione tra l insoddisfazione

Dettagli

Da una a più variabili: derivate

Da una a più variabili: derivate Da una a più variabili: derivate ( ) 5 gennaio 2011 Scopo di questo articolo è di evidenziare le analogie e le differenze, relativamente al calcolo differenziale, fra le funzioni di una variabile reale

Dettagli

Analisi termografica su celle litio-ione sottoposte ad esperienze di "second life" Francesco D'Annibale, Francesco Vellucci. Report RdS/PAR2013/191

Analisi termografica su celle litio-ione sottoposte ad esperienze di second life Francesco D'Annibale, Francesco Vellucci. Report RdS/PAR2013/191 Agenzia nazionale per le nuove tecnologie, l energia e lo sviluppo economico sostenibile MINISTERO DELLO SVILUPPO ECONOMICO Analisi termografica su celle litio-ione sottoposte ad esperienze di "second

Dettagli

ESEMPIO 1: eseguire il complemento a 10 di 765

ESEMPIO 1: eseguire il complemento a 10 di 765 COMPLEMENTO A 10 DI UN NUMERO DECIMALE Sia dato un numero N 10 in base 10 di n cifre. Il complemento a 10 di tale numero (N ) si ottiene sottraendo il numero stesso a 10 n. ESEMPIO 1: eseguire il complemento

Dettagli

Studio grafico-analitico delle funzioni reali a variabile reale

Studio grafico-analitico delle funzioni reali a variabile reale Studio grafico-analitico delle funzioni reali a variabile reale Sequenza dei passi Classificazione In pratica Classifica il tipo di funzione: Funzione razionale: intera / fratta Funzione irrazionale: intera

Dettagli

I Grafici. La creazione di un grafico

I Grafici. La creazione di un grafico I Grafici I grafici servono per illustrare meglio un concetto o per visualizzare una situazione di fatto e pertanto la scelta del tipo di grafico assume notevole importanza. Creare grafici con Excel è

Dettagli

DISTRIBUZIONE di PROBABILITA. Si dice variabile aleatoria (o casuale) discreta X una quantità variabile che può assumere i

DISTRIBUZIONE di PROBABILITA. Si dice variabile aleatoria (o casuale) discreta X una quantità variabile che può assumere i DISTRIBUZIONE di PROBABILITA Si dice variabile aleatoria (o casuale) discreta X una quantità variabile che uò assumere i valori: ; ;, n al verificarsi degli eventi incomatibili e comlementari: E ; E ;..;

Dettagli

Filtri attivi del primo ordine

Filtri attivi del primo ordine Filtri attivi del primo ordine Una sintesi non esaustiva degli aspetti essenziali (*) per gli allievi della 4 A A T.I.E. 08-09 (pillole per il ripasso dell argomento, da assumere in forti dosi) (*) La

Dettagli

LA NOTAZIONE SCIENTIFICA

LA NOTAZIONE SCIENTIFICA LA NOTAZIONE SCIENTIFICA Definizioni Ricordiamo, a proposito delle potenze del, che = =.000 =.000.000.000.000 ovvero n è uguale ad seguito da n zeri. Nel caso di potenze con esponente negativo ricordiamo

Dettagli

CS. Cinematica dei sistemi

CS. Cinematica dei sistemi CS. Cinematica dei sistemi Dopo aver esaminato la cinematica del punto e del corpo rigido, che sono gli schemi più semplificati con cui si possa rappresentare un corpo, ci occupiamo ora dei sistemi vincolati.

Dettagli

FACOLTA DI INGEGNERIA SCHEDA DIDATTICA N 1

FACOLTA DI INGEGNERIA SCHEDA DIDATTICA N 1 FACOLTA DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA PER L AMBIENTE ED IL TERRITORIO CORSO DI STATISTICA E CALCOLO DELLE PROBABILITA PROF. PASQUALE VERSACE SCHEDA DIDATTICA N ARGOMENTO: CALCOLO DELLE PROBABILITA

Dettagli

LE FUNZIONI E LE LORO PROPRIETÀ

LE FUNZIONI E LE LORO PROPRIETÀ LE FUNZIONI E LE LORO PROPRIETÀ LE FUNZIONI REALI DI VARIABILE REALE COSA SONO LE FUNZIONI Dati due sottoinsiemi A e B non vuoti di R, una FUNZIONE da A a B è una relazione che associa ad ogni numero reale

Dettagli

LA FUNZIONE ESPONENZIALE E IL LOGARITMO

LA FUNZIONE ESPONENZIALE E IL LOGARITMO LA FUNZIONE ESPONENZIALE E IL LOGARITMO APPUNTI PER IL CORSO DI ANALISI MATEMATICA I G. MAUCERI Indice 1. Introduzione 1 2. La funzione esponenziale 2 3. Il numero e di Nepero 9 4. L irrazionalità di e

Dettagli

La Funzione Caratteristica di una Variabile Aleatoria

La Funzione Caratteristica di una Variabile Aleatoria La Funzione Caratteristica di una Variabile Aleatoria La funzione caratteristica Φ densità di probabilità è f + Φ ω = ω di una v.a., la cui x, è definita come: jωx f x e dx E e j ω Φ ω = 1 La Funzione

Dettagli

EQUAZIONI non LINEARI

EQUAZIONI non LINEARI EQUAZIONI non LINEARI Francesca Pelosi Dipartimento di Matematica, Università di Roma Tor Vergata CALCOLO NUMERICO e PROGRAMMAZIONE http://www.mat.uniroma2.it/ pelosi/ EQUAZIONI non LINEARI p.1/44 EQUAZIONI

Dettagli

ESTRAZIONE DI RADICE

ESTRAZIONE DI RADICE ESTRAZIONE DI RADICE La radice è l operazione inversa dell elevamento a potenza. L esponente della potenza è l indice della radice che può essere: quadrata (); cubica (); quarta (4); ecc. La base della

Dettagli

ELEMENTI DI STATISTICA

ELEMENTI DI STATISTICA Pag 1 di 92 Francesco Sardo ELEMENTI DI STATISTICA PER VALUTATORI DI SISTEMI QUALITA AMBIENTE - SICUREZZA REV. 11 16/08/2009 Pag 2 di 92 Pag 3 di 92 0 Introduzione PARTE I 1 Statistica descrittiva 1.1

Dettagli

Studio sperimentale della propagazione di un onda meccanica in una corda

Studio sperimentale della propagazione di un onda meccanica in una corda Studio sperimentale della propagazione di un onda meccanica in una corda Figura 1: Foto dell apparato sperimentale. 1 Premessa 1.1 Velocità delle onde trasversali in una corda E esperienza comune che quando

Dettagli

METODI ITERATIVI PER SISTEMI LINEARI

METODI ITERATIVI PER SISTEMI LINEARI METODI ITERATIVI PER SISTEMI LINEARI LUCIA GASTALDI 1. Metodi iterativi classici Sia A R n n una matrice non singolare e sia b R n. Consideriamo il sistema (1) Ax = b. Un metodo iterativo per la soluzione

Dettagli

DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE

DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE DISTRIBUZIONI DI VARIABILI CASUALI DISCRETE variabile casuale (rv): regola che associa un numero ad ogni evento di uno spazio E. variabile casuale di Bernoulli: rv che può assumere solo due valori (e.g.,

Dettagli

Laboratorio di Elettrotecnica

Laboratorio di Elettrotecnica 1 Laboratorio di Elettrotecnica Rappresentazione armonica dei Segnali Prof. Pietro Burrascano - Università degli Studi di Perugia Polo Scientifico Didattico di Terni 2 SEGNALI: ANDAMENTI ( NEL TEMPO, NELLO

Dettagli

Dipendenza dai dati iniziali

Dipendenza dai dati iniziali Dipendenza dai dati iniziali Dopo aver studiato il problema dell esistenza e unicità delle soluzioni dei problemi di Cauchy, il passo successivo è vedere come le traiettorie di queste ultime dipendono

Dettagli

VARIABILI E DISTRIBUZIONI DI FREQUENZA A.A. 2010/2011

VARIABILI E DISTRIBUZIONI DI FREQUENZA A.A. 2010/2011 VARIABILI E DISTRIBUZIONI DI FREQUENZA A.A. 2010/2011 1 RAPPRESENTARE I DATI: TABELLE E GRAFICI Un insieme di misure è detto serie statistica o serie dei dati 1) Una sua prima elementare elaborazione può

Dettagli

1 Medie. la loro media aritmetica è il numero x dato dalla formula: x = x 1 + x 2 +... + x n

1 Medie. la loro media aritmetica è il numero x dato dalla formula: x = x 1 + x 2 +... + x n 1 Medie La statistica consta di un insieme di metodi atti a elaborare e a sintetizzare i dati relativi alle caratteristiche di una fissata popolazione, rilevati mediante osservazioni o esperimenti. Col

Dettagli

TECNICHE DI SIMULAZIONE

TECNICHE DI SIMULAZIONE TECNICHE DI SIMULAZIONE MODELLI STATISTICI NELLA SIMULAZIONE Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Modelli statistici nella simulazione

Dettagli

Sistemi e modelli matematici

Sistemi e modelli matematici 0.0.. Sistemi e modelli matematici L automazione è un complesso di tecniche volte a sostituire l intervento umano, o a migliorarne l efficienza, nell esercizio di dispositivi e impianti. Un importante

Dettagli

Circuiti Elettrici. Schema riassuntivo. Assumendo positive le correnti uscenti da un nodo e negative quelle entranti si formula l importante

Circuiti Elettrici. Schema riassuntivo. Assumendo positive le correnti uscenti da un nodo e negative quelle entranti si formula l importante Circuiti Elettrici Schema riassuntivo Leggi fondamentali dei circuiti elettrici lineari Assumendo positive le correnti uscenti da un nodo e negative quelle entranti si formula l importante La conseguenza

Dettagli

APPLICAZIONI LINEARI

APPLICAZIONI LINEARI APPLICAZIONI LINEARI 1. Esercizi Esercizio 1. Date le seguenti applicazioni lineari (1) f : R 2 R 3 definita da f(x, y) = (x 2y, x + y, x + y); (2) g : R 3 R 2 definita da g(x, y, z) = (x + y, x y); (3)

Dettagli

Così come le macchine meccaniche trasformano

Così come le macchine meccaniche trasformano DENTRO LA SCATOLA Rubrica a cura di Fabio A. Schreiber Il Consiglio Scientifico della rivista ha pensato di attuare un iniziativa culturalmente utile presentando in ogni numero di Mondo Digitale un argomento

Dettagli

I db, cosa sono e come si usano. Vediamo di chiarire le formule.

I db, cosa sono e come si usano. Vediamo di chiarire le formule. I db, cosa sono e come si usano. Il decibel è semplicemente una definizione; che la sua formulazione è arbitraria o, meglio, è definita per comodità e convenienza. La convenienza deriva dall osservazione

Dettagli

Dinamica e Misura delle Vibrazioni

Dinamica e Misura delle Vibrazioni Dinamica e Misura delle Vibrazioni Prof. Giovanni Moschioni Politecnico di Milano, Dipartimento di Meccanica Sezione di Misure e Tecniche Sperimentali giovanni.moschioni@polimi.it VibrazionI 2 Il termine

Dettagli

Indice generale. Modulo 1 Algebra 2

Indice generale. Modulo 1 Algebra 2 Indice generale Modulo 1 Algebra 2 Capitolo 1 Scomposizione in fattori. Equazioni di grado superiore al primo 1.1 La scomposizione in fattori 2 1.2 Raccoglimento a fattor comune 3 1.3 Raccoglimenti successivi

Dettagli

ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE

ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE ALGEBRA: LEZIONI DAL 13 OTTOBRE AL 3 NOVEMBRE 1 DIPENDENZA E INDIPENDENZA LINEARE Se ho alcuni vettori v 1, v 2,, v n in uno spazio vettoriale V, il sottospazio 1 W = v 1,, v n di V da loro generato è

Dettagli

VC-dimension: Esempio

VC-dimension: Esempio VC-dimension: Esempio Quale è la VC-dimension di. y b = 0 f() = 1 f() = 1 iperpiano 20? VC-dimension: Esempio Quale è la VC-dimension di? banale. Vediamo cosa succede con 2 punti: 21 VC-dimension: Esempio

Dettagli

Nota su Crescita e Convergenza

Nota su Crescita e Convergenza Nota su Crescita e Convergenza S. Modica 28 Ottobre 2007 Nella prima sezione si considerano crescita lineare ed esponenziale e le loro proprietà elementari. Nella seconda sezione si spiega la misura di

Dettagli

γ (t), e lim γ (t) cioè esistono la tangente destra e sinistra negli estremi t j e t j+1.

γ (t), e lim γ (t) cioè esistono la tangente destra e sinistra negli estremi t j e t j+1. Capitolo 6 Integrali curvilinei In questo capitolo definiamo i concetti di integrali di campi scalari o vettoriali lungo curve. Abbiamo bisogno di precisare le curve e gli insiemi che verranno presi in

Dettagli

UTILIZZO DEI METODI MULTICRITERI O MULTIOBIETTIVI NELL OFFERTA ECONOMICAMENTE PIÙ VANTAGGIOSA. Filippo Romano 1

UTILIZZO DEI METODI MULTICRITERI O MULTIOBIETTIVI NELL OFFERTA ECONOMICAMENTE PIÙ VANTAGGIOSA. Filippo Romano 1 UTILIZZO DEI METODI MULTICRITERI O MULTIOBIETTIVI NELL OFFERTA ECONOMICAMENTE PIÙ VANTAGGIOSA Filippo Romano 1 1. Introduzione 2. Analisi Multicriteri o Multiobiettivi 2.1 Formule per l attribuzione del

Dettagli

Matematica B - a.a 2006/07 p. 1

Matematica B - a.a 2006/07 p. 1 Matematica B - a.a 2006/07 p. 1 Definizione 1. Un sistema lineare di m equazioni in n incognite, in forma normale, è del tipo a 11 x 1 + + a 1n x n = b 1 a 21 x 1 + + a 2n x n = b 2 (1) = a m1 x 1 + +

Dettagli

Quando troncare uno sviluppo in serie di Taylor

Quando troncare uno sviluppo in serie di Taylor Quando troncare uno sviluppo in serie di Taylor Marco Robutti October 13, 2014 Lo sviluppo in serie di Taylor di una funzione è uno strumento matematico davvero molto utile, e viene spesso utilizzato in

Dettagli

ELEMENTI DI GRAFICA IN AMBIENTE DEV-PASCAL v. 9.2

ELEMENTI DI GRAFICA IN AMBIENTE DEV-PASCAL v. 9.2 ELEMENTI DI GRAFICA IN AMBIENTE DEV-PASCAL v. 9.2 MODULI GRAPH, DOS E CRT Una volta entrati in ambiente DEV-Pascal possiamo cominciare ad editare un programma nel modo che conosciamo. Se dobbiamo far uso

Dettagli

19. Inclusioni tra spazi L p.

19. Inclusioni tra spazi L p. 19. Inclusioni tra spazi L p. Nel n. 15.1 abbiamo provato (Teorema 15.1.1) che, se la misura µ è finita, allora tra i corispondenti spazi L p (µ) si hanno le seguenti inclusioni: ( ) p, r ]0, + [ : p

Dettagli

tanhαl + i tan(ωl/v) 1 + i tanh αl tan(ωl/v). (10.1)

tanhαl + i tan(ωl/v) 1 + i tanh αl tan(ωl/v). (10.1) 10 - La voce umana Lo strumento a fiato senz altro più importante è la voce, ma è anche il più difficile da trattare in modo esauriente in queste brevi note, a causa della sua complessità. Vediamo innanzitutto

Dettagli

I COLORI DEL CIELO: COME SI FORMANO LE IMMAGINI ASTRONOMICHE

I COLORI DEL CIELO: COME SI FORMANO LE IMMAGINI ASTRONOMICHE I COLORI DEL CIELO: COME SI FORMANO LE IMMAGINI ASTRONOMICHE Nell ultima notte di osservazione abbiamo visto bellissime immagini della Galassia, delle sue stelle e delle nubi di gas che la compongono.

Dettagli

Introduzione ad Access

Introduzione ad Access Introduzione ad Access Luca Bortolussi Dipartimento di Matematica e Informatica Università degli studi di Trieste Access E un programma di gestione di database (DBMS) Access offre: un supporto transazionale

Dettagli

Parte 3. Rango e teorema di Rouché-Capelli

Parte 3. Rango e teorema di Rouché-Capelli Parte 3. Rango e teorema di Rouché-Capelli A. Savo Appunti del Corso di Geometria 203-4 Indice delle sezioni Rango di una matrice, 2 Teorema degli orlati, 3 3 Calcolo con l algoritmo di Gauss, 6 4 Matrici

Dettagli

MINIMI QUADRATI. REGRESSIONE LINEARE

MINIMI QUADRATI. REGRESSIONE LINEARE MINIMI QUADRATI. REGRESSIONE LINEARE Se il coefficiente di correlazione r è prossimo a 1 o a -1 e se il diagramma di dispersione suggerisce una relazione di tipo lineare, ha senso determinare l equazione

Dettagli