Un sistema fuzzyper il miglioramento del contrasto
|
|
- Vito Rossetti
- 6 anni fa
- Visualizzazioni
Transcript
1 Un sistema fuzzyper il miglioramento del contrasto G. Castellano 1 Fuzzy Contrast Enhancement(FCE) ContrastEnhancement: miglioramento del contrasto di un'immagine a scale di grigio (trasformazione di intensità) Possiamo formalizzare il problema mediante un modello fuzzycostituito dalle seguenti regole: IF un pixel è scuro THEN rendilo più scuro IF un pixel è grigio THEN lascialo grigio IF un pixel è chiaro THEN rendilo più chiaro G. Castellano 2 1
2 FCE: Definizione della variabile fuzzy di input Il dominio di input Z è il livello di intensità di grigio, quindi è l intervallo discreto [0,255] 0 corrisponde al nero, 255 corrisponde al bianco Definiamo tre valori fuzzy per questa variabile: Scuro: insieme fuzzy con funzione di membership Z-shaped(0,63,127) Grigio: insieme fuzzy con funzione di membership triangolare (63,127,191) Chiaro: insieme fuzzy con funzione di membership S-shaped(127,191,255) FCE: Definizione della variabile fuzzy di output Il dominio di output V è il livello di intensità di grigio, quindi è l intervallo discreto [0,255] 0 corrisponde al nero, 1 corrisponde al bianco Definiamo tre valori fuzzy per questa variabile: PiùScuro: insieme fuzzysingleton v +s Grigio: insieme fuzzysingleton v g PiùChiaro: insieme fuzzysingleton v +c Da definire 4 2
3 FCE: Definizione delle regole fuzzy Abbiamo quindi definito un modello fuzzysemplificato, costituito dalle seguenti regole: R 1 : IF (z isscuro) THEN (v isv +s ) R 2 : IF (z isgrigio) THEN (v isv g ) R 3 : IF (z ischiaro) THEN (v isv +c ) La scelta di un modello fuzzysemplificato consente di ridurre il costo computazionale legato all inferenza delle regole occorre infatti applicare l inferenza delle tre regole a ciascun livello di grigio!! G. Castellano 5 Inferenza di regole fuzzy (modello fuzzy semplificato) R R 1 1 ( x1isa1) AND ( THENyis ( x1isa1) AND ( x2isa2) THENyis 2 1: IF b 2: IF b R 1 R 2 1 A 1 1 A 2 2 Z A A 2 Z 2 0 ( ( 1) ( 2 ) 0 1z, z α =τ µ A µ A ( ( 1) ( 2 ) 0 2z, z α =τ µ A µ A Modello di Takagi-Sugeno di ordine zero Modello di Mamdani con conseguenti singleton v 0 α1b1 + α2b = α + α Z 0 T-norm z 1 Z 1 z 2 2 Antecedente: Prodotto cartesiano di fuzzy set G. Castellano - Conseguente: Valore crisp 6 3
4 Inferenza di regole fuzzy(modello fuzzy semplificato per FCE) R 1 R 2 SCURO GRIGIO Z α = 0 ( ) 1 µ SCURO z α = 0 ( ) 2 µ GRIGIO z ( zisscuro) THENvisv s ( zisgrigio) THENvisvg ( zischiaro) THENvisv c R 1: IF + : IF R 2 R 3: IF + R 3 Z CHIARO α = 0 ( ) 3 µ CHIARO z v 0 αv = + αv 1 + s 2 g 3 + c α + α + α αv 3 0 z G. Castellano 7 FCE: Inferenza delle regole L inferenza delle regole in corrispondenza dell input z 0 produce il seguente output crisp: G. Castellano 8 4
5 FCE: Un esempio di applicazione Immagine a basso contrasto Istogramma dei livelli di grigio G. Castellano 9 FCE: Un esempio di applicazione Immagine dopo l applicazione dell equalizzazione Istogramma dei livelli di grigio G. Castellano 10 5
6 FCE: Un esempio di applicazione Immagine dopo l applicazione del FuzzyContrastEnhancement Istogramma dei livelli di grigio G. Castellano 11 FCE: Un esempio di applicazione G. Castellano 12 6
7 Un sistema fuzzya due livelli per il miglioramento del contrasto G. Castellano 13 Fuzzy Contrast Enhancement-2 Il modello fuzzy per il Contrast Enhancement visto in precedenza richiede un elevato costo computazionale Applicazione del processo di inferenza ad ogni livello di grigio E possibile definire un modello fuzzyper il ContrastEnhancementche lavori solo su alcuni valori dell istogramma dell immagine Lavoro proposto da (Hsu, Lin, Chen, 2006) Ridotto costo computazionale G. Castellano 14 7
8 Istogramma e contrasto G. Castellano 15 Fuzzy Contrast Enhancement-2 Il primo modello fuzzyeffettua una trasformazione dell istogramma G. Castellano 16 8
9 Fuzzy Contrast Enhancement-2 Il secondo modello fuzzydetermina la trasformazione da applicare mediante LUTpartendo dall istogramma modificato con il primo modello REMIND: Una look-up table(lut) è un vettore di L elementi in cui l i-esimo elemento memorizza il risultato della trasformazione del livello i, indicato con T(i) LUT(i) = T(i) per i= 0, L-1 G. Castellano 17 Fuzzy Contrast Enhancement(FCE-2) Il modello è costituito da due modelli fuzzyin cascata Il primo modello migliora i picchi dell istogramma Il secondo modello usa i picchi migliorati per determinare l enhancement da applicare mediante la LUT Il modello a due livelli è applicato separatamente alla parte bassa (darkness) e alla parte alta (brightness) dell istogramma n. pixel darkness a b c brightness d Valore medio di luminanza = AVG 18 9
10 FCE-2: Modello fuzzy di primo livello IF (l altezza del picco è Grande) AND (la differenza tra il valore di luminanza del picco e il valore di luminanza AVG è Medio) THEN (applica una modifica Media al valore di luminanza del picco) IF (l altezza del picco è Piccola) AND (la differenza tra il valore di luminanza del picco e il valore di luminanza AVG è Medio) THEN (applica una modifica Piccola al valore di luminanza del picco) 19 FCE-2: Modello fuzzydi primo livello Definizione delle variabili di input Il modello utilizza due variabili di input: L altezza (numero di pixel) del picco (ordinata nell istogramma) La differenza tra il valore di luminanza del picco (ascissa nell istogramma) e il valore di luminanza medio (AVG) Ciascuna variabile di input è fuzzificata con quattro valori fuzzy: Grande, Medio, Piccolo, Nullo Definizione delle funzioni di membership n. pixel y a darkness a x a b (x AVG -x a ) brightness c d x AVG G. Castellano 20 10
11 FCE-2: Modello fuzzydi primo livello Definizione delle variabili di input Definizione delle funzioni di membershipper la prima variabile di input Altezza del picco Il range è l intervallo discreto [0, num_pixel_tot] Per definire i quattro insiemi fuzzysupponiamo di usare funzioni triangolari Nullo Piccolo Medio Grande (num_pixel_tot) G. Castellano 21 FCE-2: Modello fuzzydi primo livello Definizione delle variabili di input Definizione delle funzioni di membershipper la seconda variabile di input Differenza (valore assoluto) tra la luminanza del picco e la luminanza AVG Il rangeè l intervallo discreto [0,L-1] Per definire i quattro insiemi fuzzysupponiamo di usare funzioni triangolari: Nullo Piccolo Medio Grande 0 63,75 127,5 191, (L-1) G. Castellano 22 11
12 FCE-2: Modello fuzzydi primo livello Definizione della variabile di output Il modello utilizza una variabile di output: La modifica da apportare al valore di luminanza del picco (ascissa nell istogramma) La variabile di output è fuzzificatacon quattro valori fuzzy: Grande, Medio, Piccolo, Nullo Fuzzy set di output Grande Medio darkness brightness darkness brightness Piccolo darkness brightness Nullo darkness brightness 24 12
13 Fuzzy set di output Come definire in FuzzyJ tali funzioni? Si può pensare ad una modifica della funzione S-Shape che non abbia valori solo in [0,1]? Normalizzazione della scala di grigi tra 0 e 1 Per ottenere le altre funzioni si potrebbero poi applicare i modificatori fuzzy G. Castellano 25 Fuzzy set di output Come definire in FuzzyJ tali funzioni? Un altra soluzione potrebbe essere quella di definire quattro fuzzyset di tipo singleton fittizie poi associare ad ognuno, dopo l inferenza delle regole, la funzione corrispondente. Nullo Piccolo Medio Grande 13
14 FCE-2: Modello fuzzydi primo livello Definizione delle regole Output: Modifica alla luminanza Input 2: Differenza con la luminanza AVG Input 1: n. pixel del picco Grande Medio Piccolo Nullo Grande Grande Grande Medio Nullo Medio Grande Medio Piccolo Nullo Piccolo Grande Medio Medio Piccolo Nullo Grande Grande Grande Grande G. Castellano 27 FCE-2: Modello fuzzy di primo livello Il modello fuzzydi primo livello viene applicato solo a quattro picchi dell istogramma: I due picchi più alti della parte darknessindicati con ae b I due picchi più alti della parte brightnessindicati con ce d n. pixel n. pixel darkness b a b a brightness d c x AVG d c G. Castellano x AVG 28 14
15 FCE-2: Modello fuzzy di secondo livello Il secondo modello fuzzyusa i quattro picchi più alti (migliorati con il primo modello) per determinare l enhancement da applicare mediante la LookUp Table (LUT) Viene applicato separatamente ai due picchi più alti della parte brightness e ai due picchi più alti della parte darkness n. pixel a b c d x AVG 29 FCE-2: Modello fuzzy di secondo livello IF (la luminanza del primo picco più alto è Grande) AND (la luminanza del secondo picco più alto è Grande ) THEN (usa una funzione di enhancement Grande per la LUT) IF (la luminanza del primo picco più alto è Media) AND (la luminanza del secondo picco più alto è Piccola) THEN (usa una funzione di enhancement Media per la LUT) 30 15
16 FCE-2: Modello fuzzy di secondo livello Definizione delle variabili di input Il modello usa due variabili di input: Valore di luminanza del primo picco più alto (b/d) Valore di luminanza del secondo picco più alto (a/c) Ciascuna variabile di input è fuzzificatacon quattro valori fuzzy: Alto, Medio, Basso, Nullo Definizione delle funzioni di membership Coincidono con Grande, Medio, Piccolo, Nullo?? G. Castellano 31 FCE-2: Modello fuzzydi secondo livello Definizione della variabile di output Il modello utilizza una variabile di output: L enhancement da apportare mediante la LUT La variabile di output è fuzzificatacon quattro valori fuzzy: Alto, Medio, Basso, Nullo Coincidono con Grande, Medio, Piccolo, Nullo 16
17 Fuzzy set di output Alto Medio darkness brightness darkness brightness darkness Basso brightness Nullo darkness brightness 33 FCE-2: Modello fuzzydi secondo livello Definizione delle regole Output: Enhancement LUT Input 2: luminanza del secondo picco più alto (a/c) Input 1: luminanza del primo picco più alto (b/d) Alto Medio Basso Nullo Alto Alto Alto Medio Nullo Medio Alto Medio Basso Nullo Basso Alto Medio Medio Basso Nullo Alto Alto Alto Alto Sono uguali alle regole del modello di primo livello!!! G. Castellano 34 17
18 FCE-2: Modello fuzzy di secondo livello IF (la luminanza del primo picco più alto è Grande) AND (la luminanza del secondo picco più alto è Grande ) THEN (usa una funzione di enhancement Grande per la LUT) IF (la luminanza del primo picco più alto è Media) AND (la luminanza del secondo picco più alto è Piccola) THEN (usa una funzione di enhancement Media per la LUT) 35 Fuzzy Look-Up Table ottenuta dall inferenza del secondo modello Livelli di grigio Enhancement function(lut) Grande darkness brightness μ Grande (0) μ Grande (1) μ Grande (255) G. Castellano 36 18
19 Passi da implementare Definire il primo modello fuzzy 1. Definire i valori fuzzyper la variabile di input altezzapicco 2. Definire i valori fuzzyper la variabile di input diffmedia 3. Definire i valori fuzzyper la variabile di output modifica 4. Definire le regole G. Castellano 37 Definizione del primo modello Definizione dei fuzzytermper le variabili di input num_pixel_tot G. Castellano 38 19
20 Definizione del primo modello Definizione dei fuzzytermper la variabile di output Problema da risolvere Qui è adottata la soluzione dei fuzzyset fittizi G. Castellano 39 Definizione del primo modello Definizione delle regole G. Castellano 40 20
21 Passi da implementare Definire il secondo modello fuzzy 1. Definire i valori fuzzyper la variabile di input primopicco 2. Definire i valori fuzzyset per la variabile di input secondopicco 3. Definire i valori fuzzyper la variabile di output funzionelut 4. Definire le regole G. Castellano 41 Passi da implementare INPUT: Immagine a L livelli di grigio di N x M pixel 1. Calcolare l istogramma dell immagine 2. Calcolare la luminanza media AVG nell istogramma La parte darkness dell istogramma è DARK={x x AVG} La parte brightness dell istogramma è BRIGHT={x x>avg} 3. Ricercare i due picchi più alti in DARK e memorizzarne ascissa e ordinata (x_a,y_a) (x_b,y_b) 4. Ricercare i due picchi più alti in BRIGHT e memorizzarne ascissa e ordinata: (x_c,y_c) (x_c,y_c) G. Castellano 42 21
22 Passi da implementare 5. Applicare l inferenza del primo modello fuzzyal punto (x_a,y_a) della parte darkness per ottenere la x_a modificata Input1: y_a Input 2: (AVG-x_a) 6. Applicare l inferenza del primo modello fuzzyal punto (x_b,y_b) della parte darkness per ottenere la x_b modificata Input1: y_b Input 2: (AVG-x_b) 7. Applicare l inferenza del primo modello fuzzyal punto (x_c,y_c) della parte brightness per ottenere la x_c modificata Input 1: y_c Input 2: (x_c-avg) 8. Applicare l inferenza del primo modello fuzzyal punto (x_d,y_d) della parte brightness per ottenere la x_d modificata Input 1: y_d Input 2: (x_d-avg) G. Castellano 43 Inferenza del primo modello G. Castellano 44 22
23 Passi da implementare 9. Applicare l inferenza del secondo modello fuzzyai punti (x_a,y_a) e (x_b,y_b) della parte darkness Input 1: x_a Input 2: x_b Risultato: funzione di enhancementper la LUT della parte BRIGHT Calcolo di T(i) per i=0 AVG 10.Applicare l inferenza del secondo modello fuzzyai punti (x_c,y_c) e (x_d,y_d) della parte brightness dell istogramma Input 1: x_c Input 2: x_d Risultato: funzione di enhancementper la LUT della parte DARK Calcolo di T(i) per i=avg+1 L-1 G. Castellano 45 23
I sistemi di inferenza fuzzy
I sistemi di inferenza fuzzy G. Castellano Sistema di inferenza fuzzy Un sistema di inferenza fuzzyrealizza un mappingdi I/O mediante l inferenza di regole linguistiche (fuzzy) del tipo IF-THEN: Le variabili
DettagliSegmentazione di immagini
Segmentazione di immagini È il processo di suddividere una immagine in un certo numero di regioni (insiemi di pixel) omogenee Ogni regione è omogenea rispetto ad alcune caratteristiche (livello di grigio,
DettagliOperazioni sulle immagini digitali
Operazioni sulle immagini digitali Categorie di operatori L istogramma dei livelli di grigio Trasformazioni puntuali Equalizzazione Operazioni su immagini digitali I tipi di operazioni che si possono realizzare
DettagliOperazioni sulle immagini digitali
Operazioni sulle immagini digitali Categorie di operatori L istogramma dei livelli di grigio Trasformazioni puntuali Equalizzazione Operazioni su immagini digitali I tipi di operazioni che si possono realizzare
DettagliEqualizzazione di istogrammi
Equalizzazione di istogrammi Stefano Ferrari Università degli Studi di Milano stefanoferrari@unimiit Tecniche di calcolo e sistemi operativi e informatica academic year 217 218 Istogramma L istogramma
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
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
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
DettagliMacerata 19 dicembre 2014 classe 3M COMPITO DI MATEMATICA RECUPERO ASSENTI ( ) ( ) ( ) C 2; 1.
Macerata 9 dicembre 04 classe M COMPITO DI MATEMATICA RECUPERO ASSENTI SOLUZIONE QUESITO In un riferimento cartesiano ortogonale è dato il fascio di rette: k + x k y + k + = 0. Determina il centro C del
DettagliTecniche fuzzy per l elaborazione di immagini
Tecniche fuzzy per l elaborazione di immagini G. Castellano 1 Di che colore è? COLOR QUANTIZATION G. Castellano 2 1 Troviamo i bordi EDGE DETECTION G. Castellano 3 Troviamo le regioni omogenee COLOR IMAGE
Dettaglihttp://www.appuntielettro.altervista.org Possiamo associare a ogni punto di una retta orientata un numero reale Il piano cartesiano associamo a ogni punto del piano una coppia di numeri reali Un piano
DettagliIntroduzione alla Teoria degli Insiemi fuzzy
Modulo II Metodi di Intelligenza Computazionale per l elaborazione di immagini Dott.ssa Giovanna Castellano castellano@di.uniba.it Introduzione alla Teoria degli Insiemi fuzzy G. Castellano 2 1 Concetto
DettagliRicordiamo. 1. Disegna una retta orientata, prendi un unità di misura e posiziona i seguenti punti: 1
Geometria Analitica Piano Cartesiano Sistema di coordinate su una retta Presa una retta r orientata, su cui sono stati fissati un origine O e un unità di misura, definiamo sistema di coordinate su una
DettagliElaborazione di immagini. Trasformare e migliorare. Scopi dell elaborazione. Tipi di elaborazione
Elaborazione di immagini Trasformare e migliorare Procedimento che data un immagine originale f(x,y) ne generi una nuova g(x,y) i cui pixel siano stati trasformati secondo un determinato algoritmo. f(x,y)
DettagliTecniche fuzzy per le trasformazioni di intensità e il filtraggio spaziale
Tecniche fuzzy per le trasformazioni di intensità e il filtraggio spaziale Cenni Storici 1965: Lofti A. Zadeh "Fuzzy Sets" Logica in cui sono presi in considerazione i valori intermedi fra il Vero ed il
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
DettagliTrasformare e migliorare
Trasformare e migliorare Elaborazione di immagini Da f(x,y) a g(x,y) pixel trasformati secondo un determinato algoritmo f(x,y) g(x,y) Scopi dell elaborazione Eliminazione dei disturbi Esaltazione dei particolari
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
DettagliVariabile casuale Normale
Variabile casuale Normale La var. casuale Normale (o Gaussiana) è considerata la più importante distribuzione Statistica per le innumerevoli Applicazioni e per le rilevanti proprietà di cui gode L'importanza
DettagliGARA SECONDARIA DI PRIMO GRADO INDIVIDUALE
GARA2 2019 SECONDARIA DI PRIMO GRADO INDIVIDUALE ESERCIZIO 1 Premessa La tabella che segue descrive le attività di un progetto (indicate rispettivamente con le sigle A1, A2,...), riportando per ciascuna
DettagliLA LOGICA FUZZY. X X c =1
LA LOGICA FUZZY La logica fuzzy è una logica non binaria bensì sfumata, che prende spunto dalla filosofia buddistazen, per la quale il mondo viene visto come un qualcosa di continuo, per l appunto di sfumato.
Dettagli( ) ( ) ( e la probabilità che si verifichi un evento compreso tra c e b a < c < b sarà data da:
e la probabilità che si verifichi un evento compreso tra c e b a < c < b sarà data da: p ( ) ( c < X < b) f ( x) LA VC NORMALE O GAUSSIANA Una vc si dice normale o gaussiana (da Gauss che la propose come
DettagliDISTANZA TRA DUE PUNTI NEL PIANO CARTESIANO
Geogebra DISTANZA TRA DUE PUNTI NEL PIANO CARTESIANO 1. Apri il programma Geogebra, assicurati che siano visualizzati gli assi e individua il punto A (0, 0). a. Dove si trova il punto A? b. Individua il
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
DettagliOperazioni puntuali. Tipi di elaborazioni Operatori puntuali Look Up Table Istogramma
Tipi di elaborazioni Operatori puntuali Look Up Table Istogramma Analisi di Basso Livello In ingresso abbiamo le immagini provenienti dai sensori. In uscita si hanno un insieme di matrici ognuna delle
DettagliAGENTI CHE RAGIONANO LOGICAMENTE LOGICA FUZZY
AGENTI CHE RAGIONANO LOGICAMENTE LOGICA FUZZY Agenti basati sulla conoscenza Un agente basato sulla conoscenza deve: Conoscere lo stato del mondo Conoscere come il mondo cambia nel tempo Saper fare inferenze
DettagliLiceo Scientifico Severi salerno
Liceo Scientifico Severi salerno VERIFICA ORALE MATEMATICA Docente: Pappalardo Vincenzo Data: /0/09 Classe: B. Determina per quali valori del parametro k le seguenti equazioni rappresentano una affinità:
DettagliIndice. Concetti generali. Concetti generali. Metodi numerici. Concetti generali. Concetti generali. Area di un triangolo e formula di camminamento
LOLO DELLE REE oncetti generali Metodi numerici oncetti generali rea di un triangolo e formula di camminamento Formula di Erone oordinate polari oordinate cartesiane Indice Metodi grafo numerici Trilaterazioni
DettagliMacerata 24 marzo 2015 classe 3M COMPITO DI RECUPERO ASSENTI. k <, mentre se. x = e. x = che sono le soluzioni dell equazione, 3 9
Macerata 4 marzo 015 classe M COMPITO DI RECUPERO ASSENTI Problema 1 y = k x + 5k x 4 + k E dato il fascio di parabole di equazione ( ) ( ). SI ha quindi la concavità rivolta k = si ha la parabola degenere
DettagliAppunti. Calcolatrice elettronica con angoli centesimali. Carta. Penna. Matita. Gomma. Squadrette. Righello. Scalimetro. Compasso
Appunti. Calcolatrice elettronica con angoli centesimali Carta Penna Matita Gomma Squadrette Righello Scalimetro Compasso Goniometro centesimale Penne colorate Registratore Videocamera Ripasso: Di un triangolo
DettagliTelerilevamento e Modellistica Forestale
Telerilevamento e Modellistica Forestale Lezione 6 Esplorazione, enfatizzazioni e filtri Dario Papale Contributi: Vern Vanderbilt, TA- Quinn Hart, CCRS Cosa è l enfatizzazione delle immagini L enfatizzazione
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
DettagliIstogramma dei livelli di grigio
Istogramma dei livelli di grigio Uno degli strumenti più semplici e più utili nell elaborazione delle immagini l istogramma dei livelli di grigio contenuti in una immagine. istogramma di una immagine contiene
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
DettagliElaborazione di immagini. I filtri Digital Image Processing
Elaborazione di immagini I filtri Digital Image Processing Tre livelli di image processing Basso livello Filtro di smoothing Tre livelli di image processing Medio livello Contrast saliency region detection,
Dettagliax 2 +bx+c è anche il trinomio che compare al I membro nelle equazioni di
PARABOLA La parabola si ottiene intersecando un cono con un piano come nella figura sotto. L equazione della parabola è f(x) = ax 2 +bx+c ax 2 +bx+c è anche il trinomio che compare al I membro nelle equazioni
DettagliSystemi Fuzzy - esempio
Corso di Laurea in Scienze cognitive e Processi decisionali Intelligenza Artificiale e analisi dei dati Systemi uzzy - esempio Alberto Borghese Università degli Studi di Milano Laboratory of Applied Intelligent
DettagliApplicazioni lineari tra spazi euclidei. Cambi di base.
pplicazioni lineari tra spazi euclidei. Cambi di base. Esercizio. Data la seguente applicazione lineare f : R R : f(x, y, z) = (x z, x + y, y + z), scrivere la matrice B, rappresentativa di f rispetto
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
DettagliTra le rette perpendicolari ad r individua la retta s che passa per il punto A e la retta t che passa C (3;0)
Macerata 6 dicembre 04 classe 3M COMPITO DI MATEMATICA SOLUZIONE QUESITO Scrivi l equazione della retta r che passa per i punti A(-3:3) e B(;) x + y 3 = 0 y ya x xa L equazione della retta per due punti
DettagliTeoria e tecniche dei test. Concetti di base
Teoria e tecniche dei test Lezione 2 2013/14 ALCUNE NOZIONI STATITICHE DI BASE Concetti di base Campione e popolazione (1) La popolazione è l insieme di individui o oggetti che si vogliono studiare. Questi
DettagliDIPARTIMENTO DI TOPOGRAFIA E FOTOGRAMMETRIA
DIPARTIMENTO DI TOPOGRAFIA E FOTOGRAMMETRIA PROGRAMMA SVOLTO DI TOPOGRAFIA A.S. 2013-2014 CLASSE IIIB CAT ELEMENTI DI TRIGONOMETRIA E GONIOMETRIA (Unità A1-A2-A3) Unità di misura degli angoli e trasformazioni
DettagliEquazioni differenziali con valori al bordo
Equazioni differenziali con valori al bordo Lucia Gastaldi DICATAM - Sez. di Matematica, http://lucia-gastaldi.unibs.it Indice 1 Equazioni di diffusione reazione 2 Equazioni di diffusione reazione Si consideri
DettagliSCHEDA DIDATTICA N 7
FACOLTA DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA CIVILE CORSO DI IDROLOGIA PROF. PASQUALE VERSACE SCHEDA DIDATTICA N 7 LA DISTRIBUZIONE NORMALE A.A. 01-13 La distribuzione NORMALE Uno dei più importanti
DettagliIndici di Dispersione
Indici di Dispersione Si cercano indici di dispersione che: utilizzino tutti i dati {x 1, x 2,..., x n } siano basati sulla nozione di scarto (distanza) dei dati rispetto a un centro d i = x i C ad esempio,
DettagliSistemi di Elaborazione dell Informazione 170. Caso Non Separabile
Sistemi di Elaborazione dell Informazione 170 Caso Non Separabile La soluzione vista in precedenza per esempi non-linearmente separabili non garantisce usualmente buone prestazioni perchè un iperpiano
DettagliEquazioni differenziali con valori al bordo
Equazioni differenziali con valori al bordo Lucia Gastaldi DICATAM - Sez. di Matematica, http://www.ing.unibs.it/gastaldi/ Indice 1 Equazioni differenziali con valori ai limiti 2 Matrici, norme e condizionamento
DettagliQuestionario 1. Sono assegnati i seguenti dati
Questionario 1. Sono assegnati i seguenti dati 30 30 10 30 50 30 60 60 30 20 20 20 30 20 30 30 20 10 10 40 20 30 10 10 10 30 40 30 20 20 40 40 40 dire se i dati illustrati sono unità statistiche valori
DettagliMacerata 6 febbraio 2015 classe 3M COMPITO DI MATEMATICA RECUPERO ASSENTI. 3 3 < x.
Macerata 6 febbraio 05 classe 3M COMPITO DI MATEMATICA RECUPERO ASSENTI SOLUZIONE QUESITO a) Rappresenta graficamente la curva descritta dalla seguente equazione: x y x y + + + 4 = 0 Per la presenza del
DettagliESERCITAZIONE I - SOLUZIONI
Esercizio 1 a) - Età: quantitativo continuo - Sesso: qualitativo sconnesso ESERCITAZIONE I - SOLUZIONI - Codice: qualitativo ordinabile (scala di gravità) - Tempo previsto di attesa: quantitativo continuo
DettagliElaborazione statistica di dati
Elaborazione statistica di dati CONCETTI DI BASE DI STATISTICA ELEMENTARE Taratura strumenti di misura IPOTESI: grandezza da misurare identica da misura a misura Collaudo sistemi di produzione IPOTESI:
DettagliEsercizi di ricapitolazione
Esercizio 1. Sono dati 150 g di una soluzione S 1 concentrata al 12%. (a) Determinare quanti grammi di soluto occorre aggiungere a S 1 per ottenere una nuova soluzione S 2 concentrata al 20%. (b) Determinare
DettagliAnalisi e scelta dei dati di input
Analisi e scelta dei dati di input Corso di Tecniche di Simulazione, a.a. 2005/2006 Francesca Mazzia Dipartimento di Matematica Università di Bari 24 Aprile 2006 Francesca Mazzia (Univ. Bari) Analisi e
Dettagli( ) 2. Determina il resto della divisione fra il polinomio P ( x) 2 2x. 3. Per quale valore del parametro m il polinomio P(
ALGEBRA E ANALITICA. Determina il resto della divisione fra il polinomio P ( ) e il binomio D ( ). [ R ( ) ] + + + ( ) Detto D() il polinomio divisore, Q() il polinomio quoziente, R() il resto, il polinomio
DettagliValori Alfanumerici. Informatica di Base -- R.Gaeta 1
Valori Alfanumerici Finora abbiamo utilizzato solo valori numerici; Se vogliamo usare valori alfanumerici (caratteri e numeri), usiamo le stringhe; In Logo le stringhe si delimitano con le parentesi quadre;
DettagliEsercitazione 4. F (x) = x + log x. Prima parte. La definizione che segue è una realizzazione del metodo ad un punto definito dalla funzione h.
Esercitazione 4 Istruzioni trattate: grid, legend, plotd, and. Nella prima parte di questa esercitazione vedremo una realizzazione di un metodo ad un punto e la utilizzeremo per approssimare il punto unito
Dettagli3. rappresentare mediante i grafici ritenuti più idonei le distribuzioni di frequenze assolute dei diversi caratteri;
Esercizio 1 Il corso di Statistica è frequentato da 10 studenti che presentano le seguenti caratteristiche Studente Sesso Colore Occhi Voto Soddisfazione Età Stefano M Nero 18 Per niente 21 Francesca F
DettagliGARA SECONDARIA DI PRIMO GRADO INDIVIDUALE
GARA2 2019 SECONDARIA DI PRIMO GRADO INDIVIDUALE ESERCIZIO 1 Premessa La tabella che segue descrive le attività di un progetto (indicate rispettivamente con le sigle A1, A2,...), riportando per ciascuna
DettagliII modo: Potevo calcolare l asse di AB anche considerando il punto medio di AB M (3, 1) = x + 2
Problema P. 94 n. 6 A(,) B(,- r: y + 0 Cxy (, ) r: y+ 0 Cx (,x+ 0) a) I modo: dalle condizioni abbiamo che CA CB e quindi C appartiene anche all asse. ( x ) + ( y ) ( x ) + ( y+ x 0x+ + y y+ x+ y + 6y+
DettagliDISTRIBUZIONI DI PROBABILITA (parte 1) 1 / 19
DISTRIBUZIONI DI PROBABILITA (parte 1) 1 / 19 Variabili casuali (o aleatorie) 2 / 19 Disponendo di metodi corretti per raccogliere i dati e costruire i campioni data una popolazione, i valori numerici
DettagliEsempio Date a = (1, 2, 3) e b = (4, 5, 6), calcolare. 2(a + b) 3(2a b).
Matematica II, 26.02.04 Passiamo ora a considerare l insieme R 3 = {(x, x 2, x 3 ); x, x 2, x 3 R}, costituito dalle terne ordinate di numeri reali. Ciascuna terna puo essere pensata come un unica entita,
DettagliEsercitazione 6 - Soluzioni
Esercitazione 6 - Soluzioni Francesco Davì 9 novembre 01 Soluzioni esercizio 1 (a) Dominio: Il dominio della funzione è D f = R, in quanto la funzione è definita R o, equivalentemente, (, + ). Intersezioni
DettagliCommenti ad alcuni degli esercizi proposti 13. Uso del prodotto scalare: condizioni di perpendicolarità, angoli, distanze.
Commenti ad alcuni degli esercizi proposti 13. Uso del prodotto scalare: condizioni di perpendicolarità, angoli, distanze. Risposte agli esercizi iniziali. Nello spazio vettoriale euclideo R 2 3, dotato
DettagliLe rappresentazioni grafiche
Le rappresentazioni grafiche Descrivono diversi aspetti dell informazione contenuta nei dati e si basano sulla rappresentazione di corrispondenze tra dati numerici e enti geometrici elementari (punti,
DettagliRicordiamo. 1. Tra le equazioni delle seguenti rette individua e disegna quelle parallele all asse delle ascisse:
La retta Retta e le sue equazioni Equazioni di rette come luogo geometrico y = h h R equazione di una retta parallela all asse delle ascisse x = 0 equazione dell asse delle ordinate y = h h R equazione
DettagliCopyright Esselibri S.p.A.
Un isometria è perciò una trasformazione geometrica che conserva la distanza tra due punti. onsideriamo alcune particolari trasformazioni isometriche. 2.1.1. Traslazioni hiamiamo vettore un segmento sul
DettagliDisequazioni di secondo grado
Disequazioni di secondo grado. Disequazioni Definizione: una disequazione è una relazione di disuguaglianza tra due espressioni. Detti p() e g() due polinomi definiti in un insieme A, una disequazione
Dettagliorigine asse delle ascisse unità di misura e orientamento sull asse delle ascisse
PIANO CARTESIANO Sia f: A R R, il grafico di f è un sottoinsieme del prodotto cartesiano RxR = R 2 Costruiamo una corrispondenza biunivoca tra i punti del piano euclideo e le coppie di numeri reali: 1-
DettagliLa distribuzione normale
La distribuzione La distribuzione normale La curva normale (o curva di gauss) è una distribuzione teorica di probabilità che si applica a variabili continue Molti fenomeni di cui si occupano le scienze
DettagliIstituzioni di Matematica per Scienze Ambientali
per Scienze Ambientali GEOMETRIA ANALITICA - Appunti 1 1 Dipartimento di Matematica Sapienza, Università di Roma Roma, 5 - Novembre 2012 Coordinate La corrispondenza tra numeri reali e punti di una retta
Dettaglideterminare le coordinate di P ricordando la relazione che permette di calcolare le coordinate del punto medio di un segmento si
PROBLEMA Determinare il punto simmetrico di P( ;) rispetto alla retta x y =0 Soluzione Il simmetrico di P rispetto ad una retta r è il punto P che appartiene alla retta passante per P, perpendicolare ad
DettagliPrincipi di Statistica Descrittiva (2)
Università degli Studi di Cassino Facoltà di Scienze Motorie Corso di Laurea in Scienze Motorie Anno accademico 2007/2008 Principi di Statistica Descrittiva (2) Bruno Federico b.federico@unicas.it Rappresentazioni
Dettagli1 SIGNIFICATO DEL DETERMINANTE
UNIVERSITÀ DEGLI STUDI DI ROMA LA SAPIENZA - Facoltà di Farmacia e Medicina - Corso di Laurea in CTF 1 SIGNIFICATO DEL DETERMINANTE Consideriamo il seguente problema: trovare l area del parallelogramma
DettagliNel modello omoschedastico la varianza dell errore non dipende da i ed è quindi pari a σ 0.
Regressione [] el modello di regressione lineare si assume una relazione di tipo lineare tra il valore medio della variabile dipendente Y e quello della variabile indipendente X per cui Il modello si scrive
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
DettagliDistribuzioni di probabilità nel continuo
Distribuzioni di probabilità nel continuo Prof.ssa Fabbri Francesca Classe 5C Variabili casuali continue Introduzione: Una Variabile Casuale o Aleatoria è una grandezza che, nel corso di un esperimento
DettagliProbabilità e Statistica
Probabilità e Statistica Non faremo una trattazione sistematica di probabilità e statistica (si veda in proposito il corso di Esperimentazioni III) Richiameremo alcuni argomenti che avete già visto quando
DettagliEsercitazione 5 del corso di Statistica 2 Prof. Domenico Vistocco
Esercitazione del corso di Statistica Prof. Domenico Vistocco Alfonso Iodice D Enza May 30, 007 1 Esercizio Si consideri una popolazione caratterizzata dai numeri, 3, 6, 8, 11. Si considerino tutti i possibili
DettagliGRANDEZZE PERIODICHE
GRANDEZZE PERIODICHE Una grandezza variabile nel tempo y(t) si definisce periodica quando assume nuovamente gli stessi valori dopo un determinato intervallo di tempo, detto periodo. Indicando con y(t 1
DettagliTECNICHE DI SIMULAZIONE
TECNICHE DI SIMULAZIONE Analisi e scelta dei dati di input Francesca Mazzia Dipartimento di Matematica Università di Bari a.a. 2004/2005 TECNICHE DI SIMULAZIONE p. 1 Dati di input Per l esecuzione di una
DettagliSoluzioni Esame di Microeconomia 26/06/17 Versione A parte I
Soluzioni Esame di Microeconomia 26/06/17 Versione A parte I Un venditore di un bene X si confronta con una curva di domanda giornaliera Q = 2000-10P, dove P è il prezzo in centesimi di ciascuna unità
DettagliSoggetto Genere Costo del soggiorno Titolo di studio
Esercitazione n. 1 Corso di Statistica Università della Basilicata Prof. Roberta Siciliano La tabella seguente raccoglie i dati grezzi, relativamente ad un gruppo di 30 turisti per i quali sono state osservate
DettagliLimiti di funzioni 1 / 39
Limiti di funzioni 1 / 39 Comportamento agli estremi: operazione di ite 2 / 39 Sia f (x) una funzione definita su R e supponiamo di voler studiare l andamento della funzione agli estremi del dominio: x
DettagliINTEGRALI DEFINITI. è detto estremo inferiore e è detto estremo superiore dell'integrale.
INTEGRALI DEFINITI Un integrale definito si indica con la scrittura dove è detto estremo inferiore e è detto estremo superiore dell'integrale. Definizione di integrale definito Vogliamo calcolare l'area
DettagliEsercizi di Ricapitolazione
Esercizio 1. Sono dati 150 g di una soluzione S 1 concentrata al 12%. (a) Determinare quanti grammi di soluto occorre aggiungere a S 1 per ottenere una nuova soluzione S 2 concentrata al 20%. (b) Determinare
DettagliLezione 05. Costruzione di grafici a torte, grafici a linee, istogrammi
Lezione 05 Costruzione di grafici a torte, grafici a linee, istogrammi Grafici a TORTA In un grafico a torta il cerchio (torta) è diviso in settori la cui ampiezza angolare è proporzionale al valore delle
DettagliRappresentazione di Dati: Scala lineare Scala logaritmica. Grafici Lin Lin Grafici Lin Log Grafici Log Log
Rappresentazione di Dati: Scala lineare Scala logaritmica Grafici Lin Lin Grafici Lin Log Grafici Log Log Grafici in scala lineare Grafici Lin Lin Nella rappresentazione di dati in un piano cartesiano
DettagliLABORATORIO DI INFORMATICA ESERCITAZIONE VIII
LABORATORIO DI INFORMATICA ESERCITAZIONE VIII Cercate di eseguire gli esercizi da soli. Se non ci riuscite, cercate di capire i messaggi di errore. Se non ci riuscite, provateci di nuovo. Poi chiamate
DettagliLaboratorio di Segnali e Sistemi A. A. 2009/ Lezione 5: Immagini
Laboratorio di Segnali e Sistemi A. A. 2009/ 2010 Lezione 5: Immagini 28 maggio 2010 Introduzione Immagini: risultato di un sistema di acquisizione/elaborazione/visualizzazione della radiazione EM visibile
DettagliLA MISURA IN PSICOLOGIA
Argomenti della lezione Variabili Concetto di Misura Sistemi Relazionali Empirici Sistemi Relazionali Numerici Scale di Misura Scale Equivalenti Variabili Variabili Una variabile è una qualche proprietà
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
Dettagli1 RELAZIONE DELL ESPERIENZA DI LABORATORIO N.3 DEL DICEMBRE 2017 GRUPPO N.3
1 RELAZIONE DELL ESPERIENZA DI LABORATORIO N.3 DEL 14-18 DICEMBRE 2017 GRUPPO N.3 COMPONENTI DEL GRUPPO: 1. Castronovo Pietro 2. Giuffrè Jasmine 3. Nicoletti Gabriele 4. Palladino Pietro 5. Pellicane Francesco
DettagliAL DI LA DELLE IMMAGINI
AL DI LA DELLE IMMAGINI Lucia Della Croce Giulia Maggi Ada Pulvirenti - Giuseppe Toscani Dipartimento di Matematica Università di Pavia Piano Lauree Scientifiche Broni - I. I. S. Faravelli 7 Dicembre 2010
DettagliMD2 MD3. Basi di funzioni e funzioni di primo grado
MD MD3 Basi di funzioni e funzioni di primo grado 0 5.1 Introduzione. Concetto di funzione. Siano A e B due insiemi, una funzione f da A verso B è una relazione che ad ogni elemento x appartenente all
DettagliArgomenti. Seminario del Corso di Elaborazione del Linguaggio Naturale. Cosa manca? Cosa si è già detto
Seminario del Corso di Elaborazione del Linguaggio Naturale Logica fuzzy per il linguaggio naturale: semantica e disambiguazione Argomenti Si cercherà di dare un idea generale di un possibile utilizzo
DettagliSistemi Informativi Territoriali. Paolo Mogorovich Quantum GIS - QGIS. Dati raster - Tecniche di rappresentazione
I valori dei pixel di un layer raster formano un insieme che, a seconda del tipo di immagine, presenta caratteristiche diverse. Sistemi Informativi Territoriali Paolo Mogorovich www.di.unipi.it/~mogorov
DettagliZeri di funzioni e teorema di Sturm
Zeri di funzioni e teorema di Sturm Enrico Bertolazzi Dipartimento di Ingegneria Meccanica e Strutturale Università degli Studi di Trento via Mesiano 77, I 38050 Trento, Italia EnricoBertolazzi@ingunitnit
DettagliVideo Analysis (cenni) Annalisa Franco
1 Video Analysis (cenni) Annalisa Franco annalisa.franco@unibo.it http://bias.csr.unibo.it/vr/ 2 Visual motion Un video è una sequenza di frame catturati nel corso del tempo Il valori dell immagine sono
DettagliStatistica a breve termine: metodo delle onde apparenti
Esercitazione 1 Statistica a breve termine: metodo delle onde apparenti Si calcolino, applicando il metodo delle onde apparenti, le seguenti proprietà della registrazione ondametrica fornita nelle figure
Dettagli