HISTOGRAM MATCHING Di Raimondo Graziano - Nicolosi Salvatore Multimedia A.A
|
|
- Taddeo Graziano
- 7 anni fa
- Visualizzazioni
Transcript
1 HISTOGRAM MATCHING Di Raimondo Graziano - Nicolosi Salvatore Multimedia A.A
2 Introduzione Un istogramma è un grafico che mostra la distribuzione delle varie tonalità di una data immagine digitale Assumendo di lavorare con immagini a scala di grigio, per ogni valore che può assumere un pixel [0-255], l istogramma riporta il numero di pixel che assumono quel valore
3 Istogramma L istogramma di un immagine grayscale avente valori nel range [0, L-1] è una funzione discreta dove: h r k = n k k = 0,, L 1 r k è il k-esimo valore (livello di grigio) n k è il numero di pixel nell immagine aventi il valore (livello di grigio) r k
4 Istogramma È pratica comune normalizzare l istogramma dividendo ogni componente per il numero totale di pixel dell immagine MN (larghezza e altezza) dove: p r k = n k MN k = 0,, L 1 p(r k ) è una stima della probabilità dell occorrenza del livello di intensità r k
5 Istogramma Un istogramma rappresenta una fonte di informazioni molto valida; tramite un semplice sguardo è possibile accorgersi di alcuni comuni problemi che possono caratterizzare un immagine: sottoesposizione sovraesposizione immagine ben contrastata o mal contrastata posterizzazione, ecc.
6 Uso dell istogramma Se l istogramma è concentrato sulla sinistra, l immagine tende ad essere più scura Se l istogramma è concentrato sulla destra, l immagine tende ad essere più chiara
7 Uso dell istogramma Se l immagine è poco contrastata, l istogramma tende ad essere spalmato su una piccola regione di valori Se l immagine è molto contrastata, l istogramma tende a coprire una più ampia fascia di valori
8 Alcune cose da sapere L istogramma di un immagine non memorizza le informazioni spaziali dei pixel: immagini diverse possono avere lo stesso istogramma
9 Ripasso probabilità Una variabile casuale è una funzione a valori reali definita sugli eventi di uno spazio S In altre parole, per ogni elemento di S esiste un numero reale che è il corrispondente valore della funzione variabile casuale Esempio. Consideriamo l evento del lanciare un dado ed osservarene il risultato. Possiamo definire una variabile casuale x in diversi modi: Il valore numerico del dado (se esce 1 x=1, se esce 2 x=2, ecc) Il risultato pari o dispari (se esce un numero pari x=0, altrimenti x=1) Ecc
10 Ripasso probabilità La variabile casuale non cambia il valore degli eventi, semplicemente associa ad essi un valore reale Per gestire le variabili casuali nel continuo abbiamo bisogno di alcune modifiche La probabilità non è numerabile nel continuo, come lo è nel discreto (compreso tra 0 e 1) Siamo interessati al caso in cui la variabile casuale x assuma un valore minore o uguale (oppure maggiore o uguale) rispetto ad una costante definita a. Indichiamo ciò con F a = P(x a)
11 Ripasso probabilità Se la funzione è data per tutti i valori di a, i valori della variabile casuale sono stati definiti. F viene chiamata CDF (Cumulative Distribution Function) o, semplicemente, funzione di distribuzione La PDF (Probability Density Function) di una variabile casuale x è definita come la derivata della sua CDF p x = df(x) dx La PDF è conosciuta come funzione densità
12 Equalizzazione Denotiamo con la variabile casuale r le intensità di un immagine, con r che varia da [0, L-1] Consideriamo le trasformazioni (mappature delle intensità) del tipo s = T r 0 r L 1 che produce un output di intensità s per ogni pixel dell immagine di input di intensità r Si assuma T r una funzione monotona non decrescente nell intervallo 0 r L 1 0 T r L 1 per 0 r L 1
13 Equalizzazione I livelli di intensità di un immagine possono essere visti come variabili casuali nell intervallo [0, L-1]. Uno dei descrittori fondamentali di una variabile casuale è la funzione PDF. Denotiamo con p r (r) e p s (s) le PDF di r ed s, la teoria della probabilità ci dice che se conosciamo p r (r) e T(r) (dove quest ultima è continua e differenziabile nell intervallo considerato) allora la PDF della variabile trasformata (mappata) s può essere ottenuta da: p s s = p r r dr ds
14 Equalizzazione Quindi la PDF della variabile di intensità di output s è determinata dalla PDF delle intensità di input r e dalla funzione di trasformazione utilizzata T r Tra le varie funzioni di trasformazione, una di maggiore importanza è la seguente s = T r = L 1 p r w dw 0 dove w è la variabile di integrazione. Il membro destro di questa equazione è noto come CDF della variabile casuale r r
15 Equalizzazione Utilizzando come trasformazione la CDF di r si ottiene dunque una immagine con densità di probabilità uniforme dei livelli di grigio. Ne deriva un incremento nella gamma dinamica dei pixel che può avere notevoli effetti sull apparenza dell immagine La funzione da utilizzare per l equalizzazione dell istogramma nel caso discreto è la seguente s k = T r k = L 1 p r r j = k j=0 (L 1) MN k j=0 n j, k = 0,, L 1 Consiste nel trasformare ogni pixel di livello r k in un pixel di livello s k attraverso T r k
16 Equalizzazione L algoritmo tenterà di definire inizialmente la densità di probabilità p r r j di ogni livello di grigio e poi costruirà la nuova immagine attraverso una funzione di passaggio basata su questo valore, punto per punto. È interessante notare come l equalizzazione possa comportare l aumento di rumore e la creazione di falsi contorni da sistemare attraverso opportuni algoritmi di riduzione del rumore.
17 Equalizzazione 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.
18 Equalizzazione È possibile modificare l istogramma di un immagine rendendo la probabilità p r dell occorrenza del livello di grigio r uniforme. L operazione di equalizzazione consiste nell allargare la curva dell istogramma in modo da sfruttare l intera scala di grigi disponibile. Questo permette una migliore distinzione degli oggetti (l immagine risulta più contrastata) e solitamente può esser d aiuto nell elaborazione di un immagine sottoesposta o sovraesposta. A livello teorico, l equalizzazione tenta di realizzare un istogramma piatto, portando verso una soglia uguale tutti i livelli di grigio, cosa ovviamente non possibile quando lavoriamo nel discreto.
19 Esempio
20 Vantaggi Miglioramento del contrasto dell'immagine equalizzata con toni di grigio tendenti al bianco più visibili rispetto all'immagine originale Colori più nitidi e vivaci nelle immagini a colori che presentano istogrammi di partenza simili in tutti e tre i livelli RGB Maggior visibilità di alcuni dettagli persi per sottoesposizione dell'immagine
21 Svantaggi Presentazione in falsi colori di alcune immagini a colori equalizzate (quando ad esempio i canali di colore RGB presentano istogrammi abbastanza diversi tra loro) Introduzione di rumore o di elementi non presenti nell'immagine originale (ad esempio nel caso di immagini con bordi)
22 Histogram matching L equalizzazione di un istogramma genera una funzione di trasformazione che tenta di riprodurre un istogramma con una distribuzione uniforme In alcuni casi è utile specificare la forma dell istogramma dell immagine di destinazione Questo è ciò di cui si occupa l histogram matching
23 Histogram matching Opera a partire da due immagini la prima immagine è detta di riferimento la seconda immagine è quella da modificare Lo scopo è quello di modificare l istogramma della seconda immagine in funzione dell istogramma della prima immagine
24 Histogram matching Tecnica usata per normalizzare due immagini acquisite con la stessa illuminazione ma con sensori differenti Spesso è utile specificare la forma (shape) dell istogramma che si vuole ottenere Ricolorazione di immagini a seconda dei colori o toni di grigio presenti in un'altra immagine
25 Histogram matching L histogram matching si ottiene nel seguente modo: Si ricava la PDF dell immagine di input e da questa si utilizza l equazione s = T r = L 1 p r w dw 0 per ottenere la funzione di trasformazione s Si ricava la PDF dell immagine di riferimento e da questa si utilizza l equazione G z = L 1 p z t dt = s 0 Per ottenere la funzione di trasformazione G z z r
26 Histogram matching Da T r = s = G(z), si ricava la trasformazione inversa z = G 1 (s) Si equalizza l immagine di input i cui valori dei pixel sono i valori di s Per ogni pixel dell immagine di input con valore s, si applica la precedente funzione inversa per ottenere il valore del pixel corrispondente z nell immagine di output In questo modo l istogramma dell immagine di input sarà approssimato all istogramma dell immagine di riferimento
27 Comando imhistmatch() Adatta l istogramma di un immagine in modo da matchare l istogramma dell immagine di riferimento B = imhistmatch(a,ref) If both A and Ref are truecolor RGB images, then each color channel of A is matched independently to the corresponding color channel of Ref. If A is a truecolor RGB image and Ref is a grayscale image, then each channel of A is matched against the single histogram derived from Ref. If A is a grayscale image, then Ref must also be a grayscale image. Images A and Ref need not be equal in size. Tratto da
28 Equalizzazione o histogram matching? Scopo Equalizzazione Rendere uniforme l istogramma di un immagine Utilizzi in pratica Migliorare il contrasto Evidenziare dettagli Vantaggi Semplice e veloce Efficace soprattutto con immagini grayscale Svantaggi Può introdurre artefatti e falsi colori Histogram matching Rendere l istogramma di un immagine simile all istogramma di un immagine di riferimento Ricolorazione delle immagini Efficace sia con immagini grayscale che RGB Funziona con immagini di diverso contenuto e dimensione Poco adattabile ad immagini molto irregolari Leggera approssimazione dal continuo al discreto
L 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
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
DettagliTrasformazioni di intensità Filtraggio spaziale. 31/03/2010 Francesca Pizzorni Ferrarese
Trasformazioni di intensità Filtraggio spaziale 31/03/2010 Francesca Pizzorni Ferrarese Istogrammi L istogramma è la rappresentazione grafica della quantità di pixel presenti nell immagine per ciascun
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
DettagliCorso di Visione Artificiale. Immagini digitali. Samuel Rota Bulò
Corso di Visione Artificiale Immagini digitali Samuel Rota Bulò Immagini digitali Un immagine viene generata dalla combinazione di una sorgente di energia e la riflessione o assorbimento di energia da
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
DettagliVariabili aleatorie. Variabili aleatorie e variabili statistiche
Variabili aleatorie Variabili aleatorie e variabili statistiche Nelle prime lezioni, abbiamo visto il concetto di variabile statistica : Un oggetto o evento del mondo reale veniva associato a una certa
DettagliAlgoritmi in C++ (prima parte)
Algoritmi in C++ (prima parte) Alcuni algoritmi in C++ Far risolvere al calcolatore, in modo approssimato, problemi analitici Diverse tipologie di problemi generazione di sequenze di numeri casuali ricerca
DettagliStatistica. Lezione 4
Università degli Studi del Piemonte Orientale Corso di Laurea in Infermieristica Corso integrato in Scienze della Prevenzione e dei Servizi sanitari Statistica Lezione 4 a.a 2011-2012 Dott.ssa Daniela
DettagliVariabili aleatorie Parte I
Variabili aleatorie Parte I Variabili aleatorie Scalari - Definizione Funzioni di distribuzione di una VA Funzioni densità di probabilità di una VA Indici di posizione di una distribuzione Indici di dispersione
DettagliCapitolo 6. Variabili casuali continue. 6.1 La densità di probabilità
Capitolo 6 Variabili casuali continue Le definizioni di probabilità che abbiamo finora usato sono adatte solo per una variabile casuale che possa assumere solo valori discreti; vediamo innanzi tutto come
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
DettagliDistribuzioni di probabilità e principi del metodo di Montecarlo. Montecarlo
Distribuzioni di probabilità e principi del metodo di Montecarlo Simulazione di sistemi complessi Distribuzioni di probabilità Istogrammi Generazione di numeri casuali Esempi di applicazione del metodo
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
DettagliStrumenti di indagine per la valutazione psicologica
Strumenti di indagine per la valutazione psicologica.3 - La distribuzione normale Tempi di reazione Registrati i tempi di reazione (in millisecondi) a uno stimolo (n = 30). Classe Freq Freq relative Densità
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@unina.it Università degli studi di Cassino () Statistica 1 / 27 Outline 1 () Statistica 2 / 27 Outline 1 2 () Statistica 2 / 27 Outline 1 2 3 () Statistica 2 /
DettagliSistemi lineari. Lorenzo Pareschi. Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara
Sistemi lineari Lorenzo Pareschi Dipartimento di Matematica & Facoltá di Architettura Universitá di Ferrara http://utenti.unife.it/lorenzo.pareschi/ lorenzo.pareschi@unife.it Lorenzo Pareschi (Univ. Ferrara)
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
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
Dettagliλ è detto intensità e rappresenta il numero di eventi che si
ESERCITAZIONE N 1 STUDIO DI UN SISTEMA DI CODA M/M/1 1. Introduzione Per poter studiare un sistema di coda occorre necessariamente simulare gli arrivi, le partenze e i tempi di ingresso nel sistema e di
DettagliElettronica II Segnali periodici; serie di Fourier; trasformata di Fourier p. 2
Elettronica II Segnali periodici; serie di Fourier; trasformata di Fourier Valentino Liberali Dipartimento di Tecnologie dell Informazione Università di Milano, 26013 Crema e-mail: liberali@dti.unimi.it
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
Dettagli1 4 Esempio 2. Si determini la distribuzione di probabilità della variabile casuale X = punteggio ottenuto lanciando un dado. Si ha immediatamente:
CAPITOLO TERZO VARIABILI CASUALI. Le variabili casuali e la loro distribuzione di probabilità In molte situazioni, dato uno spazio di probabilità S, si è interessati non tanto agli eventi elementari (o
DettagliMetodi di equalizzazione dell istogramma e di mode decomposition per il miglioramento di immagini biomediche
Università degli Studi di Padova FACOLTÀ DI INGEGNERIA Corso di Laurea in Ingegneria Biomedica Tesi di Laurea Metodi di equalizzazione dell istogramma e di mode decomposition per il miglioramento di immagini
DettagliIntroduzione all elaborazione di immagini Part II
Introduzione all elaborazione di immagini Part II Obiettivi delle tecniche di elaborazione di immagini: miglioramento di qualità (image enhancement) ripristino di qualità o restauro (image restoration)
Dettaglile scale di misura scala nominale scala ordinale DIAGNOSTICA PSICOLOGICA lezione si basano su tre elementi:
DIAGNOSTICA PSICOLOGICA lezione! Paola Magnano paola.magnano@unikore.it si basano su tre elementi: le scale di misura sistema empirico: un insieme di entità non numeriche (es. insieme di persone; insieme
DettagliDISTRIBUZIONI DI PROBABILITA
DISTRIBUZIONI DI PROBABILITA Nell associare ai risultati di un esperimento un valore numerico si costruisce una variabile casuale (o aleatoria, o stocastica). Ogni variabile casuale ha una corrispondente
DettagliLe immagini digitali
Le immagini digitali immagini raster immagini vettoriali Immagini raster Dette pittoriche o pixel oriented dividono l immagine in una griglia uniforme. Ciascuna cella della griglia ha uguale dimensione.
DettagliUn rettangolo è definito intorno ad una stella a rapporto elevato segnale/rumore, ma è anche importante selezionare una stella non satura.
TUTORIAL IRIS DECONVOLUZIONE IRIS include alcuni strumenti di deconvoluzione, per esempio la procedura di Richardson-Lucy, conosciuta per essere stata usata per il telescopio spaziale Hubble. Per esempio,
DettagliCorso di Laurea Specialistica in Ingegneria Meccanica e Ingegneria Energetica Progetto numerico al calcolatore
Corso di Laurea Specialistica in Ingegneria Meccanica e Ingegneria Energetica Progetto numerico al calcolatore Soluzione di un sistema non lineare con la Regula Falsi generalizzata per la determinazione
DettagliVariabili aleatorie continue
Variabili aleatorie continue Per descrivere la distribuzione di una variabile aleatoria continua, non si può più assegnare una probabilità positiva ad ogni valore possibile. Si assume allora di poter specificare
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
DettagliFENOMENI CASUALI. fenomeni casuali
PROBABILITÀ 94 FENOMENI CASUALI La probabilità si occupa di fenomeni casuali fenomeni di cui, a priori, non si sa quale esito si verificherà. Esempio Lancio di una moneta Testa o Croce? 95 DEFINIZIONI
DettagliDerivazione numerica. Introduzione al calcolo numerico. Derivazione numerica (II) Derivazione numerica (III)
Derivazione numerica Introduzione al calcolo numerico Il calcolo della derivata di una funzione in un punto implica un processo al limite che può solo essere approssimato da un calcolatore. Supponiamo
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
DettagliLA DISTRIBUZIONE NORMALE (Vittorio Colagrande)
LA DISTRIBUZIONE NORMALE (Vittorio Colagrande) Allo scopo di interpolare un istogramma di un carattere statistico X con una funzione continua (di densità), si può far ricorso nell analisi statistica alla
DettagliSIMULAZIONE - 29 APRILE QUESITI
www.matefilia.it SIMULAZIONE - 29 APRILE 206 - QUESITI Q Determinare il volume del solido generato dalla rotazione attorno alla retta di equazione y= della regione di piano delimitata dalla curva di equazione
DettagliStatistica ARGOMENTI. Calcolo combinatorio
Statistica ARGOMENTI Calcolo combinatorio Probabilità Disposizioni semplici Disposizioni con ripetizione Permutazioni semplici Permutazioni con ripetizioni Combinazioni semplici Assiomi di probabilità
DettagliProgramma del corso di: Calcolo Numerico Corso di laurea in Matematica a.a. 2005-06 Prof. B.Paternoster
Programma del corso di: Calcolo Numerico Corso di laurea in Matematica a.a. 2005-06 Prof. B.Paternoster Richiami di analisi degli errori. Rappresentazione dei numeri in un calcolatore. Operazioni di macchina.
DettagliCorso: Adobe Photoshop Base Codice PCSNET: ADOB-2 Cod. Vendor: - Durata: 3
Corso: Adobe Photoshop Base Codice PCSNET: ADOB-2 Cod. Vendor: - Durata: 3 Obiettivi Rendere operativi sulle funzionalità di base e di comune interesse del prodotto. Dare una informativa sulle funzionalità
DettagliFondamenti di Elaborazione di Immagini Introduzione. Raffaele Cappelli.
Fondamenti di Elaborazione di Immagini Introduzione Raffaele Cappelli raffaele.cappelli@unibo.it Obiettivi del corso Il corso introduce i principali concetti e le tecniche di base per l elaborazione delle
DettagliLa simulazione è l'imitazione di un processo o di un sistema reale per un
1 2 La simulazione è l'imitazione di un processo o di un sistema reale per un determinato periodo di tempo. La simulazione è l'imitazione di un processo o di un sistema reale per un determinato periodo
DettagliESPONENZIALI E LOGARITMI. chiameremo logaritmica (e si legge il logaritmo in base a di c è uguale a b ).
ESPONENZIALI E LOGARITMI Data una espressione del tipo a b = c, che chiameremo notazione esponenziale (e dove a>0), stabiliamo di scriverla anche in un modo diverso: log a c = b che chiameremo logaritmica
DettagliElementi di Psicometria
Elementi di Psicometria 7-Punti z e punti T vers. 1.0a (21 marzo 2011) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca 2010-2011 G. Rossi (Dip. Psicologia)
Dettagli04 - Numeri Complessi
Università degli Studi di Palermo Scuola Politecnica Dipartimento di Scienze Economiche, Aziendali e Statistiche Appunti del corso di Matematica 04 - Numeri Complessi Anno Accademico 2015/2016 M. Tumminello,
DettagliCorso di Laurea in Informatica. Dipartimento di Scienze Fisiche -- Università di Napoli Federico II. Colori. Sistemi Informativi Multimediali
Colori 1 La Percezione dei Colori Immanuel Kant (Königsberg,, 1724-1804) 1804) tratta il fenomeno (Phainomenon)) percepito secondo quello che appare e non nella sua reale essenza 2 Rappresentazione dei
DettagliElaborazione digitale di immagini
Elaborazione digitale di immagini Una volta codificata un'immagine con un numero (ovvero, una serie di numeri), possiamo elaborarla a nostro piacimento! Ovviamente, siamo interessati a elaborazioni che
DettagliFunzioni Esponenziale e Logaritmica. Prof. Simone Sbaraglia
Funzioni Esponenziale e Logaritmica Prof. Simone Sbaraglia Funzione Esponenziale Vogliamo definire propriamente le funzioni esponenziali e logaritmiche che abbiamo introdotto in precedenza. Qual e` il
DettagliAnno 3. Funzioni esponenziali e logaritmi: le 4 operazioni
Anno 3 Funzioni esponenziali e logaritmi: le 4 operazioni 1 Introduzione In questa lezione impareremo a conoscere le funzioni esponenziali e i logaritmi; ne descriveremo le principali caratteristiche e
DettagliCorrezione radiometrica
Correzione radiometrica Correzione delle immagini I dati raccolti dai sensori per telerilevamento necessitano, prima dell utilizzo nelle applicazioni, di una serie di correzioni per eliminare o limitare
DettagliISTOGRAMMI E DISTRIBUZIONI:
ISTOGRAMMI E DISTRIBUZIONI: i 3 4 5 6 7 8 9 0 i 0. 8.5 3 0 9.5 7 9.8 8.6 8. bin (=.) 5-7. 7.-9.4 n k 3 n k 6 5 n=0 =. 9.4-.6 5 4.6-3.8 3 Numero di misure nell intervallo 0 0 4 6 8 0 4 6 8 30 ISTOGRAMMI
DettagliAPPUNTI DI MATEMATICA ALGEBRA \ CALCOLO LETTERALE \ MONOMI (1)
LGEBR \ CLCOLO LETTERLE \ MONOMI (1) Un monomio è un prodotto di numeri e lettere; gli (eventuali) esponenti delle lettere sono numeri naturali (0 incluso). Ogni numero (reale) può essere considerato come
DettagliPROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2006/07
PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 006/07 Esercizio 1 Prova scritta del 16/1/006 In un ufficio postale lavorano due impiegati che svolgono lo stesso compito in maniera indipendente, sbrigando
DettagliSegnale analogico. Analogico vs digitale. Segnale digitale. Trasformazione da analogico a digitale
LEZIONI 2 e 3 Rappresentazione dell informazione 53 Analogico vs digitale LEZIONI 2 e 3 Rappresentazione dell informazione 54 Segnale analogico Il computer può lavorare soltanto con grandezze di tipo digitale
DettagliCOPPIE DI VARIABILI ALEATORIE
COPPIE DI VAIABILI ALEATOIE E DI NADO 1 Funzioni di ripartizione congiunte e marginali Definizione 11 Siano X, Y va definite su uno stesso spazio di probabilità (Ω, F, P La coppia (X, Y viene detta va
DettagliProntuario degli argomenti di Algebra
Prontuario degli argomenti di Algebra NUMERI RELATIVI Un numero relativo è un numero preceduto da un segno + o - indicante la posizione rispetto ad un punto di riferimento a cui si associa il valore 0.
DettagliConsideriamo come piena solo l innalzamento del livello causato da un aumento delle portate nel corso d acqua considerato.
Propagazione delle piene: generalità Consideriamo come piena solo l innalzamento del livello causato da un aumento delle portate nel corso d acqua considerato. La propagazione dell onda di piena dipende
DettagliDistribuzioni statistiche
Distribuzioni statistiche L operazione di determinazione delle modalità del carattere per ciascuno degli elementi del collettivo origina una distribuzione del collettivo secondo il carattere considerato.
DettagliProbabilita' mediante l'analisi combinatoria D n,k =Disposizioni di n oggetti a k a k (o di classe k)
Probabilita' mediante l'analisi combinatoria D n,k =Disposizioni di n oggetti a k a k (o di classe k) Nel calcolo del numero di modalita' con cui si presenta un evento e' utile talvolta utilizzare le definizioni
DettagliPubblicazione tecnica #03
Pubblicazione tecnica #03 2016 Distribuita con Licenza Creative Commons Attribuzione Non commerciale Condividi allo stesso modo 4.0 Internazionale 2 QUANDO L'APS-C PUO' BATTERE IL FULL FRAME! PART. III
DettagliElementi di Psicometria con Laboratorio di SPSS 1
Elementi di Psicometria con Laboratorio di SPSS 1 05-Deviazione standard e punteggi z vers. 1.1 (22 ottobre 2014) Germano Rossi 1 germano.rossi@unimib.it 1 Dipartimento di Psicologia, Università di Milano-Bicocca
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
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
DettagliAbbiamo visto nella lezione precedente che le immagini possono essere compresse in vari modi, per ridurne l'occupazione di memoria (su disco o rete)
Algoritmi di compressione per le immagini Abbiamo visto nella lezione precedente che le immagini possono essere compresse in vari modi, per ridurne l'occupazione di memoria (su disco o rete) compressione
DettagliDerivate. Rette per uno e per due punti. Rette per uno e per due punti
Introduzione Rette per uno e per due punti Rette per uno e per due punti Rette secanti e tangenti Derivata d una funzione in un punto successive Derivabilità a destra e a sinistra Rette per uno e per due
DettagliLA SCALA LOGARITMICA
Decibel e suono LA SCALA LOGARITMICA Una scala descrive il rapporto tra due grandezze. La scala logaritmica si differenzia dalla scala lineare per il fatto che la proporzionalità tra le due grandezze non
DettagliIntroduzione 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
DettagliDiario delle lezioni di Calcolo e Biostatistica (O-Z) - a.a. 2013/14 A. Teta
Diario delle lezioni di Calcolo e Biostatistica (O-Z) - a.a. 2013/14 A. Teta 1. (1/10 Lu.) Generalità sugli insiemi, operazioni di unione, intersezione e prodotto cartesiano. Insiemi numerici: naturali,
DettagliFunzione esponenziale Equazioni esponenziali RIPASSO SULLE POTENZE
RIPASSO SULLE POTENZE Proprietà delle potenze La formula a n indica l operazione chiamata potenza, ( a è la base ed n l esponente) che consiste nel moltiplicare la base a per se stessa n volte. Per le
DettagliCos è una wavelet? Applicazioni della trasformata wavelet. Analisi multirisoluzione
Cos è una wavelet? Applicazioni della trasformata wavelet Analisi multirisoluzione Tre tecniche: Piramidi di immagine Trasformata di Haar Codifica per sottobande Il numero totale di pixel nel caso di una
DettagliTrasformazioni di Intensità e Filtraggio Spaziale
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
DettagliCORSO DI FOTOGRAFIA DIGITALE LIVELLO AVANZATO
CORSO DI FOTOGRAFIA DIGITALE LIVELLO AVANZATO Alessandro Tintori www.alessandrotintori.com photo@alessandrotintori.com 1 Unit 12 2 Il significato dei grafici Descrivono le performance ottiche di una lente.
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
DettagliCAPITOLO QUINTO DISTRIBUZIONE NORMALE
CAPITOLO QUINTO DISTRIBUZIONE NORMALE 1. Probabilità nel continuo Fino ad ora abbiamo considerato casi in cui l insieme degli eventi elementari è finito. Vediamo, mediante due semplici esempi, come si
DettagliLezione n. 1 _Complementi di matematica
Lezione n. 1 _Complementi di matematica INTRODUZIONE ALLA STATISTICA La statistica è una disciplina che si occupa di fenomeni collettivi ( cioè fenomeni in cui sono coinvolti più individui o elementi )
DettagliTeoria della probabilità Variabili casuali
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità Variabili casuali A.A. 2008-09 Alberto Perotti DELEN-DAUIN Variabile casuale Una variabile
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.
DettagliPIXEL. Il valore quantizzato misurato da ciascun sensore diventa un. PICTURE ELEMENT = PIXEL dell immagine. Interazione & Multimedia
La risoluzione PIXEL Il valore quantizzato misurato da ciascun sensore diventa un PICTURE ELEMENT = PIXEL dell immagine La risoluzione Definizione: si dice risoluzione il numero di pixel per unità di misura.
DettagliLa SCALA di Probabilità varia tra 0.00 e 1.00.
CHE COS E LA PROBABILITA La probabilità è la MISURA dell incertezza di un evento, cioè come noi classifichiamo gli eventi rispetto alla loro incertezza. La SCALA di Probabilità varia tra 0.00 e 1.00. 0.00
DettagliAlgoritmi in C++ (seconda parte)
Algoritmi in C++ (seconda parte) Introduzione Obiettivo: imparare a risolvere problemi analitici con semplici programmi in C++. Nella prima parte abbiamo imparato: generazione di sequenze di numeri casuali
DettagliModello Black-Scholes
Modello Black-Scholes R. Marfé Indice 1 Il modello Black Scholes 1.1 Formule di valutazione per le opzioni standard......... 3 1. Implementazione in VBA..................... 6 1 1 Il modello Black Scholes
Dettagli2. I numeri reali e le funzioni di variabile reale
. I numeri reali e le funzioni di variabile reale Introduzione Il metodo comunemente usato in Matematica consiste nel precisare senza ambiguità i presupposti, da non cambiare durante l elaborazione dei
DettagliIntroduciamo il sistema di riferimento indicato in figura b) con F 1 = ( f, 0) ed F 2 = (f, 0). Se P = (x, y) la condizione (1) fornisce
1 L ellisse 1.1 Definizione Consideriamo due punti F 1 ed F 2 e sia 2f la loro distanza. L ellisse è il luogo dei punti P tali che la somma delle distanze PF 1 e PF 2 da F 1 ed F 2 è costante. Se indichiamo
DettagliANALISI 1 1 QUINTA LEZIONE
ANALISI 1 1 QUINTA LEZIONE 1 prof. Claudio Saccon, Dipartimento di Matematica Applicata, Via F. Buonarroti 1/C email: saccon@mail.dm.unipi.it web: http://www2.ing.unipi.it/ d6081/index.html Ricevimento:
DettagliEsame di Teoria dei Segnali A Ing. Informatica, Elettronica e Telecomunicazioni. 12 luglio 2004
Esame di Teoria dei Segnali A Ing. Informatica, Elettronica e Telecomunicazioni luglio 4 Esercizio Un sacchetto A contiene caramelle ai gusti fragola, limone e lampone. Un sacchetto B contiene caramelle
DettagliTRASFORMAZIONI DEL PIANO E GRAFICI
Trasformazioni del piano e grafici TRASFORMAZIONI DEL PIANO E GRAFICI RICHIAMI DI TEORIA Definizione: consideriamo il piano R munito di un sistema di riferimento cartesiano ortogonale. Una trasformazione
DettagliMatematica. Funzioni. Autore: prof. Pappalardo Vincenzo docente di Matematica e Fisica
Matematica Funzioni Autore: prof. Pappalardo Vincenzo docente di Matematica e Fisica Le Funzioni e loro caratteristiche Introduzione L analisi di diversi fenomeni della natura o la risoluzione di problemi
DettagliIL TEOREMA DEGLI ZERI Una dimostrazione di Ezio Fornero
IL TEOREMA DEGLI ZERI Una dimostrazione di Ezio Fornero Il teorema degli zeri è fondamentale per determinare se una funzione continua in un intervallo chiuso [ a ; b ] si annulla in almeno un punto interno
DettagliElaborazione di segnali mediante DFT
Elaborazione di segnali mediante DFT Alessandro Gallo - Matr. 2754 Docente: Prof. Giuseppe Rodriguez ELABORAZIONE DI SEGNALI D MEDIANTE DFT f(x) = sin(5x) f(x) +.5*randn.8.6.4.2.2.4.6.8.8.6.4.2.2.4.6.8
DettagliDIPARTIMENTO DI MATEMATICA A.S EQUAZIONI DI GRADO SUPERIORE AL 2
DIPARTIMENTO DI MATEMATICA A.S. 00-05 EQUAZIONI DI GRADO SUPERIORE AL 1. EQUAZIONI RISOLVIBILI MEDIANTE SCOMPOSIZIONE. EQUAZIONI BINOMIE. EQUAZIONI TRINOMIE. EQUAZIONI RECIPROCHE 1. EQUAZIONI RISOLVIBILI
DettagliAnalisi statistica della bontà di un programma di simulazione del lancio di dadi
Analisi statistica della bontà di un programma di simulazione del lancio di dadi Jacopo Nespolo, Jonathan Barsotti, Oscar Pizzulli 19/2/2007 1 Obbiettivi Con questa esperienza si intende analizzare i dati
DettagliTeoria e tecniche dei test
Teoria e tecniche dei test Lezione 10 LA TRASFORMAZIONE DEI PUNTEGGI LA TRASFORMAZIONE DEI PUNTEGGI Affinchè i punteggi ottenuti ad un test siano paragonabili a punteggi di altri test e interpretabili
DettagliDISTRIBUZIONE NORMALE (1)
DISTRIBUZIONE NORMALE (1) Nella popolazione generale molte variabili presentano una distribuzione a forma di campana, bene caratterizzata da un punto di vista matematico, chiamata distribuzione normale
DettagliCorso di Adobe Photoshop CS4 2 Giorni
OGGETTO CORSO Corso di Adobe Photoshop CS4 2 Giorni OBIETTIVI E DIDATTICA CORSO L obiettivo del corso è fornire ai partecipanti le competenze teoriche e pratiche per la creazione di immagini fotografiche
DettagliSommario. Tabelle ad indirizzamento diretto e hash Funzioni Hash
Funzioni Hash Sommario Tabelle ad indirizzamento diretto e hash Funzioni Hash Requisiti Metodo della divisione Metodo della moltiplicazione Funzione Hash Universale La ricerca Talvolta si richiede che
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,
DettagliAritmetica dei Calcolatori Elettronici
Aritmetica dei Calcolatori Elettronici Prof. Orazio Mirabella L informazione Analogica Segnale analogico: variabile continua assume un numero infinito di valori entro l intervallo di variazione intervallo
DettagliL ECONOMIA DEI MERCATI DEL LAVORO
Economia Politica Appunti delle lezioni Raffaele Paci testo di riferimento: Mankiw, Principi di economia, 3 ed., 24, Zanichelli Cap 18 I mercati dei fattori di produzione L ECONOMIA DEI MERCATI DEL LAVORO
DettagliNOTE DI MATEMATICA APPLICATA ALL ECONOMIA
NOTE DI MATEMATICA APPLICATA ALL ECONOMIA «[ ] lo scopo dell analisi infinitesimale è quello di fare acquisire strumenti di calcolo atti alla ricerca ottimale di funzioni vincolate, soprattutto di natura
DettagliFUNZIONI ELEMENTARI Funzione retta
1 FUNZIONI ELEMENTARI Funzione retta L equazione generale della funzione retta è y = a x + b dove a, b sono numeri reali fissati. Il termine b si chiama termine noto e dà l ordinata dell intersezione tra
Dettagli