Segmentazione delle immagini
|
|
- Alfonsina Zanella
- 6 anni fa
- Visualizzazioni
Transcript
1 Segmentazione delle immagini Giovanni Maria Farinella
2 How do we know which groups of pixels are related to the same object?
3 Segmentazione Consiste nel partizionamento di una immagine in regioni omogenee sulla base di un certo criterio di appartenenza dei pixel ad una regione Obiettivo: individuare/riconoscere gli oggetti che compongono l immagine The segmentation of the image(s) presented to an image analysis system is critically dependent on the scene to be sensed, the imaging geometry, configuration and sensor used to transduce the scene into a digital image, and ultimately the desired output (goal) of the system (A. Jain)
4 Regioni Le regioni in cui l immagine viene suddivisa devono soddisfare alcune proprietà: DISTINCT Nessun pixel è condiviso da due regioni COMPLETE Tutti i pixel dell immagine sono assegnati ad almeno una regione della partizione CONNECTED Tutti i pixel appartenenti ad una regione sono connessi HOMOGENEOUS Tutte le regioni sono omogenee rispetto ad un criterio fissato (e.g. intensità, colore, texture, ecc..)
5 Formalmente Sia I rc una immagine con r righe e c colonne, in cui il pixel (i,j) assume il valore x ij nello spazio (dei colori) S I rc = {x ij : i=1 r, j=1 c, x ij in S} Esempio: S=RGB x ij =[x ij,r ; x ij,g ; x ij,b ] Sia H un predicato di omogeneità definito su un qualsiasi insieme di pixel Sia R l = {(i l1,j l1 ), (i l2,j l2 ),, (i ln,j ln )} {1,,r}x{1,,c} La segmentazione di I rc è una partizione P={R 1, R 2,,R k } tale che: R a R b = Ø a,b = 1,,K a b (Distinct) K U R i = {1,,r}x{1,,c} (Complete) i=1 In ogni regione R i i pixel sono connessi (Connected) H(R n )= true R n (Homogeneous) H(R n U R m )=false R n, R m adiacenti
6 Esempi Microarray Image Segmentation Medical Image Segmentation 8-connesso R l Landscape Image Segmentation 4-connesso
7 Esempi Object segmentation for recognition Skin Segmentation
8 Segmentation Resolution (in color space) Si possono definire tre categorie di risoluzione: Under-segmentation corrisponde alla risoluzione più bassa. L'omogeneità è definita con un grande margine di tolleranza. Soltanto i colori più signicativi sono mantenuti. I contorni delle regioni sono i bordi dominanti nell'immagine. Over-segmentation corrisponde ad una risoluzione intermedia. La gamma dei colori è abbastanza ricca. L immagine è suddivisa in piccole regioni che possono essere fuse attraverso controlli basati sulla conoscenza. E la risoluzione raccomandata quando il goal è l object recognition. Quantization corrisponde ad una risoluzione alta. La gamma di colori contiene tutti i colori importanti nell'immagine. Questa categoria di segmentazione è diventata importante con la diffusione delle basi di dati di immagini. Una ampia gamma di colori, possibilmente insieme alla struttura spaziale, è essenziale per le query basate sul contenuto.
9 Biological Segmentation in Human: Visual Perception To see an object in the world we must see it as something (L.Wittegenstein) IT is established since the Gestalt movement in psychology that perceptual grouping plays a fundamental role in human perception. (R. Nock F. Nielsen)
10 Visual Perception primo stadio dell elaborazione dell informazione che si conclude con la Percezione: Input Ambientale (Stimolo) Registro Sensoriale (Stimolo, Organi di Senso) Selezione Tramite Attenzione Selettiva dell input Interessante Percezione-Riconoscimento Human Visual Perception (Pre-Atentive) is governed by Gestalt Principles
11 Gestalt Principles of Visual Organization Figura e sfondo Prossimità Chiusura Continuazione Similarità Comune Destino Parallelismo Regione Comune Simmetria
12 Figura e Sfondo IL RAPPORTO TRA FIGURA E SFONDO permette di leggere l immagine, attraverso la separazione della figura dallo sfondo. Gli elementi dominanti sono percepiti come figura, il resto è percepito come sfondo. il faro spicca maggiormente e quindi viene catalogata come figura mentre le linee orizzontali celesti sono percepite come sfondo.
13 Prossimità Le colonne e le righe dominano la nostra focale. Tendiamo ad identificare come gruppi le features che sono vicine tra loro. Questa legge è da tenere in considerazione quando l immagine gioca un ruolo importante nell abilità di interpretare il messaggio che si nasconde dietro. La figura A, a dimostrazione di questa legge, non viene vista come un insieme di righe ma piuttosto come un insieme di colonne. figura A
14 Chiusura Il nostro occhio tende a completare gli spazi vuoti e le forme non chiuse. Noi tendiamo a vedere le immagini complete persino quando una parte dell informazione è mancante. In questa figura tendiamo a vedere tre rettangoli rotti ed un parentesi quadrata sulla sinistra piuttosto che tre colonne ed un parentesi quadrata sulla destra. Se eliminiamo le linee orizzontali ritorniamo alla figura che abbiamo visto nel principio di prossimità.
15 Continuazione l organizzazione della percezione porta lo sguardo a proseguire lungo una linea retta o una curva. a b distinguiamo due linee: una da a a c e una da b a d. d In realtà questo grafico potrebbe rappresentare un altro insieme di linee: da a a d e da b a c. Tuttavia, è più probabile che si tenda ad identificare il primo gruppo di queste linee che hanno una migliore continuazione rispetto al secondo dove è presente un ovvia torsione. c
16 Similarità Elementi visivi simili vengono raggruppati sulla base della forma, della grandezza, del colore o della direzione. I cerchi e i quadrati sono raggruppati in maniera naturale; percepiamo colonne alternate di cerchi e quadrati. Se non fossero presenti le due caratteristiche ricorrenti percepiremmo la figura come righe o colonne
17 Comune Destino Oggetti che si muovono nella stessa direzione tendono ad essere percepiti come una unica entità
18 Parallelismo Linee parallele tendono ad essere raggruppate insieme
19 Regione Comune Figure posizionate all interno della stessa regione chiusa tendono ad essere percepite insieme
20 Simmetria Percepire l intero di una figura rispetto alle parti singole che la costituiscono Osservando la figura si vedono due rombi sovrapposti o tre oggetti: un piccolo rombo e due oggetti irregolari sopra e sotto di esso. Secondo il principio di simmetria, si percepiranno probabilmente due rombi sovrapposti
21 Gestalt Principles e Strategie di Segmentazione Molte strategie di segmentazione sono riconducibili ai principi Gestalt Gestalt Principles Stategie di Segmentazione Figure/Sfondo Prossimità, Similarità Continuità e Chiusura Similarità Continuità e chiusura Tresholding Clustering, Region Growing, Region Merging Morphological Methods Statistical Methods Edge-Detection Based
22 Strategie di Segmentazione: Thresholding Ogni pixel di una immagine a toni di grigio è caratterizzato da un valore di luminanza. L algoritmo, di base, fissa una soglia di luminanza, allo scopo di distinguere tra due regioni(sfondo/oggetti). La soglia può essere fissata arbitrariamente, o in maniera automatica in base ad un certo criterio(usualmente statistico). Number of pixel Basato sull istogramma (distribuzione) 0 Max Intensity
23 Formalmente Se gli oggetti e il background occupano differenti range nella scala di grigio, possiamo marcare i pixel appartenenti agli oggetti con il seguente processo thresholding: Sia I rc (i,j) l immagine originale in scala di grigio Sia B rc (i,j) l immagine binaria ottenuta dal processo thresholding su I rc (i,j) B rc (i,j) = 0 if I rc (i,j)<t B rc (i,j) = 1 if I rc (i,j) t 1 indica oggetti mentre 0 indica Background Come facciamo a scegliere una soglia t? Peack and Valley Method Global threshold selection
24 Threshold Selection: Peak and Valley method Histogramma (h): distribuzione di frequenza dei livelli di grigio presenti nell immagine I rc (i,j) hi(g) = numero di pixel in I rc il cui livello di grigio è g 1. Trova i due picchi più prominenti di h g è un picco se hi(g)>hi(g±dg), Dg=1,,k Siano g 1 e g 2 i due picchi più alti con g1<g2 2. Trova la valle più profonda, g, tra g 1 e g 2 g è una valle se hi(g) hi(g ) per ogni g, con g,g in [g1,g2] Usa g come threshold
25 Esempio
26 Global threshold selection 1. Seleziona una soglia iniziale T (es: media dei grigi presenti) 2. Segmenta l immagine usando T Questo passo produce due gruppi di pixel G1: tutti i pixel hanno valore minore a T G2: tutti i pixel hanno valore maggiore uguale a T 3. Computa la media sui valori di grigio dei pixel presenti in G1 e G2 (µ 1, µ 2 ) 4. Computa la nuova soglia threshold T=½ (µ 1 + µ 2 ) 5. Ripeti gli step da 2-4 fino a convergenza Es. Convergenza: T non cambia in due ripetizioni successive
27 Esempio
28 Thresholding Vantaggi Semplice Efficiente Svantaggi Perdita delle informazioni di prossimità L istogramma descrive informazioni globali Limitata per scene complesse (due classi) In immagini a colori risulta più complicato
29 Strategie di Segmentazione: Clustering Dalla rappresentazione dell immagine nell usuale spazio bidimensionale, si passa ad uno spazio delle caratteristiche, ad esempio lo spazio tridimensionale RGB, e si procede ad un partizionamento di tale spazio, allo scopo di identificare le regioni. Svantaggio: si perdono le proprietà di vicinato dei pixel, quindi si possono generare regioni non connesse. L immagine si può vedere come un grafo su cui applicare l algoritmo per la ricerca componenti connesse dopo aver effettuato la procedura di clustering. Consensus Clustering? Gravitational Clustering?
30 Strategie di Segmentazione: Clustering Classificazione non supervisionata Suddivisione dei vettori di uno spazio di caratteristiche in classi tali che gli elementi di una classe siano tra loro simili gli elementi di classi differenti siano tra loro dissimili Bisogna definire: Spazio delle caratteristiche Misura di Similarità Funzioni Obiettivo da minimizzare/massimizzare
31 Strategie di Segmentazione: Clustering Spazio delle Caratteristiche RGB Ogni pixel (i,j) dell immagine I rc, è un vettore di tre componenti x ij = [x ij,r, x ij,g, x ij,b ]
32 Strategie di Segmentazione: Clustering Spazio delle Caratteristiche RGB Ogni pixel (i,j) dell immagine I rc, è un vettore di tre componenti x ij = [x ij,r, x ij,g, x ij,b ] Misura di similarità tra due vettori di uno spazio q-dimensionale: q d(x ij, y ij )= ( x ij,k -y ij,k q ) 1/q (q=2 Distanza Euclidea) k=1 Funzione Obiettivo da minimizzare Es: Somma degli errori quadratici F(P) = x ij -µ l 2 µ l = 1/ R l x ij k k l =1 x ij in R l k x ij in R l
33 Clustering approaches Agglomerative Clustering Bottom up Divisive Clustering Top-down
34 Hierarchical Clustering Inizializzazione: ogni punto dello spazio è un cluster Itera: Seleziona i due clusters più simili Es: Minima distanza intra-cluster Effettua il merge dei clusters selezionati Stop: quando è raggiunto il numero di clusters richiesto Agglomerative Clustering (bottom-up)
35 Esempio Grado di Dissimilarità
36 Hierarchical Clustering: Single Link x r Cluster r Cluster s xs d(r,s) = min(dist(x ri,x sj ))
37 Hierarchical Clustering: Complete Link x r Cluster r Cluster s x s d(r,s) = max(dist(x ri,x sj ))
38 Hierarchical Clustering: Avarage Link x r Cluster r Cluster s x s n r d(r,s) = 1 dist(x ri,x sj ) n r n s i=1 j=1 n s
39 Partitional Clustering Approach A partition clustering algorithm is to start with an initial partition and assign pattern to clusters so as to reduce square-error. Partition are update iteratively by reassigning patterns in attempt to reduce the square-error. (A.Jain)
40 Squared Error Clustering Method
41 K-means Algoritm Partitional Clustering (Divisivo, ma numero gruppi assegnato a priori)
42 K-means (Ver. 1) Input I rc, k (numero delle classi), ε reale Inizializzazione r=0, scegli k vettori dello spazio S (centroidi iniziali) µ 1r µ kr 1. R l ={x ij : x ij -µ l x ij -µ w } l=1,,k, w j 2. Computa nuovi centroidi µ 1,r+1,, µ k,r+1 3. se F(P)< ε (r>n) STOP altrimenti vai al punto 1 incrementando r
43 K-Means(Ver. 2)
44 Esempio
45 Image Segmentation by Clustering Scegli K Scegli le features da associare ai pixels (colore, texture, posizione, combinazione di questi, ecc ) Definisci una misura di similarità tra i vettori delle features Applica l algoritmo HC/K-Means Applica l algoritmo delle componenti connesse Unisci le componenti con dimensione minore di una soglia t a componente adiacente che è molto simile rispetto al criterio di omogeneità fissato.
46 Grafi e Componenti connesse Sia G = (V,E) un grafo indiretto. Una componente connessa di G è un insieme massimale C V tale che, per ogni u,vєc esistono un cammino tra u e v. Equivalentemente, le componenti connesse di un grafo G sono le classi di equivalenza della relazione di raggiungibilità.
47 Esempio A C D G A 0 A B C D E F G H B C B H E F D E F G H Matrice di Adiacenza (possibile rappresentazione) G=(V,E) V= {A, B, C, D, E, F, G, H} E= {(A,C), (A,B), (B,C), (D,E), (E,F), (F,G) }
48 Teoremi Dato un grafo indiretto G e due vertici u e v, esiste un cammino da u a v in G se e solo se u e v appartengono allo stesso albero della DF-foresta. La foresta DF contiene tanti alberi quante CC. Si può dimostrare che DFS( opportunamente modificato) su un grafo non orientato G può essere usato per identificare le Componenti Connesse
49 Algoritmo Componenti Connesse CCDFS(G) k 0 for each u є V [G] do color[u] white П[u] nil end for time 0 for each u єv [G] do if color[u] = white then CCDFSVisit(u) end if end for CCDFSVisit(u) if П[u] = nil then k k + 1 cc[u] k else cc[u] cc[п[u]] end if color[u] gray time time + 1 d[u] time for each v є Adj[u] do if color[v] = white then П[v] u CCDFSVisit(v) end if end for color[u] black time time + 1 f[u] time
50 Strategie di Segmentazione: Growing Individuare le regioni che compongono l immagine per accrescimento omogeneo a partire da un singolo pixel Una regione omogenea di un'immagine può essere ottenuta attraverso un processo di crescita che, cominciando da un seed preselezionato, progressivamente agglomera pixel ad esso pixel adiacenti che soddisfano un certo criterio di omogeneità; il processo di crescita si arresta quando nessun pixel può essere aggiunto alla regione.
51 Region Growing Ad ogni istante viene preso in considerazione un pixel che non è stato ancora allocato ma che è adiacente ad almeno una regione; il pixel è allocato alla regione adiacente che risulta più simile secondo il criterio scelto. R 1 R 3 R 4 R 2 R 4 Pixel considerato
52 Region Growing Algorithm 1. Scegli un seed (pixel) iniziale 2. Seleziona i pixel vicini (connessi) e fai il merge se la condizione di omogeneità scelta è soddisfatta 3. Se la regione non cresce, seleziona un altro seed e ripeti dal punto 2 finché tutti i pixel non sono stati allocati ad una regione, altrimenti vai al punto 2 4. Rimuovi le regioni molto piccole (passo opzionale)
53 Seeded Region Growing Algorithm Viene dato in input il numero di seeds (pixel di partenza utilizzati per far crescere le regioni). L algoritmo quindi procede autonomamente facendo crescere simultaneamente le regioni, finché tutti i pixel nell immagine sono stati racchiusi in una regione. Per ogni passo tutti i pixel che non sono stati ancora allocati, ma che hanno almeno un vicino allocato, vengono presi in considerazione: tra tutte le regioni confinanti al pixel considerato, l algoritmo seleziona quella i cui pixel hanno in media la minore differenza (es: in termini di livelli di grigio) rispetto al pixel preso in considerazione.
54 Esempio Seeds = 4
55 Strategie di Segmentazione: Split and Merge E possibile eseguire una segmentazione partizionando (splitting) ricorsivamente una immagine, o una sua precedente segmentazione approssimata, fino ad ottenere componenti uniformi. Si dovrà effettuare una successiva operazione di aggregazione (merging) delle regioni adiacenti che dovessero risultare compatibili in base ad un criterio
56 Modello split Immagine partizionata ripetendo ricorsivamente una suddivisione in quattro quadranti fino ad ottenere regioni uniformi rispetto ad un certo criterio stabilito (es: statistico). Minimizzare, rispetto ad una soglia di tolleranza, la varianza della distribuzione dei valori di luminosità dei pixel che compongono la regione stessa Parametro di valutazione statistica dell uniformità della regione R: 1/1+Var(R) Assume valore 1 in corrispondenza di regioni perfettamente omogenee e valori tendenti a 0 per valori significativamente elevati della varianza statistica. Si sceglie una soglia di omogeneità
57 Quad Tree R La suddivisione ricorsiva dell immagine in quadranti viene rappresentata con una struttura ad albero chiamato quad tree: ogni nodo contiene le informazioni relative a ciascun quadrante e i suoi figli sono associati ai quadranti in cui è ulteriormente suddiviso. Un nodo foglia è un quadrante sufficientemente uniforme da non richiedere ulteriori partizionamenti 1/(1+Var(R)) > Soglia Dopo la fase di splitting si procederà alla fase di merging delle regioni adiacenti compatibili ; regioni adiacenti verranno aggregate in una unica regione se quest ultima risultarà sufficientemente uniforme.
58 Merge A1 A2 A3 A41 A42 A43 A44 B A1 A3 A2 A41 B A42 D C A43 A44 C D Region Adjacency Graph (RAG) La selezione delle regioni sulle quali valutare la compatibilità può essere effettuata attraverso un grafo di adiacenza. Un criterio di similatità può essere derivato dal confronto dei valori medi es: ( µ A41 -µ A42 < T) L ordine di merging può influenzare il risultato.
59 Esempio A1 A2 A3 A41 A42 A43 A44 C B D A1 A3 A43 A2 A41 B A42 A44 D C Merge together all sub-regions where P(Rj U Rk) = TRUE. A1 A3 A2 E F A1 A3 A2 E F
60 Statistical Region Merging SRM belongs to the family of region growing techniques and uses statistical test for region merging by using a single parameter Q to assess the coarseness of the final output.
61 SRM Main Components Two essential components in defining a region merging algorithm: Merging predicate: define how to merge two regions. Order in merging: define an order to be followed to check the merging predicate.
62 SRM merging order To establish the ideal order to test the merging of regions is taking into account the following consideration: When any test between two true regions occurs, that means that all tests inside each of the two true regions have previously occurred. To approximate the ideal order of merging a function f is used. The set of couples of pixels is sorted in increasing order respect to the values obtained by the f function.
63 Merging Predicate
64 SRM Algorithm INPUT: an image I; Let S I the set of 4-connexity couples of adjacent pixels in image I S I =orderincreasing(s I,f); for i=1 to S I do if ((R(p i )!=R(p i ) and P(R(p i ),R(p i ))==true) then merge(r(p i ),R(p i )); A possible function to establish merging order: f ( p, p ' ) = max ' {, G, B} f a ( p, p ) a R f ' ' a ( p, p ) = pa pa
65 Examples: Q parameter Varying the value of the parameter Q involved in the merging predicate the complexity of the scene is properly captured. Q=32 Q=1 Q=1024 It is interesting to note that as Q increases, the regions found are getting smaller, but they often correspond to smaller perceptual regions of the image at different scales.
66 Letture e Risorse Laws of Organization in Perceptual Forms - Max Wertheimer (1923) - Color Image Segmentation: A State-of-the-Art Survey - L. Luccheseyz and S.K. Mitray Colour Image Segmentation - A Survey - Wladyslaw Skarbek Data Clustering: A Review - A.K. JAIN Seeded Region Growing R. Adams, L. Bishof Seeded Region Growing Method for Image Segmentation - Tecniche digitali per la segmentazione delle immagini Giorgio Meini Segmentazione delle immagini a colori Paola Campadelli Robust Analysis of Feature Spaces: Color Image Segmentation - Dorin Comaniciu A survey of current methods in medical image segmentation Pham, Xu, Prince Digital Image Processing Gonzales Introduzione agli Algoritmi T. H. Cormen Statistical Region Merging, R. Nock and F. Nielsen IEEE Transactions on pattern analysis and machine intelligence, Vol 26, Issue 11, p.p , Nov. 2004
67 Question Time
Corso 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
DettagliRiconoscimento automatico di oggetti (Pattern Recognition)
Riconoscimento automatico di oggetti (Pattern Recognition) Scopo: definire un sistema per riconoscere automaticamente un oggetto data la descrizione di un oggetto che può appartenere ad una tra N classi
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
DettagliTecniche di riconoscimento statistico
On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 9 Alberi di decisione Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Riconoscimento e recupero dell informazione per bioinformatica Analisi Immagini Biomedicali Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Parte del
DettagliImage Elaboration. Image Processing
Image Elaboration Immagine digitale Un immagine digitale può essere rappresentata come una matrice con un prefissato numero di righe e colonne che ne determinano la risoluzione (campionamento). L'unità
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
DettagliEsempi. non. orientato. orientato
Definizione! Un grafo G = (V,E) è costituito da un insieme di vertici V ed un insieme di archi E ciascuno dei quali connette due vertici in V detti estremi dell arco.! Un grafo è orientato quando vi è
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Riconoscimento e recupero dell informazione per bioinformatica Clustering: introduzione Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Una definizione
DettagliHISTOGRAM MATCHING Di Raimondo Graziano - Nicolosi Salvatore Multimedia A.A
HISTOGRAM MATCHING Di Raimondo Graziano - Nicolosi Salvatore Multimedia A.A 2013-2014 Introduzione Un istogramma è un grafico che mostra la distribuzione delle varie tonalità di una data immagine digitale
DettagliSegmentazione di immagini
Segmentazione di immagini Introduzione Segmentazione: processo di partizionamento di un immagine in regioni disgiunte e omogenee. 1 Image segmentation Segmentazione Consiste nel partizionamento di una
DettagliIntroduzione ai grafi. Introduzione ai grafi p. 1/2
Introduzione ai grafi Introduzione ai grafi p. 1/2 Grafi Un grafo G é costituito da una coppia di insiemi (V,A) dove V é detto insieme dei nodi e A é detto insieme di archi ed é un sottinsieme di tutte
DettagliVisite in Grafi BFS e DFS
Visite in Grafi BFS e DFS Visita di un Grafo Obiettivo: Visitare una sola volta tutti i nodi del grafo. Es.: visitare un porzione del grafo del Web Difficoltà: Presenza di cicli: Marcare i nodi visitati
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
DettagliFisher Linear discriminant analysis (pag 228)
Fisher Linear discriminant analysis (pag 228) 1 Nell Analisi delle componenti proncipali PCA si trovano quelle componenti utili per la rappresentazione dei dati Tali componenti non sono utili a discriminare
DettagliSistemi Intelligenti Learning and Clustering
Sistemi Intelligenti Learning and Clustering Alberto Borghese Università degli Studi di Milano Laboratorio di Sistemi Intelligenti Applicati (AIS-Lab) Dipartimento di Informatica alberto.borghese@unimi.it
DettagliRiconoscimento e recupero dell informazione per bioinformatica. Clustering: validazione. Manuele Bicego
Riconoscimento e recupero dell informazione per bioinformatica Clustering: validazione Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Sommario Definizione
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
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
DettagliGrafi: visita generica
.. Grafi: visita generica Una presentazione alternativa (con ulteriori dettagli) Algoritmi di visita Scopo: visitare tutti i vertici di un grafo (si osservi che per poter visitare un vertice occorre prima
DettagliRappresentazione dei numeri: il sistema di numerazione decimale
Università degli Studi di Cagliari Facoltà di Scienze Corso di Laurea in Matematica Corso di Elementi di Informatica Lezione 3 14 marzo 2017 Dott. A.A. 2016/2017 pgarau.unica@gmail.com 1 Codifica dei numeri
DettagliVerifica parte IIB. Grafo di controllo. Criteri di selezione per test strutturali (white box) Test. Rif. Ghezzi et al
Verifica parte IIB Rif. Ghezzi et al. 6.3.4.1 Test In piccolo White box Black box Condizioni di confine Problema dell' Oracolo In grande Test di modulo Test di integrazione Test di Sistema Test di Accettazione
DettagliLa codifica delle immagini
Lettere e numeri non costituiscono le uniche informazioni utilizzate dagli elaboratori ma si stanno diffondendo sempre di più applicazioni che utilizzano ed elaborano anche altri tipi di informazione:
DettagliTipici tempi di esecuzione. Martedì 7 ottobre 2014
Tipici tempi di esecuzione Martedì 7 ottobre 2014 Punto della situazione Abbiamo definito il tempo di esecuzione di un algoritmo Scelto l analisi asintotica Abbiamo definito le notazioni asintotiche che
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
DettagliImmagini e clustering
Immagini e clustering Alberto Borghese Università degli Studi di Milano Laboratorio di Sistemi Intelligenti Applicati (AIS-Lab) Dipartimento di Scienze dell Informazione borghese@dsi.unimi.it 1/24 http:\\homes.dsi.unimi.it\
DettagliLa codifica delle immagini
Lettere e numeri non costituiscono le uniche informazioni utilizzate dagli elaboratori ma si stanno diffondendo sempre di più applicazioni che utilizzano ed elaborano anche altri tipi di informazione:
DettagliCluster Analysis Distanze ed estrazioni Marco Perugini Milano-Bicocca
Cluster Analysis Distanze ed estrazioni M Q Marco Perugini Milano-Bicocca 1 Scopi Lo scopo dell analisi dei Clusters è di raggruppare casi od oggetti sulla base delle loro similarità in una serie di caratteristiche
DettagliAppunti del corso di Informatica 1 (IN110 Fondamenti) 7 Grafi e alberi: introduzione
Università di Roma Tre Dipartimento di Matematica e Fisica Corso di Laurea in Matematica Appunti del corso di Informatica (IN0 Fondamenti) Grafi e alberi: introduzione Marco Liverani (liverani@mat.uniroma.it)
DettagliGUIDA AL LOGO LOGO GUIDELINES
Logo Logo 1 Il logo può essere posizionato all interno di un fondo di qualsiasi colore, non uniforme o fotografico, purché rimangano inalterati i colori, l immediata percezione visiva e la leggibilità
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,
DettagliCognome e Nome : Corso e Anno di Immatricolazione: Modalità di Laboratorio (Progetto/Prova) :
PROGRAMMAZIONE (Corsi B e C) Pre-appello di Gennaio 2004 (A.A. 2003/2004) PROGRAMMAZIONE (B e C) S. Straordinaria - Appello di Gennaio (A.A. 2002/2003) 22 Gennaio 2004 ore 11 Aula II di Facoltà (Durata:
DettagliCENTRALITA nella RETE
CENTRALITA nella RETE Nozione di Centralità Nozione introdotta dai sociologi nel dopoguerra (Bavelas 1948) L ipotesi è che la centralità strutturale sia un elemento in grado di motivare l importanza di
DettagliSommario. Rappresentazione dei grafi. Ordinamento topologico. Visita in ampiezza Visita in profondità
Visite Grafi Sommario Rappresentazione dei grafi Visita in ampiezza Visita in profondità Ordinamento topologico Visita in ampiezza La visita in ampiezza breadth-first-search (BFS) di un grafo dato un vertice
DettagliFondamenti di Informatica
Fondamenti di Informatica AlgoBuild: Strutture selettive, iterative ed array Prof. Arcangelo Castiglione A.A. 2016/17 AlgoBuild : Strutture iterative e selettive OUTLINE Struttura selettiva Esempi Struttura
DettagliFondamenti di Informatica 6. Algoritmi e pseudocodifica
Vettori e matrici #1 Fondamenti di Informatica 6. Algoritmi e pseudocodifica Corso di Laurea in Ingegneria Civile A.A. 2010-2011 1 Semestre Prof. Giovanni Pascoschi Le variabili definite come coppie
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
DettagliAlgoritmi Greedy. Tecniche Algoritmiche: tecnica greedy (o golosa) Un esempio
Algoritmi Greedy Tecniche Algoritmiche: tecnica greedy (o golosa) Idea: per trovare una soluzione globalmente ottima, scegli ripetutamente soluzioni ottime localmente Un esempio Input: lista di interi
DettagliIndice della presentazione
Indice della presentazione Introduzione; Risposta spettrale della vegetazione e riconoscimento incendi; Tecniche di classificazione automatica e mappe del combustibile; Stima di parametri biochimici e
DettagliLa rappresentazione cartografica è una forma di descrizione del territorio fondata sulla restituzione delle relazioni spaziali di elementi geografici
Cartografia digitale e modelli di dati spaziali modelli vettoriali e modelli raster La descrizione cartografica La rappresentazione cartografica è una forma di descrizione del territorio fondata sulla
DettagliLA PERCEZIONE Dott.ssa SILVIA GIARRIZZO
LA PERCEZIONE 1 Dott.ssa SILVIA GIARRIZZO SENSAZIONE E PERCEZIONE La SENSAZIONE implica la registrazione e la codificazione degli stimoli ossia di tutte le forme di energia che colpiscono gli organi di
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
DettagliSegmentazione mediante ricerca di forme. Paola Campadelli
Segmentazione mediante ricerca di forme Paola Campadelli Segmentazione mediante ricerca di forme Template deformabili (Yuille et al. 92) Contorni deformabili (Kaas et al. 87) GVF Snakes (Xu et al. 98)
DettagliIstogramma dei livelli di grigio
Capitolo 4 - Operatori Puntuali 1 Istogramma dei livelli di grigio L istogramma dei livelli di grigio di un immagine è una funzione che associa a ciascun livello il numero di pixel dell immagine aventi
DettagliEspressioni aritmetiche
Espressioni aritmetiche Consideriamo espressioni costruite a partire da variabili e costanti intere mediante applicazione delle operazioni di somma, sottrazione, prodotto e divisione (intera). Ad esempio:
DettagliPROVETTE D ESAME. Algoritmi e Strutture Dati
PROVETTE D ESAME Algoritmi e Strutture Dati ESERCIZIO 1 Si ottengano limiti superiori e inferiori per la seguente ricorrenza ESERCIZIO 1 ESERCIZIO 2 Dato un albero binario T, il grado di sbilanciamento
DettagliProblema del cammino minimo
Algoritmi e Strutture di Dati II Problema del cammino minimo Un viaggiatore vuole trovare la via più corta per andare da una città ad un altra. Possiamo rappresentare ogni città con un nodo e ogni collegamento
DettagliLaboratorio 9 ( Java 4 ) Classe astratta per BFS su grafo
Laboratorio 9 ( Java ) Classe astratta per BFS su grafo Testo esercitazione Scaricare il file EseBFS.zip, scompattarlo ed analizzare le classi in esso contenute con particolare attenzione alla classe astratta
Dettaglimanuale di identità visiva visual identity manual
manuale di identità visiva visual identity manual identità visiva Cold Car La creazione di un sistema d identità rappresenta il primo passo per il corretto utilizzo del marchio. Assieme al logo, l articolazione
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
DettagliA review of some Java basics. Java pass-by-value and List<> references
A review of some Java basics Java pass-by-value and List references Java is always pass-by-value Java is always pass-by-value. Unfortunately, they decided to call the location of an object a reference.
DettagliLa codifica delle immagini
Non sempre il contorno della figura coincide con le linee della griglia. Quella che si ottiene nella codifica è un'approssimazione della figura originaria Se riconvertiamo la stringa 0000000011110001100000100000
DettagliEsercizi svolti. delle matrici
Esercizi svolti. astratti. Si dica se l insieme delle coppie reali (x, y) soddisfacenti alla relazione x + y è un sottospazio vettoriale di R La risposta è sì, perchè l unica coppia reale che soddisfa
Dettagli3.6 Metodi basati sui piani di taglio
3.6 Metodi basati sui piani di taglio Problema generale di Programmazione Lineare Intera (PLI) con A matrice m n e b vettore n 1 razionali min{ c t x : x X = {x Z n + : Ax b} } Sappiamo che esiste una
DettagliEsercizi Capitolo 11 - Strutture di dati e progettazione di algoritmi
Esercizi Capitolo 11 - Strutture di dati e progettazione di algoritmi Alberto Montresor 19 Agosto, 2014 Alcuni degli esercizi che seguono sono associati alle rispettive soluzioni. Se il vostro lettore
DettagliDispense del corso di Elaborazione di Immagini e Audio Digitali
http://imagelab.ing.unimo.iting it Dispense del corso di Elaborazione di Immagini e Audio Digitali Un problema reale: Shot detection Prof. Roberto Vezzani Un esempio di elaborazione di video In questa
DettagliTelerilevamento. Esercitazione 5. Classificazione non supervisionata. Apriamo l immagine multi spettrale relativa alla zona di Feltre che si trova in:
Telerilevamento Esercitazione 5 Classificazione non supervisionata Lo scopo di questa esercitazione è quella di effettuare una classificazione non supervisionata di un immagine SPOT5 acquisita sull area
Dettagli1 Congresso Nazionale ANFeA Roma, Auditorium ISPRA 1 e 2 dicembre 2011
1 Congresso Nazionale ANFeA Roma, Auditorium ISPRA 1 e 2 dicembre 2011 POSTPROCESSING IN MAMMOGRAFIA DIGITALE: È OPPORTUNO IL COMMISSIONING NELLA ACQUISIZIONE DI NUOVI SISTEMI? Silvia Trivisonne 1 ; Enrico
DettagliLA PERCEZIONE VISIVA. corso CAD A architettura quinquennale 2010/2011 condotto da daniela sidari
LA PERCEZIONE VISIVA corso CAD A architettura quinquennale 2010/2011 condotto da daniela sidari NEL GUARDARE UN OGGETTO ENTRANO IN GIOCO: L ESPERIENZA VISSUTA LA MEMORIA TRADIZIONI E CULTURA L OCCHIO CHE
DettagliAttraversamento di un albero (binario)
Attraversamento di un albero (binario) 1) Preordine Algorithm binarypreorder( T, v) //caso di albero binario Visita il nodo v; binarypreorder( T, T.leftChild(v)); //Attraversamento ricorsivo sottoalbero
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
DettagliAnalisi algoritmi ricorsivi e relazioni di ricorrenza
Analisi algoritmi ricorsivi e relazioni di ricorrenza Punto della situazione Finora abbiamo affrontato: il tempo di esecuzione di un algoritmo, l analisi asintotica con le notazioni asintotiche e la tecnica
DettagliCapitolo 6 - Array. Copyright by Deitel & Associates, Inc. and Pearson Education Inc. All Rights Reserved.
1 Capitolo 6 - Array Array Array Gruppo di locazioni di memoria consecutive Stesso nome e tipo Per riferirsi a un elemento, specificare Nome dell array Posizione Formato: arrayname[ position number ] Primo
Dettagli01/12/14. Psicologia generale. Marialuisa Martelli. Percezione. Sensazione e percezione
Psicologia generale Marialuisa Martelli Percezione Sensazione e percezione 1 01/12/14 Organizzazione gerarchica Effetto del contesto 12 13 14 A 13 C 2 La psicofisica Il concetto di soglia: una barriera
DettagliElaborazione dei dati. pkt /9
Elaborazione dei dati pkt006-89-1.0 4/9 1 Argomenti 1. Analisi delle immagini multispettrali 2. Analisi dell istogramma e enfatizzazione del contrasto 3. Trasformata RGB-IHS 4. Filtraggio 5. Estrazione
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
Dettagli6.5 RNA Secondary Structure. 18 novembre 2014
6.5 RNA Secondary Structure 18 novembre 2014 Calendario Oggi è la lezione 17/24: ultima lezione su Programmazione dinamica Metodo greedy: 18, 19 Grafi: 20, 21, 22, 23 Reti di flusso: 23, 24 (=mercoledì
DettagliGrafi (non orientati e connessi): minimo albero ricoprente
Grafi (non orientati e connessi): minimo albero ricoprente Una breve presentazione Definizioni Sia G=(V,E) un grafo non orientato e connesso. Un albero ricoprente di G è un sottografo T G tale che: T è
DettagliElementi di geometria delle immagini digitali binarie
Elementi di geometria delle immagini digitali binarie Adiacenza e connettività Componenti connessi Distanze Contorni Interpretazione delle Immagini A.A. 00/003 Immagini digitali binarie In un immagine
DettagliArray in Fortran 90. Ing. Luca De Santis. Anno accademico 2006/2007. DIS - Dipartimento di informatica e sistemistica
Array in Fortran 90 Ing. Luca De Santis DIS - Dipartimento di informatica e sistemistica Anno accademico 2006/2007 Fortran 90: array DIS - Dipartimento di informatica e sistemistica 1 / 25 Cosa vedremo
DettagliLe immagini digitali. Introduzione
Le immagini digitali Introduzione 2 L informazione grafica grafica a caratteri grafica vettoriale grafica raster 3 Due grandi categorie Immagini reali: acquisite da una scena reale mediante telecamera,
Dettagli1 Prodotto cartesiano di due insiemi 1. 5 Soluzioni degli esercizi 6
1 PRODOTTO CARTESIANO DI DUE INSIEMI 1 I-4 R 2 ed R 3 Piano e spazio cartesiani Indice 1 Prodotto cartesiano di due insiemi 1 2 Rappresentazione di R 2 sul piano cartesiano 2 3 Sottoinsiemi di R 2 e regioni
DettagliAlgoritmi greedy. Gli algoritmi che risolvono problemi di ottimizzazione devono in genere operare una sequenza di scelte per arrivare alla soluzione
Algoritmi greedy Gli algoritmi che risolvono problemi di ottimizzazione devono in genere operare una sequenza di scelte per arrivare alla soluzione Gli algoritmi greedy sono algoritmi basati sull idea
DettagliANALISI DEI DATI PER IL MARKETING 2014
ANALISI DEI DATI PER IL MARKETING 2014 Marco Riani mriani@unipr.it http://www.riani.it LA CLASSIFICAZIONE CAP IX, pp.367-457 Problema generale della scienza (Linneo, ) Analisi discriminante Cluster Analysis
DettagliDescrittori per i contorni: lunghezza, orientazione, del segmento congiungente punti estremi, numero di concavità
Texture analysis Introduzione Una regione di una immagine può essere rappresentata mediante le sue caratteristiche esterne i contorni Descrittori per i contorni: lunghezza, orientazione, del segmento congiungente
DettagliSistemi di Elaborazione delle Informazioni
Università degli Studi di Messina Policlinico G. Martino - Sistemi di Elaborazione delle Informazioni A.A. 26/27 Università degli Studi di Messina Policlinico G. Martino - Sistemi di Elaborazione delle
Dettagli2.2 Alberi di supporto di costo ottimo
. Alberi di supporto di costo ottimo Problemi relativi ad alberi hanno numerose applicazioni: progettazione di reti (comunicazione, teleriscaldamento,...) protocolli reti IP memorizzazione compatta di
DettagliI Principi della percezione visiva I Principi della percezione visiva Grammatica Visiva 2
I Principi della percezione visiva I Principi della percezione visiva Grammatica Visiva 2 Semplicità La nostra mente tende a creare l immagine più semplice. Grammatica Visiva 2 Semplicità La nostra mente
DettagliConversione Analogico/Digitale
Conversione Analogico/Digitale Le grandezze fisiche che vogliamo misurare variano con continuità in un dato intervallo ed in funzione del tempo: sono descrivibili come una funzione continua di variabile
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
DettagliSVITOL. brand identity guidelines. Indice. Il logo The logo. Interazione con altri elementi grafici Use with other graphic elements
brand identity guidelines SVITOL Indice Il logo The logo Interazione con altri elementi grafici Use with other graphic elements Codifica colori Colour coding Dimensioni di utilizzo stampa Printing sizes
DettagliTecniche di riconoscimento statistico
On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 10 Combinazione di classificatori Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr
DettagliExam of ELECTRONIC SYSTEMS June 17 th, 2014 Prof. Marco Sampietro
Exam of ELETRONI SYSTEMS June 17 th, 2014 Prof. Marco Sampietro Matr. N NAME Problem 1 Operational Amplifier circuit 1. onsiderare il circuito seguente, in cui l Amplificatore Operazionale sia ideale,
DettagliInformatica 3. Informatica 3. LEZIONE 17: Alberi generici. Lezione 17 - Modulo 1. Introduzione. ADT dell albero generico.
Informatica 3 Informatica 3 LEZIONE 17: lberi generici Lezione 17 - Modulo 1 Modulo 1: Definizione e DT Modulo 2: Implementazione Modulo 3: lberi e classi di equivalenza Definizione e DT Politecnico di
DettagliTraining Set Test Set Find-S Dati Training Set Def: Errore Ideale Training Set Validation Set Test Set Dati
" #!! Suddivisione tipica ( 3 5 6 & ' ( ) * 3 5 6 = > ; < @ D Sistemi di Elaborazione dell Informazione Sistemi di Elaborazione dell Informazione Principali Paradigmi di Apprendimento Richiamo Consideriamo
DettagliRicerca Operativa. G. Liuzzi. Lunedí 20 Aprile 2015
1 Lunedí 20 Aprile 2015 1 Istituto di Analisi dei Sistemi ed Informatica IASI - CNR Rilassamento di un problema Rilassare un problema di Programmazione Matematica vuol dire trascurare alcuni (tutti i)
DettagliESERCIZI SULLA TECNICA BACKTRACKING e BRANCH & BOUND
ESERCIZI SULLA TECNICA BACKTRACKING e BRANCH & BOUND 1. [ STRINGHE] Scrivere in pseudo-codice una procedura che, preso in input un intero n, stampi tutte le stringhe di lunghezza minore o uguale ad n sull
DettagliRAPPRESENTAZIONE DELLE INFORMAZIONI
RAPPRESENTAZIONE DELLE INFORMAZIONI 1 RAPPRESENTAZIONE DELLE INFORMAZIONI Le informazioni gestite dai sistemi di elaborazione devono essere codificate per poter essere memorizzate, elaborate, scambiate,
DettagliGrafi pesati Minimo albero ricoprente
Algoritmi e Strutture Dati Definizioni Grafi pesati Minimo albero ricoprente Sia G=(V,E) un grafo non orientato e connesso. Un albero ricoprente di G è un sottografo T G tale che: T è un albero; T contiene
DettagliAlgoritmi di ricerca locale
Algoritmi di ricerca locale Utilizzati in problemi di ottimizzazione Tengono traccia solo dello stato corrente e si spostano su stati adiacenti Necessario il concetto di vicinato di uno stato Non si tiene
DettagliSi faccia riferimento all Allegato A - OPS 2016, problema ricorrente REGOLE E DEDUZIONI, pagina 2.
Scuola Sec. SECONDO Grado Gara 2 IND - 15/16 ESERCIZIO 1 Si faccia riferimento all Allegato A - OPS 2016, problema ricorrente REGOLE E DEDUZIONI, pagina 2. Sono date le seguenti regole: regola(1,[a],b)
DettagliIntroduzione alla programmazione
Introduzione alla programmazione Risolvere un problema Per risolvere un problema si procede innanzitutto all individuazione Delle informazioni, dei dati noti Dei risultati desiderati Il secondo passo consiste
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
DettagliMeasurement. Picture 1. Picture 2
Measurement Measurement Picture 1 La misura viene effettuata su di un piano in legno di forma quadrata con lato di 1400 mm. Si identificano N 9 referenze di misura, Mark, per ognuno dei quali vengono misurati
DettagliFisica Computazionale
Fisica Computazionale Lavori in Corso a Fisica 2016 Alessandro Gabbana Universitá Degli Studi di Ferrara November 22, 2016 A.Gabbana, R.Tripiccione Fisica Computazionale November 22, 2016 1 / 11 Introduzione
DettagliSistemi lineari - Parte Seconda - Esercizi
Sistemi lineari - Parte Seconda - Esercizi Terminologia Operazioni elementari sulle righe. Equivalenza per righe. Riduzione a scala per righe. Rango di una matrice. Forma canonica per righe. Eliminazione
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
DettagliAppunti di Algoritmi e Strutture Dati. Grafi. Gianfranco Gallizia
Appunti di Algoritmi e Strutture Dati Grafi Gianfranco Gallizia 12 Dicembre 2004 2 Indice 1 Grafi 5 1.1 Definizione.............................. 5 1.2 Implementazione........................... 5 1.2.1
DettagliCorso di Intelligenza Artificiale A.A. 2016/2017
Università degli Studi di Cagliari Corsi di Laurea Magistrale in Ing. Elettronica Corso di Intelligenza rtificiale.. 26/27 Esercizi sui metodi di apprendimento automatico. Si consideri la funzione ooleana
Dettagli