Progetto Elaborazione delle Immagini 2. a.a. 2008/09 Alessandro Bergamo
|
|
- Fausto Lelli
- 7 anni fa
- Visualizzazioni
Transcript
1 Progetto Elaborazione delle Immagini 2 a.a. 2008/09 Alessandro Bergamo
2 Oggetto Dati: Una sequenza di scansioni CT ( (computed tomography) ) del torace e addome coordinate di un pixel da usare come seme (seed pixel) Si desidera creare una procedura che segmenti automaticamente un nodulo tumorale del fegato
3 Ambiente di lavoro e assunzioni 1. Le scansioni CT sono memorizzate tramite matrici a 3 dimensioni con numero di elementi variabile 2. Non si fa nessuna assunzione riguardo la dimensione e forma volumetrica del tumore; potrebbe anche assumere forme non convesse 3. Il livello di grigio del tumore si assume essere distribuito come una Gaussiana 4. Si consente una certa libertà nella ricerca della soluzione al problema 5. Uso di Matlab
4
5 Interfaccia grafica creata Si è reso necessario creare una semplice interfaccia grafica per visualizzare le CT e selezionare il seed-pixel pixel:
6 Algoritmo - sintesi La procedura di segmentazione dato il seed- pixel è divisa in 4 fasi: 1. Eliminazione del rumore tramite filtro mediano 3x3 2. Individuazione sommaria della struttura 3D del tumore; il risultato è una nuvola di punti appartenenti al tumore 3. Creazione di regioni chiuse e connesse 4. Raffinamento dei bordi
7 Algoritmo - 1 Per ogni fetta della CT si applica un filtro spaziale mediano 3x3 Immagine smussata; rumore attutito.
8 Algoritmo - 2 Considerazioni: Dopo una ispezione visiva di qualche CT si è notato che il livello di grigio (ldg( ldg) ) del tumore è piuttosto omogeneo; i bordi iniziano quando si ha un brusco cambiamento del ldg (bordi contrastati) Intuitivamente quindi ci aspettiamo che la varianza calcolata su un intorno di un pixel sia simile per 2 pixel al centro della regione; sui bordi abbia dei picchi. Considerazione confermata dai dati sperimentali (vedi fig. seg.)
9
10 Algoritmo - 2 L idea è di eseguire un region-growing growing partendo dal seed pixel,, basandosi sulle variazioni della deviazione standard calcolata sull intorno di ogni pixel Il calcolo della std locale è fatto su un 6-6 intorno; con questo approccio si riesce a ricavare la struttura 3D del tumore Approccio ibrido: oltre al calcolo della varianza viene eseguito anche quello della media locale dei ldg
11 Algoritmo 2 Calcoliamo i bound: sigmaseed = evaluatelocalstddeviation3(imgdatain imgdatain,, i, j, k); sigmamax = sigmaseed + sigmaseed*c1; sigmamin = sigmaseed - sigmaseed*c1; museed = evaluatelocalmean3(imgdatain imgdatain,, i, j, k); mumax = museed + C2*sigmaSeed; mumin = museed - C2*sigmaSeed; Un pixel viene accettato se: sigma = evaluatelocalstddeviation3(img img,, i, j, k); if (sigma >= sigmamin && sigma <= sigmamax && img[index index(i,j,k)] >= mumin && img[index index(i,j,k)] <= mumax )
12 Algoritmo - 2 C1 e C2 sono due costanti, calcolate empiricamente mumax e mumin sono calcolate secondo l ipotesi della Gaussianità dei ldg del tumore Grazie a questa ipotesi è facile settare C2 Algoritmo implementato in C per ragioni di efficienza
13 Algoritmo 2 - risultati
14 Algoritmo 2 - risultati
15 Algoritmo - 3 Ora ci ritroviamo una immagine binaria che rappresenta sommariamente la locazione del tumore Ricordiamo che non sia fa nessuna assunzione riguardo la forma; la nuvola di punti può rappresentare più regioni per ogni fetta della CT Non sappiamo quante regioni ci sono per ogni fetta!
16 Algoritmo - 3 Approcci: 1. Morfologia 2. Clustering delle coordinate 2D per ogni livello 3. Clustering delle coordinate 3D dell intero volume (strada perseguita) 4. Altre idee?
17 Algoritmo 3 accenni all idea 2 Cambiamo punto di vista; vediamo ogni livello dell immagine binaria 3D come una nuvola di punti nello spazio 2D; ogni punto rappresenta una coordinata dell immagine il cui pixel è > 0. P.es.:.:
18 Algoritmo 3 accenni all idea 2 Vogliamo individuare le regioni e racchiuderle. E un problema di clustering! Idea su come procedere: 1. Per ogni fetta della CT eseguire il clustering dei dati (magari con un algoritmo basato su densità,, [2]) 2. Per ogni fetta e per ogni cluster applicare un algoritmo di calcolo del contorno dato un set di punti
19 Algoritmo 3 Clusterizzazione 3D L idea n. 2 richiede di eseguire un clustering e successiva procedura di creazione bordi per ogni livello (con costi computazionali da valutare..) L idea n. 2 soprattutto non tiene conto della struttura 3D del tumore! Ora: analogamente a prima vediamo la matrice binaria come una nuvola di punti nello spazio 3D; esempio v. fig.. succ. Con questo approccio vorrei ricavare la superficie che racchiude il volume del tumore
20 Algoritmo 3 Clusterizzazione 3D
21 Algoritmo 3 Clusterizzazione 3D Approcci di clustering considerati: 1. K-Means e derivati Non vanno bene perché non conosciamo a priori il numero di cluster 2. Algoritmi competitivi (opzione da studiare anche se..) 3. Algoritmi basati su densità (ad es. [2]). (Secondo me) funzionerebbero bene per il nostro problema ma poi bisognerebbe comunque calcolarsi la superficie che racchiude ogni cluster 4. SVC. La strada perseguita
22 SVC Support Vector Clustering [1] In sintesi: 1. I dati vengono mappati in un high dimensional feature space con un kernel gaussiano 2. Nel feature space si determina l ipersferal di raggio minimo che racchiude i dati; questa ipersfera rappresenta il bordi dei miei cluster 3. Si mappa questo bordo all indietro, nel data space; in questo spazio esso assumerà dei contorni ondulati che racchiudono i cluster di appartenenza 4. Si esegue il labeling Oss.: 1. Più il raggio del kernel gaussiano è piccolo più è preciso il contorno 2. Se il data space è 3D ci aspettiamo (e in effetti è così) che la mappatura all indietro realizzi una superficie che racchiude i punti
23 Algoritmo 3 Clusterizzazione 3D SVC risolve tutti i nostri problemi: Non fa nessuna assunzione riguardo il numero di cluster Permette di elaborare la struttura 3D del tumore, senza le solite assunzione di forma/dimensione Ci mette a disposizione un semplice metodo per calcolare la superficie che racchiude il tumore; la superficie è ondulata Gestisce gli outlier; ; questa permette di evitare procedure di morfologia
24 Algoritmo 3 Clusterizzazione 3D Osservazioni: A noi in realtà a questo punto interessa semplicemente ricavare la superficie; quindi NON serve eseguire un vero e proprio clustering,, ci basta il calcolo dell ipersfera ipersfera.. La fase di labeling di SVC è stata infatti eliminata! Il numero di punti è eccessivo per un calcolo efficiente; vengono prelevati dei campioni usando una d.d.p. uniforme
25 Algoritmo 3 Clusterizzazione 3D
26 Algoritmo 3 Clusterizzazione 3D
27 Algoritmo - 4 A questo punto, per ogni fetta della CT, si hanno delle regioni connesse e compatte. La maggior parte dei pixel del tumore è contenuto in queste regioni; occorre solo raffinare i bordi Dilato le regioni e faccio la differenza con le originali; creo una space di corona imgclustereddilatated = imdilate(imgclustered, se); imgclustereddiff = imgclustereddilatated - imgclustered; Nella corona di pixel mi aspetto ci siano un po di pixel del tumore e altri di un altro tipo
28 Algoritmo - 4 Aprocci valutati: 1. Binarizzazione tramite otsu 2. Clustering tramite Arbib (algoritmo attualmente usato) 3. Clustering basato su densità (da provare..)
29 Arbib [3] E un algoritmo di segmentazione basato su apprendimento competitivo L idea che sta alla base è la presenza nello spazio considerato (n-dimensionale) di un certo numero di unità che rappresentano i dati circostanti ;; le unità competono tra di loro nel senso che ogni volta viene presentato un nuovo dato tutte loro cercano di rappresentarlo; quella che vince si sposta in direzione del dato Quando una unità raggiunge un numero massimo di vittorie ne viene creata una di uguale
30 Algoritmo - 4 Quindi lo step n. 4 consiste in: 1. Calcolare il ldg medio della regione ottenuta al passo Prelevo i ldg della corona (P.S( P.S.:.: 1) poiché lavoriamo in ldg lo spazio considerato è 1-dimensionale 2) per ragioni di efficienza vengono prelevati dei campioni) 3. Clusterizziamo con Arbib imponendo come numero max di cluster = 2 4. Il cluster il cui rappresentante si avvicina di più al valore del punto 1. è il cluster buono 5. Si soglia la corona usando come gmin e gmax i bound del cluster del punto Si unisce la corona sogliata alle regioni del passo 3.
31 Risultato finale
32 Risultato finale
33 Conclusioni Punti di forza: poche assunzioni fatte; il metodo è piuttosto generale; con un buon seed-point il metodo funziona bene; poco parametrizzata (C1, C2, Rsvc, Csvc di cui C2 è calcolato automaticamente per l iphl di gaussianità) Punti di debolezza: la bontà della soluzione dipende dal seed-point che deve essere rappresentativo delle informazioni del tumore; con un seed-point non buono l algoritmo fallisce Tempi di calcolo dipendenti dalla dimensione del tumore ma accettabili (secondo me): dai 20 sec in su (Pentium( Mobile 1.6 Ghz,, 750 Mb RAM)
34 Riferimenti [1] Asa Ben-Hur Hur, Hava T. Siegelmann,, David Horn,, Vladimir Vapnik,, "A Support Vector Clustering Method," Pattern Recognition, International Conference on,, vol. 2, pp. 2724, 15th International Conference on Pattern Recognition (ICPR' ICPR'00) - Volume 2, [2] Levent Ertoz and Michael Steinbach and Vipin Kumar, Finding Clusters of Different Sizes, Shapes,, and Densities in Noisy,, High Dimensional Data, SDM, 2003 [3] T. Uchiyama, M.A. Arbib,, "Color Image Segmentation using Competitive Learning," IEEE Transactions on Pattern Analysis and Machine Intelligence,, vol. 16, no. 12, pp , 1206, December,, 1994.
ELABORAZIONE 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
DettagliFasi dell analisi di dati da microarray (2)
Fasi dell analisi di dati da microarray (). Image Processing: le immagini sono analizzate per determinare una misura dell intensità di ogni spot, insieme ad una valutazione della sua affidabilità. Data
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
DettagliIntelligenza Artificiale. Clustering. Francesco Uliana. 14 gennaio 2011
Intelligenza Artificiale Clustering Francesco Uliana 14 gennaio 2011 Definizione Il Clustering o analisi dei cluster (dal termine inglese cluster analysis) è un insieme di tecniche di analisi multivariata
DettagliCluster Analysis. La Cluster Analysis è il processo attraverso il quale vengono individuati raggruppamenti dei dati. per modellare!
La Cluster Analysis è il processo attraverso il quale vengono individuati raggruppamenti dei dati. Le tecniche di cluster analysis vengono usate per esplorare i dati e non per modellare! La cluster analysis
DettagliLa statistica. Elaborazione e rappresentazione dei dati Gli indicatori statistici. Prof. Giuseppe Carucci
La statistica Elaborazione e rappresentazione dei dati Gli indicatori statistici Introduzione La statistica raccoglie ed analizza gruppi di dati (su cose o persone) per trarne conclusioni e fare previsioni
DettagliCartografie tematiche: principi e modalità di realizzazione. Mauro Giovanni Univ. di Trieste
Cartografie tematiche: principi e modalità di realizzazione Mauro Giovanni Univ. di Trieste Analisi GIS Mappare dove sono le cose Mappare cosa c è dentro Mappare il minimo e il massimo GIS Mappare le cose
DettagliIL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA
Metodi per l Analisi dei Dati Sperimentali AA009/010 IL CRITERIO DELLA MASSIMA VEROSIMIGLIANZA Sommario Massima Verosimiglianza Introduzione La Massima Verosimiglianza Esempio 1: una sola misura sperimentale
DettagliDistribuzioni campionarie. Antonello Maruotti
Distribuzioni campionarie Antonello Maruotti Outline 1 Introduzione 2 Concetti base Si riprendano le considerazioni fatte nella parte di statistica descrittiva. Si vuole studiare una popolazione con riferimento
DettagliProgrammazione con Foglio di Calcolo Cenni di Statistica Descrittiva
Fondamenti di Informatica Ester Zumpano Programmazione con Foglio di Calcolo Cenni di Statistica Descrittiva Lezione 5 Statistica descrittiva La statistica descrittiva mette a disposizione il calcolo di
DettagliAutomatic and Accurate Extraction of Road Intersections from Raster Maps
Automatic and Accurate Extraction of Road Intersections from Raster Maps Studente Francesco Vitagliani Introduzione L uso delle mappe è noto da tempi antichi. Oggi grazie alla diffusione di mappe raster,
DettagliDistribuzione Gaussiana - Facciamo un riassunto -
Distribuzione Gaussiana - Facciamo un riassunto - Nell ipotesi che i dati si distribuiscano seguendo una curva Gaussiana è possibile dare un carattere predittivo alla deviazione standard La prossima misura
DettagliIntroduzione all analisi di arrays: clustering.
Statistica per la Ricerca Sperimentale Introduzione all analisi di arrays: clustering. Lezione 2-14 Marzo 2006 Stefano Moretti Dipartimento di Matematica, Università di Genova e Unità di Epidemiologia
DettagliGenerazione di Numeri Casuali- Parte 2
Esercitazione con generatori di numeri casuali Seconda parte Sommario Trasformazioni di Variabili Aleatorie Trasformazione non lineare: numeri casuali di tipo Lognormale Trasformazioni affini Numeri casuali
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
DettagliApprendimento Automatico (Feature Selection e Kernel Learning)
Apprendimento Automatico (Feature Selection e Kernel Learning) Fabio Aiolli www.math.unipd.it/~aiolli Sito web del corso www.math.unipd.it/~aiolli/corsi/1516/aa/aa.html Servono tutti gli attributi? Gli
DettagliStudio di stabilità per una curva di luce ottenuta con CCD SBIG ST10XME e software di elaborazione MaximDL. (A cura di Fabio Zara)
Studio di stabilità per una curva di luce ottenuta con CCD SBIG ST10XME e software di elaborazione MaximDL (A cura di Fabio Zara) Introduzione La fotometria stellare in genere riguarda lo studio di una
DettagliSTATISTICHE DESCRITTIVE Parte II
STATISTICHE DESCRITTIVE Parte II INDICI DI DISPERSIONE Introduzione agli Indici di Dispersione Gamma Differenza Interquartilica Varianza Deviazione Standard Coefficiente di Variazione introduzione Una
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
DettagliProprietà della varianza
Proprietà della varianza Proprietà della varianza Proprietà della varianza Proprietà della varianza Intermezzo: ma perché dovremmo darci la pena di studiare come calcolare la varianza nel caso di somme,
DettagliSeconda esercitazione per il corso di Sistemi di Telecom. 1 AA 07 08
Seconda esercitazione per il corso di Sistemi di Telecom. AA 7 8 3th October 27 Abstract Scopo dell esercitazione Scopo dell esercitazione è la scrittura di una funzione Matlab per la decodifica di un
DettagliCalcolo della Concentrazione Rappresentativa della Sorgente (CRS)
Calcolo della Concentrazione Rappresentativa della Sorgente (CRS) Prof. Renato Baciocchi, Università di Roma Tor Vergata Emiliano Scozza Università di Roma Tor Vergata 1 Valutazione dei Dati Data Set di
DettagliAnalisi Numerica. Debora Botturi ALTAIR. Debora Botturi. Laboratorio di Sistemi e Segnali
Analisi Numerica ALTAIR http://metropolis.sci.univr.it Argomenti Argomenti Argomenti Rappresentazione di sistemi con variabili di stato; Tecniche di integrazione numerica Obiettivo: risolvere sistemi di
DettagliAnalisi della varianza
Analisi della varianza Prof. Giuseppe Verlato Sezione di Epidemiologia e Statistica Medica, Università di Verona ANALISI DELLA VARIANZA - 1 Abbiamo k gruppi, con un numero variabile di unità statistiche.
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
DettagliStatistica Esercitazione. alessandro polli facoltà di scienze politiche, sociologia, comunicazione
Statistica Esercitazione alessandro polli facoltà di scienze politiche, sociologia, comunicazione Obiettivo Esercizio 1. Questo e alcuni degli esercizi che proporremo nei prossimi giorni si basano sul
DettagliINDICI PER FILE. Accesso secondario. Strutture ausiliarie di accesso
INDICI PER FILE Strutture ausiliarie di accesso 2 Accesso secondario Diamo per scontato che esista già un file con una certa organizzazione primaria con dati non ordinati, ordinati o organizzati secondo
DettagliBag of (visual) Words. BoW. Input image. Dizionario visuale. Rappresentazione
Bag of (visual) Words BoW Il modello è stato proposto con l obiettivo di rappresentare un immagine tramite un dizionario visuale. Il metodo BoW si ispira alle tecniche di rappresentazione dei documenti
DettagliModelli di programmazione parallela
Modelli di programmazione parallela Oggi sono comunemente utilizzati diversi modelli di programmazione parallela: Shared Memory Multi Thread Message Passing Data Parallel Tali modelli non sono specifici
DettagliStatistica. Matematica con Elementi di Statistica a.a. 2015/16
Statistica La statistica è la scienza che organizza e analizza dati numerici per fini descrittivi o per permettere di prendere delle decisioni e fare previsioni. Statistica descrittiva: dalla mole di dati
DettagliEsercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo
Esercitazione 4 Distribuzioni campionarie e introduzione ai metodi Monte Carlo 1. Gli studi di simulazione possono permetterci di apprezzare alcune delle proprietà di distribuzioni campionarie ricavate
DettagliTEN Radici quadrate modulo p e modulo p k. Radici quadrate modulo p, con p > 2.
TEN 2008. Radici quadrate modulo p e modulo p k. Radici quadrate modulo p, con p > 2. Lemma 1. Sia n Z. Sia p > 2 un numero primo. (a) n è un quadrato modulo p se e solo se n p 1 2 1 mod p; (b) Sia n 0
Dettagli1 Alcuni risultati sulle variabili Gaussiane multivariate
Il modello lineare-gaussiano e il filtro di Kalman Prof. P.Dai Pra 1 Alcuni risultati sulle variabili Gaussiane multivariate In questo paragrafo verranno enunciate e dimostrate alcune proprietà del valor
DettagliLa distribuzione delle frequenze. T 10 (s)
1 La distribuzione delle frequenze Si vuole misurare il periodo di oscillazione di un pendolo costituito da una sferetta metallica agganciata a un filo (fig. 1). A Figura 1 B Ricordiamo che il periodo
DettagliDistribuzioni e inferenza statistica
Distribuzioni e inferenza statistica Distribuzioni di probabilità L analisi statistica spesso studia i fenomeni collettivi confrontandoli con modelli teorici di riferimento. Tra di essi, vedremo: la distribuzione
DettagliStatistica Un Esempio
Statistica Un Esempio Un indagine sul peso, su un campione di n = 100 studenti, ha prodotto il seguente risultato. I pesi p sono espressi in Kg e sono stati raggruppati in cinque classi di peso. classe
DettagliESERCIZI DI RIEPILOGO 1
ESERCIZI DI RIEPILOGO 1 ESERCIZIO 1 La tabella seguente contiene la distribuzione di frequenza della variabile X = età (misurata in anni) per un campione casuale di bambini: x i 4.6 8 3.2 3 5.4 6 2.6 2
DettagliPreprocessamento 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
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
Dettagli1/55. Statistica descrittiva
1/55 Statistica descrittiva Organizzare e rappresentare i dati I dati vanno raccolti, analizzati ed elaborati con le tecniche appropriate (organizzazione dei dati). I dati vanno poi interpretati e valutati
DettagliVariabili aleatorie scalari
Metodi di Analisi dei Dati Sperimentali AA /2010 Pier Luca Maffettone Variabili aleatorie scalari Sommario della Introduzione CDF e PDF: definizione CDF e PDF: proprietà Distribuzioni uniforme e Gaussiana
DettagliCorso di Laurea Ingegneria Informatica Fondamenti di Informatica
Corso di Laurea Ingegneria Informatica Fondamenti di Informatica Dispensa E03 Esempi di algoritmi e programmi A. Miola Novembre 2011 1 Contenuti q Progettazione di algoritmi q Problemi di ingresso - uscita
DettagliProbabilità classica. Distribuzioni e leggi di probabilità. Probabilità frequentista. Probabilità soggettiva
Probabilità classica Distribuzioni e leggi di probabilità La probabilità di un evento casuale è il rapporto tra il numero dei casi favorevoli ed il numero dei casi possibili, purchè siano tutti equiprobabili.
DettagliALGORITMO SPUTNIK 1. INTRODUZIONE
ALGORITMO SPUTNIK 1. INTRODUZIONE Sputnik rappresenta l evoluzione del progetto COSMOS realizzato per l individuazione della traiettorie dei veicoli in un filmato generato da una comune videocamera. La
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
DettagliGrant, L'analisi strategica per le decisioni aziendali, Il Mulino, 2011 Capitolo IV. L analisi dei concorrenti L ANALISI DEI CONCORRENTI
L ANALISI DEI CONCORRENTI 1 Saper eseguire una corretta analisi dei concorrenti comporta saper: 1. valutare l impatto e i profitti potenziali di prodotti e fornitori complementari; 2. valutare le implicazioni
DettagliFuzzy image segmentation
Fuzzy image segmentation G. Castellano 1 Segmentazione di immagini La descrizione per pixel di una immagine è troppo complessa per essere utile in applicazioni pratiche Il primo passo per ottenere una
DettagliVariabile Casuale Normale
Variabile Casuale Normale Variabile Casuale Normale o Gaussiana E una variabile casuale continua che assume tutti i numeri reali, è definita dalla seguente funzione di densità: 1 f( x) = e σ 2 π ( x µ
Dettagli1. Che cos è un sistema multiprogrammato? Si può realizzare la multiprogrammazione
1. Che cos è un sistema multiprogrammato? Si può realizzare la multiprogrammazione su un sistema con una sola CPU? 2. Qual è la differenza tra un interruzione e una trap? Si faccia qualche esempio. 1.
DettagliRegressione non lineare con un modello neurale feedforward
Reti Neurali Artificiali per lo studio del mercato Università degli studi di Brescia - Dipartimento di metodi quantitativi Marco Sandri (sandri.marco@gmail.com) Regressione non lineare con un modello neurale
DettagliStatistica descrittiva
Statistica descrittiva Caso di 1 variabile: i dati si presentano in una tabella: Nome soggetto Alabama Dato 11.6.. Per riassumere i dati si costruisce una distribuzione delle frequenze. 1 Si determina
DettagliLaboratorio di Strumentazione per Bioimmagini A.A. 2010-2011
Laboratorio di Strumentazione per Bioimmagini A.A. 2010-2011 Esercizio 1: soluzione Creiamo un immagine fantoccio con la funzione phantom di Matlab: creo immagine >> I = phantom(); Definiamo tre diversi
DettagliDomande 1. La domanda e l offerta del bene 1 sono date rispettivamente da:
Domande 1. La domanda e l offerta del bene 1 sono date rispettivamente da: DD SS 10 0,2 2 2 5 0,5 a) Calcolare la quantità e il prezzo di equilibrio sapendo che il reddito a disposizione del consumatore
Dettagliin termini informali: un algoritmo è una sequenza ordinata di operazioni che risolve un problema specifico
Click to edit Algoritmo Master title style algoritmo: un insieme ordinato di operazioni non ambigue ed effettivamente computabili che, quando eseguito, produce un risultato e si arresta in un tempo finito
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
DettagliCRITERI DI SELEZIONE DEI PUNTI DI MISURA.
CRITERI DI SELEZIONE DEI PUNTI DI MISURA. La mappa del territorio comunale delle città individuate per essere oggetto della campagna di misure è suddivisa in aree elementari, costituite da quadrati di
DettagliSTATISTICA 1 ESERCITAZIONE 2
Frequenze STATISTICA 1 ESERCITAZIONE 2 Dott. Giuseppe Pandolfo 7 Ottobre 2013 RAPPRESENTAZIONE GRAFICA DEI DATI Le rappresentazioni grafiche dei dati consentono di cogliere la struttura e gli aspetti caratterizzanti
DettagliLaboratorio di Programmazione II Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona
Laboratorio di Programmazione II Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Sommario Stime puntuali ed intervalli Motivazioni Fare inferenze circa un insieme
DettagliCorso di Laurea Ingegneria Informatica Fondamenti di Informatica 1
Corso di Laurea Ingegneria Informatica Fondamenti di Informatica 1 Dispensa E03 Esempi di algoritmi e programmi A. Miola Settembre 2006 http://www.dia.uniroma3.it/~java/fondinf1/ Esempi di algoritmi e
DettagliVisione Computazionale
Il docente Visione Computazionale Introduzione al corso a.a. 2004/2005 Andrea FUSIELLO, Professore Associato Dip. Informatica, Ca Vignal 2, I piano, stanza 5 Email: andrea.fusiello@univr.it Web Page del
DettagliUlteriori applicazioni del test del Chi-quadrato (χ 2 )
Ulteriori applicazioni del test del Chi-quadrato (χ 2 ) Finora abbiamo confrontato con il χ 2 le numerosità osservate in diverse categorie in un campione con le numerosità previste da un certo modello
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
DettagliSegmentazione e Marketing 121. Università di Bologna Andrea De Marco
Segmentazione e Marketing 121 Università di Bologna Andrea De Marco Segmentazione Cosa Significa? Usiamo la parola "segmentazione" per definire il processo con cui "raggruppiamo" in insiemi omogenei elementi
DettagliAncora sui criteri di divisibilità di Marco Bono
Ancora sui criteri di divisibilità di Talvolta può essere utile conoscere i divisori di un numero senza effettuare le divisioni, anche se la diffusione delle calcolatrici elettroniche, sotto varie forme,
DettagliDi testi ed immagini
Università Cattolica del Sacro Cuore - Brescia 23/5/2005 Parte I: Richiami di algebra lineare Parte II: Applicazioni Sommario della Parte I 1 Diagonalizzabilità di una matrice Autovalori ed autovettori
DettagliRisoluzione di problemi ingegneristici con Excel
Risoluzione di problemi ingegneristici con Excel Problemi Ingegneristici Calcolare per via numerica le radici di un equazione Trovare l equazione che lega un set di dati ottenuti empiricamente (fitting
DettagliAnalisi degli Errori di Misura. 08/04/2009 G.Sirri
Analisi degli Errori di Misura 08/04/2009 G.Sirri 1 Misure di grandezze fisiche La misura di una grandezza fisica è descrivibile tramite tre elementi: valore più probabile; incertezza (o errore ) ossia
DettagliStatistica descrittiva II
Probabilità e Statistica Esercitazioni a.a. 009/010 C.d.L.: Ingegneria Elettronica e delle Telecomunicazioni, Ingegneria Informatica Statistica descrittiva II Ines Campa Probabilità e Statistica - Esercitazioni
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Riconoscimento e recupero dell informazione per bioinformatica Clustering: metodologie Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Sommario Tassonomia
DettagliTecniche di Visione Artificiale e Pattern Recognition per l analisi di Tessiture su superfici ceramiche
Tecniche di Visione Artificiale e Pattern Recognition per l analisi di Tessiture su superfici ceramiche R. Cucchiara, S. Calderara Imagelab- Dipartimento di Ingegneria dell Informazione Università di Modena
Dettagli1) Entropia di variabili aleatorie continue. 2) Esempi di variabili aleatorie continue. 3) Canali di comunicazione continui. 4) Canale Gaussiano
Argomenti della Lezione 1) Entropia di variabili aleatorie continue ) Esempi di variabili aleatorie continue 3) Canali di comunicazione continui 4) Canale Gaussiano 5) Limite di Shannon 1 Entropia di una
DettagliIntegrazione Numerica. Teoria ed Esempi
Integrazione Numerica Teoria ed Esempi Sommario Analisi del problema Teoria dell integrazione numerica Metodo dei rettangoli Metodo dei trapezi Metodo delle parabole Esempi di calcolo Funzione integrabile
DettagliLez. 7 Immagini Digitali. Prof. Pasquale De Michele (Gruppo 2) e Raffaele Farina (Gruppo 1) 1
Lez. 7 Immagini Digitali Prof. Pasquale De Michele (Gruppo 2) e Raffaele Farina (Gruppo 1) 1 Dott. Pasquale De Michele Dott. Raffaele Farina Dipartimento di Matematica e Applicazioni Università di Napoli
DettagliCORSO DI STATISTICA (parte 1) - ESERCITAZIONE 3
CORSO DI STATISTICA (parte 1) - ESERCITAZIONE 3 Dott.ssa Antonella Costanzo a.costanzo@unicas.it Esercizio 1. Sintesi a cinque e misure di variabilità rispetto ad un centro Una catena di fast-food ha selezionato
DettagliLaboratorio di Calcolo B 68
Generazione di numeri casuali Abbiamo già accennato all idea che le tecniche statistiche possano essere utili per risolvere problemi di simulazione di processi fisici e di calcoli numerici. Dobbiamo però
DettagliSTATISTICHE, DISTRIBUZIONI CAMPIONARIE E INFERENZA
Metodi statistici e probabilistici per l ingegneria Corso di Laurea in Ingegneria Civile A.A. 2009-10 Facoltà di Ingegneria, Università di Padova Docente: Dott. L. Corain 1 STATISTICHE, DISTRIBUZIONI CAMPIONARIE
DettagliCorso PAS Misure, strumenti ed Errori di misura. Didattica del Laboratorio di Fisica F. Garufi 2014
Corso PAS Misure, strumenti ed Errori di misura Didattica del Laboratorio di Fisica F. Garufi 2014 Grandezze ed unità di misura grandezza (misurabile) si intende un attributo di un fenomeno, di un corpo
DettagliVedi: Probabilità e cenni di statistica
Vedi: http://www.df.unipi.it/~andreozz/labcia.html Probabilità e cenni di statistica Funzione di distribuzione discreta Istogrammi e normalizzazione Distribuzioni continue Nel caso continuo la probabilità
DettagliEsercizio 1 Questa tabella esprime i tempi di durata di 200 apparecchiature elettriche:
Istituzioni di Statistica 1 Esercizi su indici di posizione e di variabilità Esercizio 1 Questa tabella esprime i tempi di durata di 200 apparecchiature elettriche: Durata (ore) Frequenza 0 100? 100 200
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
Dettaglihttp://www.biostatistica.unich.it 1 STATISTICA DESCRITTIVA Le misure di tendenza centrale 2 OBIETTIVO Individuare un indice che rappresenti significativamente un insieme di dati statistici. 3 Esempio Nella
DettagliMisure di dispersione (o di variabilità)
14/1/01 Misure di dispersione (o di variabilità) Range Distanza interquartile Deviazione standard Coefficiente di variazione Misure di dispersione 7 8 9 30 31 9 18 3 45 50 x = 9 range=31-7=4 x = 9 range=50-9=41
DettagliDistribuzioni campionarie
1 Inferenza Statistica Descrittiva Distribuzioni campionarie Statistica Inferenziale: affronta problemi di decisione in condizioni di incertezza basandosi sia su informazioni a priori sia sui dati campionari
DettagliSoftware CA D /CA M con precisione e controllo di livello mondiale... Novità
Novità SURFCAM V5.2 What s New Page 1 of 19 February 2011 Software CA D CAD/CAM M con precisione Software with e controllo world class di precision livello and mondiale... control... Novità in SURFCAM
DettagliFACOLTA DI INGEGNERIA INGEGNERIA INFORMATICA A.A. 2008/2009. Corso VISIONE E PERCEZIONE. Docente. Prof. FIORA PIRRI. Tutor MATIA PIZZOLI
FACOLTA DI INGEGNERIA INGEGNERIA INFORMATICA A.A. 2008/2009 Corso VISIONE E PERCEZIONE Docente Prof. FIORA PIRRI Tutor MATIA PIZZOLI MAPPA DI DISPARITA Studente Redjan Shabani (1013173) 0 Definizione di
DettagliSegmentazione automatica della carotide basata sulla classificazione dei pixel
Segmentazione automatica della carotide basata sulla classificazione dei pixel Samanta Rosati, Filippo Molinari, Gabriella Balestra Biolab, Dipartimento di Elettronica e Telecomunicazioni, Politecnico
DettagliLa curva di domanda individuale
Corso di Scienza Economica (Economia Politica) prof. G. Di Bartolomeo La curva di domanda individuale Facoltà di Scienze della Comunicazione Università di Teramo Da che dipende la scelta Riprendiamo il
DettagliCHEMIOMETRIA. CONFRONTO CON VALORE ATTESO (test d ipotesi) CONFRONTO DI VALORI MISURATI (test d ipotesi) CONFRONTO DI RIPRODUCIBILITA (test d ipotesi)
CHEMIOMETRIA Applicazione di metodi matematici e statistici per estrarre (massima) informazione chimica (affidabile) da dati chimici INCERTEZZA DI MISURA (intervallo di confidenza/fiducia) CONFRONTO CON
Dettagli1/4 Capitolo 4 Statistica - Metodologie per le scienze economiche e sociali 2/ed Copyright 2008 The McGraw-Hill Companies srl
1/4 Capitolo 4 La variabilità di una distribuzione Intervalli di variabilità Box-plot Indici basati sullo scostamento dalla media Confronti di variabilità Standardizzazione Statistica - Metodologie per
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
DettagliUniversità di Cassino Corso di Statistica 1 Esercitazione del 15/10/2007 Dott. Alfonso Piscitelli. Esercizio 1
Università di Cassino Corso di Statistica 1 Esercitazione del 15/10/2007 Dott. Alfonso Piscitelli Esercizio 1 Il seguente data set riporta la rilevazione di alcuni caratteri su un collettivo di 20 soggetti.
DettagliRISOLVERE I TEMI D ESAME
RISOLVERE I TEMI D ESAME UN PARAGONE Elementi di Informatica e Programmazione Università di Brescia 1 SVILUPPO DI UN TEMA Leggere bene la traccia (evitare di andare fuori tema ) Pensare a cosa si sa e
DettagliTecniche di enfatizzazione
Tecniche di enfatizzazione Cosa è l enfatizzazione delle immagini L enfatizzazione o enhancement delle immagini è un insieme di tecniche che vengono utilizzate per migliorare l aspetto delle immagini al
DettagliLa simulazione con DERIVE Marcello Pedone LE SIMULAZIONI DEL LANCIO DI DADI CON DERIVE
LE SIMULAZIONI DEL LANCIO DI DADI CON DERIVE Premessa Abbiamo già visto la simulazione del lancio di dadi con excel Vedi: http:///statistica/prob_simu/index.htm Ci proponiamo di ottenere risultati analoghi
DettagliDr. S. Greco Polito, Instradamento
Instradamento Servizi: datagramma(dg) e circuito virtuale(cv) q DG -> connectionless -> non si ha garanzia che i pacchetti immessi in rete possano essere trasferiti con successo q CV -> connection-oriented
DettagliCorso di Informatica Generale (C. L. Economia e Commercio) Ing. Valerio Lacagnina Rappresentazione dei numeri relativi
Codice BCD Prima di passare alla rappresentazione dei numeri relativi in binario vediamo un tipo di codifica che ha una certa rilevanza in alcune applicazioni: il codice BCD (Binary Coded Decimal). È un
DettagliTeorema del limite centrale TCL
Teorema del limite centrale TCL Questo importante teorema della statistica inferenziale si applica a qualsiasi variabile aleatoria che sia combinazione lineare di N variabili aleatorie le cui funzioni
Dettaglisi tratta del test del chi-quadro di adattamento e di quello di indipendenza. 1 l ipotesi che la popolazione segua una legge fissata;
di : dado : normale Finora abbiamo visto test d ipotesi per testare ipotesi differenti, ma tutte concernenti il valore atteso di una o due popolazioni. In questo capitolo vediamo come testare 1 l ipotesi
DettagliSomma di numeri floating point. Algoritmi di moltiplicazione e divisione per numeri interi
Somma di numeri floating point Algoritmi di moltiplicazione e divisione per numeri interi Standard IEEE754 " Standard IEEE754: Singola precisione (32 bit) si riescono a rappresentare numeri 2.0 10 2-38
DettagliUna statistica è una quantità numerica il cui valore è determinato dai dati.
STATISTICHE CAMPIONARIE Quando i dati sono molti e illeggibili nella forma grezza, si rende necessario introdurre quantità numeriche che possano essere usate per sintetizzarli. Queste misure riassuntive
Dettagli