Introduzione a Matlab
|
|
- Dante Zani
- 5 anni fa
- Visualizzazioni
Transcript
1 Introduzione a Matlab Operazioni di Base & Edge Detection Fondamenti di Visione Artificiale a.a. 25/26 2/5/6 Estrazione dei Contorni
2 Lezione V: indice Filtri e Kernel Line Detection Edge Detection Edge Detection e Rumore Esercizi 2/5/6 Estrazione dei Contorni 2
3 Definizione di un filtro: Kernel Ciascun filtro è definito dal Kernel corrispondente. Un kernel è una matrice 3 3 o 5 5 di valori reali o interi. Un filtro è applicato all immagine attraverso una operazione di convoluzione. 2/5/6 Estrazione dei Contorni 3
4 Convoluzione il filtro legge successivamente da sinistra a destra e dall'alto verso il basso tutti i pixel dell'area di azione del kernel. Moltiplica il valore di ciascuno per i corrispondenti valori del kernel poi somma i risultati: (*)+(5*)+(5*)*(*)+(*) +(*)+(*)+(*)+(*)+(*) = 5. 2/5/6 Estrazione dei Contorni 4
5 Operatori differenziali Ricerca di discontinuità (un cambiamento brusco di valore) Il problema viene affrontato tramite l'analisi della derivata In generale il problema della differenziazione risulta mal posto Un problema è ben posto se la sua soluzione: Esiste È unica Dipende con continuità dai dati iniziali Estrazione dei Contorni
6 Operatori differenziali Nel continuo una regione di transizione viene evidenziata dall'andamento della derivata prima Dovendo scegliere un punto preciso si può prendere il massimo (minimo) della derivata prima o lo zero (punto di attraversamento dell'asse x) della derivata seconda Estrazione dei Contorni
7 Operatori differenziali f(x) è l'intensità dell'immagine Estrazione dei Contorni
8 Derivata discreta La derivata può essere approssimata tramite una differenza Lo stesso approccio vale per la derivata seconda In uno spazio bidimensionale al posto della derivata si ha il gradiente (si noti che il gradiente è un vettore) Estrazione dei Contorni
9 Approssimazioni del gradiente Il gradiente è un vettore (ha due componenti) Gli operatori differenziali nel discreto sono realizzati tramite maschere a somma nulla: l'applicazione a una regione uniforme deve dare risultato zero Estrazione dei Contorni
10 Operatore di Roberts È la soluzione più semplice Si sfruttano due maschere M e M 2 per ottenere due componenti ortogonali del gradiente G =M *I,G 2 =M 2 *I È molto sensibile al rumore Il modulo del gradiente risulta: G m = sqrt(g 2 +G 22 ) la fase: G φ = arctan(g 2 / G )+π/4 - - Estrazione dei Contorni
11 Operatore isotropico Si sfruttano due maschere M x e M y per ottenere le due componenti ortogonali del gradiente G x =M x *I,G y =M y *I Il modulo del gradiente risulta: G m = sqrt(g x2 +G y2 ) la fase: G φ = arctan(g y /G x ) In C e Java: phi = atan2(g y,g x ) Estrazione dei Contorni
12 Operatore di Sobel Per evitare i problemi di calcolo con i numeri reali, l'operatore isotropico viene normalmente approssimato: Prewitt Sobel Estrazione dei Contorni
13 Operatore Laplaciano Una alternativa al gradiente è lo studio della derivata seconda (laplaciano) tende a formare contorni chiusi lo spessore dei bordi rilevati tipicamente è di un solo pixel Il principale problema dell operatore laplaciano è l estrema sensibilità al rumore -4 2/5/6 Estrazione dei Contorni 3
14 Line Detection A = double(imread( Linee.jpg )); h = [ ; ; - - -]; h2 = [ -; -; -]; B = conv2(a, h); B2 = conv2(a, h2); % linee orizzontali % linee verticali % convoluzione bidimensionale % convoluzione bidimensionale subplot(2,2,); hold on; imshow(uint8(a)); subplot(2,2,2); hold on; imshow(uint8(b)); subplot(2,2,3); hold on; imshow(uint8(b2)); 2/5/6 Estrazione dei Contorni 4
15 Line Detection (Output) 2/5/6 Estrazione dei Contorni 5
16 Line Detection A = imread( linee.jpg ); A2 = imread( linee2.jpg ); h = [ ; ; - - -]; h2 = [ -; -; - ]; B = conv2(a, h); B2 = conv2(a, h2); B3 = conv2(a2, h); B4 = conv2(a2, h2); % linee orizzontali % linee verticali subplot(3,2,); hold on; imshow(uint8(a)); subplot(3,2,2); imshow(uint8(a2)); subplot(3,2,3); imshow(uint8(b)); subplot(3,2,4); imshow(uint8(b3)); subplot(3,2,5); imshow(uint8(b2)); subplot(3,2,6); imshow(uint8(b4)); 2/5/6 Estrazione dei Contorni 6
17 Line Detection (Output) 2/5/6 Estrazione dei Contorni 7
18 Edge Detection () La funzione in matlab per l edge detection è: BW = edge(i, filter',thresh,direction) I filtri a disposizione sono: Sobel Prewitt Roberts Log Zerocross canny 2/5/6 Estrazione dei Contorni 8
19 Edge Detection A = imread( scale.jpg ); B = edge(a,'sobel'); B2 = edge(a, prewitt'); B3 = edge(a, roberts'); B4 = edge(a, log'); B5 = edge(a, zerocross'); B6 = edge(a, canny'); figure(); imshow(uint8(a)); xlabel( original ); figure(2); imshow(uint8(b)); xlabel( sobel ); figure(3); imshow(uint8(b2)); xlabel( prewitt ); figure(4); imshow(uint8(b3)); xlabel( roberts ); figure(5); imshow(uint8(b4)); xlabel( log ); figure(6); imshow(uint8(b5)); xlabel( zerocross ); figure(7); imshow(uint8(b6)); xlabel( canny ); 2/5/6 Estrazione dei Contorni 9
20 Edge Detection (Output) Sobel Canny Prewitt Original Log Zerocross 2/5/6 Estrazione dei Contorni 2
21 Edge Detection % Estrazione dei contorni close all; clear all; A = imread('scale.jpg'); figure; imshow(uint8(a)); A = double(a); B = filtro_laplaciano(a); figure; imshow(uint8(b)); C = filtro_prewitt(a); figure; imshow(uint8(c)); D = filtro_sobel(a); figure; imshow(uint8(d)); E = filtro_canny(a,.); figure; imshow(uint8(e), [ ]); 2/5/6 Estrazione dei Contorni 2
22 Robert Cross A = imread( libri_noise.jpg ); h = [ ; - -]; h2 = [ ; ; - ; -]; h3 = [ ; ; ; - ; - ; -; ]; B = uint8(conv2(a,h)); B2 = uint8(conv2(a,h2)); B3 = uint8(conv2(a,h3)); figure(); imshow(a); xlabel( original ); figure(2); imshow(b); xlabel( 2x2 ); figure(3); imshow(b2); xlabel( 3x3 ); figure(4); imshow(b3); xlabel( 4x4 ); 2/5/6 Estrazione dei Contorni 22
23 Robert Cross 2/5/6 Estrazione dei Contorni 23
24 Edge Detection in presenza di rumore % Estrazione dei contorni con rumore A = imread('libri_noise.jpg'); B = filtro_sobel(a); B2 = filtro_prewitt(a); B3 = filtro_laplaciano(a); B4 = filtro_canny(a,.); figure(); imshow(uint8(a)); xlabel('original'); figure(2); imshow(uint8(b)); xlabel('prewitt'); figure(3); imshow(uint8(b2)); xlabel('laplaciano'); figure(4); imshow(uint8(b4), [ ]); xlabel('canny'); 2/5/6 Estrazione dei Contorni 24
25 Edge Detection in presenza di rumore Prewitt Canny Original Sobel Laplaciano 2/5/6 Estrazione dei Contorni 25
26 Edge Detection in presenza di rumore (Sobel) 3x3 5x5 2/5/6 Estrazione dei Contorni 26
27 Edge Detection in presenza di rumore (Prewitt) 3x3 5x5 2/5/6 Estrazione dei Contorni 27
28 Edge Detection in presenza di rumore (Laplaciano) 3x3 5x5 2/5/6 Estrazione dei Contorni 28
29 Edge Detection in presenza di rumore (Canny) 3x3 5x5 2/5/6 Estrazione dei Contorni 29
30 Esercizio I Caricare l immagine mappa.jpeg. Trovare il migliore fra i filtri per l edge detection in modo da mettere in evidenza i confini. 2/5/6 Estrazione dei Contorni 3
31 Esercizio II Caricare l immagine oggetto.jpeg ed estrarre il contorno, limitando le imperfezioni. 2/5/6 Estrazione dei Contorni 3
32 Soluzione () % ESERCIZIO II - Soluzione I A = imread('oggetto.jpg'); subplot(2,2,); hold on; imshow(uint8(a)); xlabel('originale'); %approccio diretto B = filtro_canny(a,.5); subplot(2,2,2); imshow(uint8(b)); xlabel('metodo diretto'); 2/5/6 Estrazione dei Contorni 32
33 Soluzione (2) % ESERCIZIO II - Soluzione II (con raffinamento) %approccio con raffinamento B = filtro_canny(a,.5); subplot(2,2,3); imshow(uint8(b)); xlabel( senza smoothing'); %approccio con raffinamento B = A; for i=:5 B = filtro_gaussiano(b, 4); end C = filtro_canny(b,.5); subplot(2,2,4); imshow(uint8(c)); xlabel('con smoothing e cambio di soglia'); 2/5/6 Estrazione dei Contorni 33
Introduzione a Matlab
Introduzione a Matlab Filtri: Media, Gaussiano, Mediano Fondamenti di Visione Artificiale a.a. 2015/2016 07/04/16 Introduzione a Matlab 1 Definizione di un filtro: Kernel Ciascun filtro è definito dal
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
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
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
DettagliIntroduzione a Matlab
Introduzione a Matlab Contrasto, Soglia, Rumore Fondamenti di Visione Artificiale a.a. 2015/2016 07/04/16 Introduzione a Matlab 1 Istogramma di un immagine Conta il numero di occorrenze di ciascuna tonalità,
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
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
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
DettagliFiltraggio. 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
DettagliIntroduzione a Matlab
Introduzione a Matlab Contrasto, Soglia, Rumore A cura di: Daniel Riccio http://www.dmi.unisa.it/people/riccio/www/teaching.htm http://www.dmi.unisa.it/people/nappi 26/11/2013 Introduzione a Matlab 1 Istogramma
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
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
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 Deinizione degli operatori locali Filtri di smoothing Filtri di sharpening Filtri derivativi Operatori locali Questi operatori sono usati per: miglioramento della
DettagliIntroduzione a Matlab
Introduzione a Matlab Operatori Morfologici Fondamenti di Visione Artificiale a.a. 2015/2016 12/05/16 Introduzione a Matlab 1 Operatori Morfologici Dilation: The value of the output pixel is the maximum
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
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
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
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
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
DettagliLow Level Vision: Edge
Low Level Vision: Edge Prof. Sebastiano Battiato Caratteristiche di immagini In Visione Computazionale il termine feature di immagini si può riferire a due entità possibili: Una proprietà globale di un
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
DettagliIntroduzione a Matlab
Introduzione a Matlab Operatori Morfologici A cura di: Daniel Riccio http://www.dmi.unisa.it/people/riccio/www/teaching.htm http://www.dmi.unisa.it/people/nappi 08/04/2013 Introduzione a Matlab 1 Operatori
DettagliCorso di Visione Artificiale. Filtri parte I. Samuel Rota Bulò
Corso di Visione Artificiale Filtri parte I Samuel Rota Bulò Filtri spaziali Un filtro spaziale è caratterizzato da un intorno e un'operazione che deve essere eseguita sui pixels dell'immagine in quell'intorno.
DettagliElaborazione di immagini. Trasformare e migliorare. Scopi dell elaborazione. Tipi di elaborazione
Elaborazione di immagini Trasformare e migliorare Procedimento che data un immagine originale f(x,y) ne generi una nuova g(x,y) i cui pixel siano stati trasformati secondo un determinato algoritmo. f(x,y)
DettagliImmagini digitali. Annalisa Franco
Immagini digitali Annalisa Franco annalisa.franco@unibo.it http://bias.csr.unibo.it/vr/ 2 Formazione dell immagine Immagine tratta dal testo Digital Image Processing (Gonzalez, Woods). Immagini Un immagine
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.
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
DettagliFiltraggio spaziale Soluzioni
1 Filtri di smoothing 1. Smoothing seguito da thresholding. Elaborazione di Segnali Multimediali a.a. 2017/2018 Filtraggio spaziale Soluzioni x = double(imread( spazio.jpg )); figure(1); imshow(x); h =
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
DettagliUn modello computazionale per la detezione dei bordi
Modelli e Principi della Percezione Data: AA 2010-11 Un modello computazionale per la detezione dei bordi Docente: Prof. Giuseppe Boccignone Scriba: 1 Il problema Il problema della modellazione di un processo
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
DettagliAppunti di Elaborazione di Segnali Multimediali a.a. 2017/2018. La segmentazione. L.Verdoliva
Appunti di Elaborazione di Segnali Multimediali a.a. 2017/2018 L.Verdoliva è il processo che permette di partizionare un immagine in regioni (o oggetti) costituenti sulla base di specifici criteri. Il
DettagliEdge e Segmentazione
Edge e Segmentazione Stefano Ferrari Università degli Studi di Milano stefanoferrari@unimiit Tecniche di calcolo e sistemi operativi e informatica anno accademico 2017 2018 Segmentazione di immagini Molte
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,
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
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
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 =
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
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
Dettagli26 - Funzioni di più Variabili Limiti e Derivate
Università degli Studi di Palermo Facoltà di Economia CdS Statistica per l Analisi dei Dati Appunti del corso di Matematica 26 - Funzioni di più Variabili Limiti e Derivate Anno Accademico 2013/2014 M.
DettagliOperatori vettoriali su R ³
Operatori vettoriali su R ³ Sui campi scalari e vettoriali tridimensionali è possibile definire degli operatori vettoriali che giocano un ruolo importantissimo anche per le applicazioni nel campo fisico
DettagliEsercitazione su filtro di Sobel per l elaborazione delle immagini
Ver. 1. Esercitazione su filtro di Sobel per l elaborazione delle immagini Il filtro di Sobel opera sulle immagini come un gradiente lungo una direzione. In particolare detta f ( x, y) l intensità dell
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
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
DettagliCapitolo 3 TRASFORMAZIONI DI INTENSITA' E FILTRAGGIO SPAZIALE
Capitolo 3 TRASFORMAZIONI DI INTENSITA' E FILTRAGGIO SPAZIALE Le trasformazioni di intensità e i filtraggi trattati in questo capitolo lavorano nel dominio spaziale, cioè nel piano che contiene i pixel
DettagliRichiami di matematica
corso di Economia Politica I (sede di San Benedetto del Tronto) Nota Lo scopo di queste pagine è sostanzialmente quello di richiamare l attenzione degli studenti su alcuni strumenti analitici utili per
DettagliMorfologia matematica. Morfolog ia binaria Morfologia a toni di grigio Tras formata dis tanza
Morfologia matematica Morfolog ia binaria Morfologia a toni di grigio Tras formata dis tanza Definizioni preliminari A E n, t E n Traslazione di A rispetto ad un vettore t A t = { c E n c=a+t, a A } Riflessione
DettagliCalcolo Numerico con elementi di programmazione
Calcolo Numerico con elementi di programmazione (A.A. 2014-2015) Appunti delle lezioni sui metodi per la soluzione di sistemi di equazioni non lineari Sistemi di equazioni non lineari Un sistema di equazioni
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
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
DettagliMatematica e Statistica (A-E, F-O, P-Z)
Matematica e Statistica (A-E, F-O, P-Z) Prova d esame (24/06/20) Università di Verona - Laurea in Biotecnologie - A.A. 200/ Tema A Matematica e Statistica (A-E, F-O, P-Z) Prova di MATEMATICA (A-E, F-O,
DettagliProcessamento delle immagini
Processamento delle immagini Docente: Domenico Daniele Bloisi Novembre 2017 Esercizio 1 Utilizzare il linguaggio di programmazione Python e la libreria OpenCV per visualizzare sullo schermo il logo ASL
DettagliUniversità degli Studi di Catania. DI SCIENZE MATEMATICHE FISICHE E NATURALI Corso di Laurea Specialistica in Informatica.
Università degli Studi di Catania FACOLTÀ DI SCIENZE MATEMATICHE FISICHE E NATURALI Corso di Laurea Specialistica in Informatica Computer Vision Segmentazione di Immagini: tecniche di soglia e region growing
DettagliMatematica e Statistica (A-E, F-O, P-Z)
Matematica e Statistica (A-E, F-O, P-Z) Prova d esame (3/09/011) Università di Verona - Laurea in Biotecnologie - A.A. 010/11 1 Matematica e Statistica (A-E, F-O, P-Z) Prova di MATEMATICA (A-E, F-O, P-Z)
DettagliIntroduzione al Metodo agli Elementi Finiti (FEM) (x, y) Γ Tale formulazione viene detta Formulazione forte del problema.
Introduzione al Metodo agli Elementi Finiti (FEM) Consideriamo come problema test l equazione di Poisson 2 u x 2 + 2 u = f(x, y) u = f y2 definita su un dominio Ω R 2 avente come frontiera la curva Γ,
DettagliMatematica e Statistica (A-E, F-O, P-Z)
Matematica e Statistica (A-E, F-O, P-Z) Prova d esame (08/07/20) Università di Verona - Laurea in Biotecnologie - A.A. 200/ Matematica e Statistica (A-E, F-O, P-Z) Prova di MATEMATICA (A-E, F-O, P-Z) (08/07/20)
DettagliAnalisi Matematica 3, a.a Scritto del quinto appello, 11 settembre 2019 Testi 1
Scritto del quinto appello, 11 settembre 019 Testi 1 1. a) Dato u L 1 R), sia vx) := u x); esprimere ˆv in termini di û. b) Caratterizzare le funzioni u L 1 R) tali che û è una funzione dispari a valori
DettagliMatematica per Economia Finanza e Management
School of Economics and Management Matematica per Economia Finanza e Management A.A. 2015/2016 Annuale Prof. Paolo Crespi E-mail Office pcrespi@liuc.it Piano Terra Antistante Torre Phone +39-0331.572418
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
DettagliEsempio di grafico di una funzione reale di due variabili reali
Esempio di grafico di una funzione reale di due variabili reali In questo lucido è rappresentato il grafico della funzione reale di due variabili reali definita da: f(x, y) = 1 x y, in particolare in alto
DettagliElenco dei simboli 9. Prefazione 10
Indice Elenco dei simboli 9 Prefazione 10 1 Analisi nel dominio del tempo 11 1.1 Segnali tempo discreto... 11 1.1.1 Segnali notevoli tempo discreto... 13 1.1.2 Alcuni criteri di classificazione di segnali
DettagliRISPOSTA IN FREQUENZA DEI SISTEMI LINEARI TEMPO INVARIANTI
RISPOSTA IN FREQUENZA DEI SISTEMI LINEARI TEMPO INVARIANTI 1 Fondamenti di segnali Fondamenti e trasmissione TLC Introduzione Se il segnale d ingresso di un sistema Lineare Tempo-Invariante (LTI e un esponenziale
DettagliMatematica per Economia Finanza e Management
School of Economics and Management Matematica per Economia Finanza e Management A.A. 2017/2018 Annuale Prof. Paolo Crespi E-mail Office pcrespi@liuc.it Piano Terra Antistante Torre Phone +39-0331.572418
DettagliFunzioni di R n a R m e la matrice Jacobiana
0.1 Funzioni di R n a R m. Politecnico di Torino. Funzioni di R n a R m e la matrice Jacobiana Nota Bene: delle lezioni. Questo materiale non deve essere considerato come sostituto 0.1 Funzioni di R n
DettagliMatematica e Statistica
Matematica e Statistica Prova d esame (05/09/202) Università di Verona - Laurea in Biotecnologie - A.A. 20/2 Matematica e Statistica Prova di MATEMATICA (05/09/202) Università di Verona - Laurea in Biotecnologie
DettagliMorfologia Matematica applicata alle Immagini Digitali
Morfologia Matematica applicata alle Immagini Digitali Daniela Garofalo Viviana Zimbone MORFOLOGIA MATEMATICA Branca della matematica rivolta all elaborazione delle immagini. Fornisce strumenti utili per:
DettagliSegnali e Sistemi Laboratorio Matlab
Segnali e Sistemi Laboratorio Matlab Irene Pappalardo irene.pappalardo@gmail.com Corso di Laurea in Ingegneria dell Informazione May 05-12-14, 2014 Segnali e Sistemi Laboratorio Matlab 05-12-14.05.2014
DettagliEsercizi sulle funzioni f : R 2 R. Soluzioni
Esercizi sulle funzioni f : R R Soluzioni. Disegnare il grafico della funzione f : R R, nei casi: (a) f(, ) =. La funzione dipende solo dalla coordinata. In questo caso il grafico rappresenta un piano
DettagliMatematica e Statistica
Matematica e Statistica Prova d Esame (0/09/200) Università di Verona - Laurea in Biotecnologie - A.A. 2009/0 Matematica e Statistica Prova d Esame di MATEMATICA (0/09/200) Università di Verona - Laurea
DettagliMatematica per Economia Finanza e Management
School of Economics and Management Matematica per Economia Finanza e Management A.A. 2016/2017 Annuale Prof. Paolo Crespi E-mail Office pcrespi@liuc.it Piano Terra Antistante Torre Phone +39-0331.572418
DettagliDigital Imaging Esercitazione TTC 12/11/2015
Digital Imaging Esercitazione TTC 12/11/2015 Esercizio 1 Creare una funzione showhist che data una immagine a livelli di grigio, la visualizza in un finestra con il suo istogramma. imshow, subplot, imhist,
DettagliMatematica e Statistica
Matematica e Statistica Prova d esame (25/09/203) Università di Verona - Laurea in Biotecnologie - A.A. 202/3 Matematica e Statistica Prova di MATEMATICA (25/09/203) Università di Verona - Laurea in Biotecnologie
DettagliMatematica per Economia Finanza e Management
School of Economics and Management Matematica per Economia Finanza e Management A.A. 2018/2019 Annuale Prof. Paolo Crespi E-mail Office pcrespi@liuc.it Piano Terra Antistante Torre Phone +39-0331.572418
DettagliDiagrammi di Bode. Lezione 17 1
Diagrammi di Bode Lezione 17 1 Punti critici Tracciare il diagramma di Bode (solo spettro di ampiezza) della funzione di trasferimento: H() s = s 2 + s 2 6 ( s+ 10)( s + 200s+ 10 ) Punti critici: punti
DettagliSOLUZIONE DELL EQUAZIONE DI FOURIER PER PER PIASTRA SOTTILE CON SORGENTE TERMICA IN MOTO UNIFORME
SOLUZIONE DELL EUAZIONE DI FOURIER PER PER PIASTRA SOTTILE CON SORGENTE TERMICA IN MOTO UNIFORME Luca Ghezzi May 2 Abstract L equazione del calore di Fourier è risolta analiticamente nel caso di un mezzo
DettagliMatematica per Economia Finanza e Management
School of Economics and Management Matematica per Economia Finanza e Management A.A. 2018/2019 Annuale Prof. Paolo Crespi E-mail Office pcrespi@liuc.it Piano Terra Antistante Torre Phone +39-0331.572418
DettagliAnalisi Matematica T_2 (prof.g.cupini) A.A CdL Ingegneria Automaz./Energ.Elettrica - Univ.Bologna REGISTRO DELLE LEZIONI
Analisi Matematica T_2 (prof.g.cupini) A.A.2014-2015 - CdL Ingegneria Automaz./Energ.Elettrica - Univ.Bologna REGISTRO DELLE LEZIONI Lu, 23 febbraio 2015 Presentazione del corso. Curve parametriche: definizione.
DettagliStima dei parametri. La v.c. multipla (X 1, X 2,.., X n ) ha probabilità (o densità): Le f( ) sono uguali per tutte le v.c.
Stima dei parametri Sia il carattere X rappresentato da una variabile casuale (v.c.) che si distribuisce secondo la funzione di probabilità f(x). Per investigare su tale carattere si estrae un campione
DettagliSistemi ottici come sistemi lineari
Sistemi ottici come sistemi lineari Corso di Principi e Modelli della Percezione Prof. Giuseppe Boccignone Dipartimento di Informatica Università di Milano boccignone@di.unimi.it http://boccignone.di.unimi.it/pmp_2017.html
DettagliImage Processing Toolbox. Imaging Digitale a.a. 2015/2016
Imaging Digitale a.a. 2015/2016 Operazioni sulle immagini Lettura variabile=imread(nomefile) Scrittura imwrite(variabile,nomefile,parametri) Informazioni imfinfo(nomefile,parametri) Visualizzazione imshow(variabile)
DettagliLaboratorio di Matematica Computazionale A.A Lab. 7
Laboratorio di Matematica Computazionale A.A. 007-008 Lab. 7 Introduzione Toolbo Simbolico Il Toolbo Simbolico di MATLAB definisce un nuovo data type: gli oggetti simbolici, per rappresentare variabili
DettagliCorso di laurea in Geologia Istituzioni di matematiche Esercizi n. 1617/2/5
Corso di laurea in Geologia Istituzioni di matematiche Esercizi n. 1617//5 Determinare il grafico delle funzioni sotto indicate, rispondendo, per quando possibile, ai seguenti punti: Dove è definita la
DettagliPremesse matematiche. 2.1 Gradiente
Premesse matematiche 2.1 Gradiente ia f(x, y, z) : R 3 una funzione scalare delle coordinate spaziali (x, y, z). L ampiezza della funzione f(x, y, z) dipende dal punto di osservazione e risulta in genere
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
DettagliEsercizi proposti. x b) f(x) = 2. Determinare i punti di non derivabilità delle funzioni
Esercizi proposti 1. Calcolare la derivata prima f () per le seguenti funzioni: a) f() = c) f() = ( 1 + 1 b) f() = 1 arctan ) d) f() = cos ( ( + ) 5) e) f() = 1 + sin 1 f) f() = arcsin 1. Determinare i
DettagliLezione 4. Enea Cippitelli e.cippitelli@univpm.it Samuele Gasparrini s.gasparrini@univpm.it
Corso di Tecnologie per le Telecomunicazioni Utilizzo del sensore Kinect in ambiente Matlab Lezione 4 Enea Cippitelli e.cippitelli@univpm.it Samuele Gasparrini s.gasparrini@univpm.it 1 Outline Skeletal
DettagliAppunti sul corso di Complementi di Matematica mod. Analisi prof. B.Bacchelli - a.a. 2010/2011.
Appunti sul corso di Complementi di Matematica mod. Analisi prof. B.Baccelli - a.a. 2010/2011. 06 - Derivate, differenziabilità, piano tangente, derivate di ordine superiore. Riferimenti: R.Adams, Calcolo
Dettagli1. Mercoledì 07/03/2018, ore: 2(2) Introduzione e presentazione del corso. Richiami: i numeri naturali, interi, razionali e reali.
Registro delle lezioni di MATEMATICA 2 Corso di Laurea in Chimica 6 CFU - A.A. 2017/2018 docente: Francesco Demontis ultimo aggiornamento: 28 maggio 2018 1. Mercoledì 07/03/2018, 9 11. ore: 2(2) Introduzione
DettagliMatematica - Prova d esame (25/06/2004)
Matematica - Prova d esame (/6/4) Università di Verona - Laurea in Biotecnologie AI - A.A. /4. (a) Disegnare sul piano di Gauss i numeri z = i e w = i, e scriverne la forma trigonometrica. Calcolare z
DettagliANALISI DI FOURIER. 2πk. è periodica di periodo T. Più precisamente, essendo. T x + 2π = cos. s(x) = s x + T ) T +α. f(x) dx
ANALISI DI FOURIER Sia >. Una funzione f, definita per x R, si dice periodica di periodo, se f(x + = f(x, x R. ( Se una funzione è periodica di periodo, essa è anche periodica di periodo, 3,..., k,....
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
DettagliRisoluzione di un problema di diffusione-trasporto-reazione sul Lago di Garda con Elementi Finiti
Risoluzione di un problema di diffusione-trasporto-reazione sul Lago di Garda con Elementi Finiti Bonazzoli Marcella, Gaburro Elena, Visentin Francesco Università degli studi di Verona Seminario di Calcolo
DettagliImage Processing Toolbox. Imaging Digitale a.a. 2014/2015 Silvia Corchs
Imaging Digitale a.a. 2014/2015 Silvia Corchs Operazioni sulle immagini Lettura variabile=imread(nomefile) Scrittura imwrite(variabile,nomefile,parametri) Informazioni imfinfo(nomefile,parametri) Visualizzazione
DettagliPolitecnico di Torino II Facoltà di Architettura - 5 Luglio 2011 Esercizio 1. Sono date le matrici 2 1, B = 1 4
A Politecnico di Torino II Facoltà di Architettura - 5 Luglio 20 Esercizio. Sono date le matrici A = ( ) 2, B = 4 ( ). 2 a) Calcolare la matrice A. b) Enunciare ed applicare la regola di Cramer per determinare
DettagliMatematica e Statistica
Matematica e Statistica Prova d esame (/07/202) Università di Verona - Laurea in Biotecnologie - A.A. 20/2 Matematica e Statistica Prova di MATEMATICA (/07/202) Università di Verona - Laurea in Biotecnologie
DettagliInterpolazione e Approssimazione
Interpolazione e Approssimazione Dato un insieme di punti di ascisse e ordinate (x j,f j ) mi serve qualche volta di avere a disposizione una funzione, di solito con proprietà particolari, che passi per
Dettagli