Introduzione a Matlab
|
|
- Lidia Di Marco
- 5 anni fa
- Visualizzazioni
Transcript
1 Introduzione a Matlab Contrasto, Soglia, Rumore A cura di: Daniel Riccio /11/2013 Introduzione a Matlab 1
2 Istogramma di un immagine Conta il numero di occorrenze di ciascuna tonalità, all interno dell immagine. Bianco 255 Nero 0 Count: h = imhist(i); 26/11/2013 Introduzione a Matlab 2
3 Contrast Stretching (1) 26/11/2013 Introduzione a Matlab 3
4 Contrast Stretching (2) Max (A) Min (A) h = imhist(uint8(a)); A = double(imread( Trees.tif ) ) + 20; minimo = min(min(a)) massimo = max(max(a)) Nota: double(a) converte in double i valori contenuti in A. uint8(a) converte in unsigned char (8 bit) i valori contenuti in A. 26/11/2013 Introduzione a Matlab 4
5 Contrast Stretching (2) Sottraiamo ad A il suo valore minimo: A = A minimo; Ora il minimo di A è zero. 26/11/2013 Introduzione a Matlab 5
6 Contrast Stretching (3) Dividiamo A per il valore la dimensione dell intervallo [minimo,massimo] : A = 255*(A-minimo)/(massimo-minimo) A = A / (massimo minimo); Ora il massimo di A è uno. A(i,j) [0,1] i,j Moltiplichiamo A per 255 e otteniamo valori in [0, 255] 26/11/2013 Introduzione a Matlab 6
7 Contrast Stretching (4) E possibile aggiustare il contrasto di una immagine attraverso le funzioni fornite per il corso: B = operazione_contrasto(a); imshow(uint8(b)); imhist(uint8(b)); 26/11/2013 Introduzione a Matlab 7
8 La funzione imcontrast La funzione imcontrast apre una finestra in cui è possibile gestire interattivamente i parametri per il contrast stretching. imcontrast imcontrast(h) hfigure = imcontrast(...) 26/11/2013 Introduzione a Matlab 8
9 La funzione imadjust La funzione imadjust effettua il contrast stretching sull immagine passata come input. I = imread('pout.tif'); J = imadjust(i); imshow(i), figure, imshow(j) 26/11/2013 Introduzione a Matlab 9
10 La funzione imadjust Con la funzione imadjust è possibile specificare quale intervallo dell istogramma dell immagine in input [low_in, high_in] deve essere distribuito sull intervallo dell immagine di output [low_out, high_out]. Gli estremi iniziali vengono determinati dalla funzione: LOW_HIGH = stretchlim(i) RGB1 = imread('football.jpg'); RGB2 = imadjust(rgb1,[.2.3 0;.6.7 1],[]); imshow(rgb1), figure, imshow(rgb2) 26/11/2013 Introduzione a Matlab 10
11 La funzione histeq La funzione histeq modifica la distribuzione dei toni di grigio di un immagine I, in modo che il suo istogramma h I diventi simile ad uno dato h O. I = imread('pout.tif'); J = imread('tire.tif'); h = imhist(i); K=histeq(J, h); figure, imshow(i); figure, imshow(j); figure, imshow(k); 26/11/2013 Introduzione a Matlab 11
12 La funzione adapthisteq La funzione adapthisteq partiziona l immagine in sottoregioni disgiunte ed equalizza l istogramma per ciascuna di esse. Successivamente compensa le discrepanze lungo i bordi delle sottoregioni [Contrastlimited Adaptive Histogram Equalization (CLAHE)]. I = imread('tire.tif'); A=adapthisteq(I,'clipLimit',0.02,'Distribution','rayleigh'); figure, imshow(i); figure, imshow(a); 26/11/2013 Introduzione a Matlab 12
13 Aritmetica delle immagini: Somma Un esempio è il seguente: Date due immagini A e B, C = operazione_somma(a,b) crea una nuova immagine data dalla somma delle immagini in input. 26/11/2013 Introduzione a Matlab 13
14 Aritmetica delle immagini: Negativo In alcuni casi è utile rendere scuri i toni chiari e viceversa. Questa operazione prende il nome di negativo: B = operazione_negativo(a) crea una nuova immagine data dalla somma delle immagini in input. 26/11/2013 Introduzione a Matlab 14
15 Estrazione di Caratteristiche: Soglia Semplice A = imread( Monete.tif ); h = imhist(a); Le monete sono scure (primo picco) e lo sfondo è chiaro (secondo picco) Come separare le monete dallo sfondo? 26/11/2013 Introduzione a Matlab 15
16 Estrazione di Caratteristiche: Soglia Semplice B = operazione_soglia(a, 155); C = operazione_negativo(255*b); D = operazione_prodotto(a,c); 26/11/2013 Introduzione a Matlab 16
17 Estrazione di Caratteristiche: Soglia Intervallo B = operazione_soglia_intervallo(a, 60, 200); D = operazione_prodotto(a,c); 26/11/2013 Introduzione a Matlab 17
18 Applicazione del rumore Peggiorare la qualità di un immagine intenzionalmente intuitivamente non ha senso. Conoscere la tipologia e la quantità di rumore presente in un immagine ci permette di mettere a confronto i diversi filtri. Filtri diversi hanno prestazioni differenti a seconda del tipo di rumore. 26/11/2013 Introduzione a Matlab 18
19 Rumore Casuale La distribuzione dei pixel rumore non segue alcuna legge. I pixel rumore sono distribuiti sull immagine in maniera uniforme e casuale: ogni pixel dell immagine ha la stessa probabilità di essere rumore o informazione. L unico parametro che abbiamo a disposizione è la densità del rumore. Una densità alta implica un rumore più fitto, una densità bassa è indice di un rumore rado. 26/11/2013 Introduzione a Matlab 19
20 Rumore Casuale %carichiamo e visualizziamo l immagine sorgente I = imread('eight.tif'); subplot(2,1,1); hold on; imshow(i); rand(n) genera una matrice di dimensioni n riempita con valori x [0,1]. I valori x [0,1] sono equiprobabili ed equidistribuiti. % generiamo la matrice contenente il rumore con densità delta Casuale = rand( size(i) ) ; % annulliamo tutti i valori con valre minore di delta Casuale = Casuale > delta; 26/11/2013 Introduzione a Matlab 20
21 Rumore Casuale % riportiamo i valori nell intervallo [0,255] Casuale = 255*Casuale; % sommiamo il rumore generato all immagine sorgente I = operazione_somma(i, Casuale); % visualizziamo l immagine con rumore Subplot(2,1,2); hold on; Imshow(uint8(I)); 26/11/2013 Introduzione a Matlab 21
22 Rumore Casuale 26/11/2013 Introduzione a Matlab 22
23 Rumore Casuale % questo stesso risultato si ottiene con la funzione per il rumore casuale I = imread('eight.tif'); subplot(2,2,1); hold on; imshow(i); I = rumore_casuale(i, delta); subplot(2,2,2); hold on; imshow(uint8(i)); 26/11/2013 Introduzione a Matlab 23
24 Rumore Gaussiano % il rumore gaussiano può essere aggiunto mediante l omonima funzione I = imread('eight.tif'); subplot(2,2,3); hold on; imshow(i); Funzione Gaussiana: I = rumore_gaussiano(i, media, varianza); subplot(2,2,4); hold on; imshow(i); 26/11/2013 Introduzione a Matlab 24
25 Rumore Gaussiano (1) 26/11/2013 Introduzione a Matlab 25
26 Rumore Sale e Pepe % il rumore Sale e Pepe può essere aggiunto mediante l omonima funzione I = imread('eight.tif'); subplot(2,1,1); hold on; imshow(i); I = rumore_salepepe(i, intensita); subplot(2,1,2); hold on; imshow(i); 26/11/2013 Introduzione a Matlab 26
27 Rumore Sale e Pepe 26/11/2013 Introduzione a Matlab 27
Introduzione a Matlab
Introduzione a Matlab Contrasto, Soglia, Rumore Fondamenti di Visione Artificiale a.a. 2015/2016 07/04/16 Introduzione a Matlab 1 Istogramma di un immagine Conta il numero di occorrenze di ciascuna tonalità,
DettagliIntroduzione a Matlab
Introduzione a Matlab Operazioni di Base & Edge Detection Fondamenti di Visione Artificiale a.a. 25/26 2/5/6 Estrazione dei Contorni Lezione V: indice Filtri e Kernel Line Detection Edge Detection Edge
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
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
DettagliOperatori nel dominio dello spazio
Capitolo 5 Operatori nel dominio dello spazio Il termine dominio spaziale si riferisce ad aggregazione di pixel che compongono l immagine. Gli operatori spaziali sono operatori che agiscono direttamente
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
DettagliImage Processing Toolbox. Imaging Digitale a.a. 2015/2016
Imaging Digitale a.a. 2015/2016 Operazioni sulle immagini Lettura variabile=imread(nomefile) Scrittura imwrite(variabile,nomefile,parametri) Informazioni imfinfo(nomefile,parametri) Visualizzazione imshow(variabile)
DettagliImage Processing Toolbox. Imaging Digitale a.a. 2014/2015 Silvia Corchs
Imaging Digitale a.a. 2014/2015 Silvia Corchs Operazioni sulle immagini Lettura variabile=imread(nomefile) Scrittura imwrite(variabile,nomefile,parametri) Informazioni imfinfo(nomefile,parametri) Visualizzazione
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
DettagliLaboratorio di Elaborazione di Dati, Segnali e Immagini Biomediche (Parte 6)
Università degli Studi di Padova - Facoltà di Ingegneria Corso di Laurea in Ingegneria Biomedica A.A. 26-27 Laboratorio di Elaborazione di Dati, Segnali e Immagini Biomediche (Parte 6) Prof. Giovanni Sparacino
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
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)
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
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
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
DettagliElaborazioni nel dominio spaziale (1)
Elaborazione di Segnali Multimediali a.a. 2017/2018 Elaborazioni nel dominio spaziale (1) L.Verdoliva In questa lezione vedremo come caratterizzare immagini digitali in Matlab tramite media e varianza
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
DettagliTecniche di restauro delle immagini digitali
Tecniche di restauro delle immagini digitali Le principali fonti di rumore Le principali sorgenti di rumore nelle immagini digitali si presentano durante il processo di acquisizione e di trasmissione.
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
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,
DettagliElaborazioni nel dominio spaziale (1)
Elaborazione di Segnali Multimediali a.a. 2013/2014 Elaborazioni nel dominio spaziale (1) L.Verdoliva In questa lezione vedremo come caratterizzare immagini digitali in Matlab tramite media e varianza
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
DettagliFONDAMENTI DI SEGNALI E TRASMISSIONE 5 Laboratorio
FONDAMENTI DI SEGNALI E TRASMISSIONE 5 Laboratorio Paolo Mazzucchelli mazzucch@elet.polimi.it MATLAB: generazione di numeri casuali Il comando che permette di generare una matrice (n r,n c ) composta da
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
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
DettagliAlgoritmi per il riconoscimento dell iride
Algoritmi per il riconoscimento dell iride 1 L O C A L B I N A R Y P A T T E R N - S C A L E I N V A R I A N T F E A T U R E T R A S F O R M - C U M U L A T I V E S U M S A cura di: Chiara Galdi http://biplab.unisa.it/
Dettagli2. Introduzione alla probabilità
. Introduzione alla probabilità Carla Seatzu, 8 Marzo 008 Definizioni preliminari: Prova: è un esperimento il cui esito è aleatorio Spazio degli eventi elementari: è l insieme Ω di tutti i possibili esiti
DettagliFiltraggio spaziale Soluzioni
1 Filtri di smoothing 1. Smoothing seguito da thresholding. Elaborazione di Segnali Multimediali a.a. 2017/2018 Filtraggio spaziale Soluzioni x = double(imread( spazio.jpg )); figure(1); imshow(x); h =
DettagliCOLORI. Nozioni di base, Sintesi additiva, Modo RGB, Canali e Istogramma. EDI II Colori, RGB, Canali, Istogramma 1
COLORI Nozioni di base, Sintesi additiva, Modo RGB, Canali e Istogramma EDI II Colori, RGB, Canali, Istogramma 1 Che cos è? (Definizione fisica) Il colore è la percezione visiva generata dai segnali nervosi
DettagliFondamenti di Segnali e Trasmissione Quarto laboratorio
Fondamenti di Segnali e Trasmissione Quarto laboratorio MATLAB: generazione di numeri casuali Il comando che permette di generare una matrice (nr,nc) composta da numeri casuali, con distribuzione di probabilità
DettagliUN OCCHIO MATEMATICO SUL QUOTIDIANO
UN OCCHIO MATEMATICO SUL QUOTIDIANO Lucia Della Croce Giulia Maggi Ada Pulvirenti Dipartimento di Matematica Università di Pavia Piano Lauree Scientifiche Pavia 12/13/14 Giugno 2012 Le Leimmagini immagininella
DettagliImmagini binarie. Binarizzazione di immagini a livelli di grigio
Immagini binarie Binarizzazione di immagini a livelli di grigio Immagini binarie In molti casi gli le scene di interesse conducono ad immagini che possono essere considerate binarie, cioè contenenti nel
DettagliClassificazione di immagini aeree. Annalisa Franco
Classificazione di immagini aeree Annalisa Franco annalisa.franco@unibo.it http://bias.csr.unibo.it/vr/ 2 Classificazione di immagini aeree Scopo di questa esercitazione è l implementazione di una tecnica
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
DettagliCiclo di seminari: Metodi Computazionali per la Finanza
Ciclo di seminari: Metodi Computazionali per la Finanza C.d.L.M. Finanza e Assicurazioni a.a. 2018/2019 Lezione 1: Introduzione a Matlab Informazioni generali Principali metodi numerici per il pricing
DettagliGenerazione di Numeri Casuali- Parte 2
Esercitazione con generatori di numeri casuali Seconda parte Sommario Trasformazioni di Variabili Aleatorie Trasformazione non lineare: numeri casuali di tipo Lognormale Trasformazioni affini Numeri casuali
DettagliINFORMAZIONI. p. 1/23
p. 1/23 INFORMAZIONI Prossime lezioni Giorno Ora Dove Giovedi 25/02 14:30 Aula informatica (4 gruppi) Martedi 02/03 14:30 P50 Giovedi 04/03 14:30 Aula informatica (4 gruppi) Martedi 09/03 14:30 P50 p.
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,
DettagliLA DISTRIBUZIONE NORMALE o DI GAUSS
p. 1/2 LA DISTRIBUZIONE NORMALE o DI GAUSS Osservando gli istogrammi delle misure e degli scarti, nel caso di osservazioni ripetute in identiche condizioni Gli istogrammi sono campanulari e simmetrici,
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
DettagliStatistica. Lezione : 17. Variabili casuali
Corsi di Laurea: a.a. 2018-19 Diritto per le Imprese e le istituzioni Scienze Internazionali dello Sviluppo e della Cooperazione Statistica Variabili casuali Lezione : 17 Docente: Alessandra Durio 1 Contenuti
DettagliLaboratorio di Calcolo B 67
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
DettagliScuola di Calcolo Scientifico con MATLAB (SCSM) 2017
Scuola di Calcolo Scientifico con MATLAB (SCSM) 2017 Palermo 24-28 Luglio 2017 www.u4learn.it Arianna Pipitone Introduzione alla probabilità MATLAB mette a disposizione degli utenti una serie di funzioni
DettagliOperatori locali su immagini digitali
Operatori locali su immagini digitali Definizione degli operatori locali Filtri di smoothing Filtri di sharpening Filtri derivativi Operatori locali Questi operatori sono usati per: miglioramento della
DettagliEsercizi di Calcolo delle Probabilità
Esercizi di Calcolo delle Probabilità Versione del 1/05/005 Corso di Statistica Anno Accademico 00/05 Antonio Giannitrapani, Simone Paoletti Calcolo delle probabilità Esercizio 1. Un dado viene lanciato
DettagliDigital Imaging Esercitazione TTC 12/11/2015
Digital Imaging Esercitazione TTC 12/11/2015 Esercizio 1 Creare una funzione showhist che data una immagine a livelli di grigio, la visualizza in un finestra con il suo istogramma. imshow, subplot, imhist,
DettagliRestauro di immagini. Prof. Filippo Stanco. Multimedia
Restauro di immagini Prof. Filippo Stanco Restauro di immagini Il principale obiettivo delle tecniche di restauro è quello di rendere migliore un immagine cercando di ripristinarne il contenuto informativo
DettagliElementi di MATLAB. Definizione di matrice
Elementi di MATLAB Matrici, funzioni con le matrici Funzioni per il caricamento e la visualizzazione di immagini Funzioni per l interfacciamento con programmi esterni Definizione di matrice >>A = [16 3
DettagliCorso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A. 2004-05 Alberto Perotti DELEN-DAUIN Esperimento casuale Esperimento suscettibile di più
DettagliPage 1. Elettronica delle telecomunicazioni 2003 DDC 1. Politecnico di Torino Facoltà dell Informazione. Contenuti del Gruppo C
Modulo Politecnico di Torino Facoltà dell Informazione Elettronica delle telecomunicazioni Conversione A/D e D/A C1 - Processo di conversione» campionamento e aliasing» filtro anti aliasing» rumore di
DettagliStima del valore di una costante in presenza di rumore esponenzialmente correlato. Carlo Fisicaro
Stima del valore di una costante in presenza di rumore esponenzialmente correlato Carlo Fisicaro OBIETTIVO Stimare il valore della costante β adimensionale per mezzo di misurazioni soggette a rumore stocastico
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
DettagliGenerazione di distribuzione di probabilità arbitrarie
Generazione di distribuzione di Abbiamo visto come generare eventi con distribuzione di uniforme, ed abbiamo anche visto in quale contesto tali eventi sono utili. Tuttavia la maggior parte dei problemi
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
DettagliElaborazione dei dati
Elaborazione dei dati Corso di Laurea Magistrale in SIT&TLR a.a. 2009/10 Ing. Claudio La Mantia pkt006-179-3.0 4/5 info@planetek.it rgomenti della lezione 1. nalisi delle immagini multispettrali 2. nalisi
DettagliLEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano. Strumenti statistici in Excell
LEZIONI IN LABORATORIO Corso di MARKETING L. Baldi Università degli Studi di Milano Strumenti statistici in Excell Pacchetto Analisi di dati Strumenti di analisi: Analisi varianza: ad un fattore Analisi
DettagliSoluzioni prova scritta di Complementi di Probabilità e Statistica (29/06)
Soluzioni prova scritta di Complementi di Probabilità e Statistica (29/6). (a) Per costruire il box plot, vengono determinati minimo=,, massimo=,97, mediana=,455, I quartile=,3375 e III quartile=,745 dei
DettagliIntroduzione alla probabilità. Renato Mainetti
Introduzione alla probabilità Renato Mainetti Esperimenti sulla probabilità: Vedremo come utilizzare semplici funzioni di matlab per avvicinarci al mondo della probabilità, iniziando così ad introdurre
DettagliFondamenti di Informatica
Fondamenti di Informatica I Fogli Elettronici: tabelle Pivot - Creare e gestire le tabelle Pivot Prof. De Maio Carmen cdemaio@unisa.it Tabella Pivot Le tabelle Pivot sono un potentissimo strumento di analisi
DettagliLaboratorio di Calcolo I. Applicazioni : Metodo Monte Carlo
Laboratorio di Calcolo I Applicazioni : Metodo Monte Carlo 1 Monte Carlo Il metodo di Monte Carlo è un metodo per la risoluzione numerica di problemi matematici che utilizza numeri casuali. Si applica
DettagliCorso di Fondamenti di Segnali e Trasmissione - Recupero del 10 Settembre 2004
Corso di Fondamenti di Segnali e Trasmissione - Recupero del 10 Settembre 2004 Gli esercizi devono essere risolti solo sui ogli dei colori indicati. Per esiti e soluzioni si veda il sito web del corso:
DettagliSOMMARIO DELLE MISURE DIRETTE
p. 1/21 SOMMARIO DELLE MISURE DIRETTE Studio delle caratteristiche degli strumenti usati, evidenziare possibili errori sistematici, correggerli. p. 1/21 SOMMARIO DELLE MISURE DIRETTE Studio delle caratteristiche
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
DettagliCorso di Multimedia A.A 2013/2014
Corso di Multimedia A.A 2013/2014 Un immagine è rappresentata da una funzione bidimensionale f(x,y). Il piano XY in cui stanno le coordinate dell immagine è detto DOMINIO SPAZIALE e le variabili x,y sono
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
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
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 E CODIFICA DI IMMAGINI BITONALI
Università degli Studi di Trieste Corso di Elaborazione Elettronica di Immagini II ELABORAZIONE E CODIFICA DI IMMAGINI BITONALI Sommario Parte 1 1 2 3 Parte 2 4 Codifica CCITT Fax 5 Codifica JBIG2 Proprietà
DettagliSimulazione dei dati
Simulazione dei dati Scopo della simulazione Fasi della simulazione Generazione di numeri casuali Esempi Simulazione con Montecarlo 0 Scopo della simulazione Le distribuzioni di riferimento usate per determinare
DettagliFiltri e convoluzioni
Filtri e convoluzioni La terza e ultima famiglia di operazioni per l'elaborazione delle immagini è quella dei filtri e delle convoluzioni Le elaborazioni di questa famiglia modificano il valore (colore,
DettagliFiltri e convoluzioni
Filtri e convoluzioni La terza e ultima famiglia di operazioni per l'elaborazione delle immagini è quella dei filtri e delle convoluzioni Le elaborazioni di questa famiglia modificano il valore (colore,
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.
DettagliFrequenza relativa e probabilità
Frequenza relativa e probabilità La La probabilità e' e' un un numero con con cui cuisi si descrivono i i fenomeni che che possono essere essere pensati come come risultato di di un un esperimento che
DettagliCorso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A
Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Teoria della probabilità A.A. 2006-07 Alberto Perotti Esperimento casuale Esperimento suscettibile di più risultati
DettagliUniversità degli studi di Catania Corso di Laurea in Informatica COMPUTER FORENSICS 2010/2011. Prof. S.Battiato. Relazione del progetto:
Università degli studi di Catania Corso di Laurea in Informatica COMPUTER FORENSICS 2010/2011 Prof. S.Battiato Relazione del progetto: Estensione del software ImageJ con un plugin che implementa l equalizzazione
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
DettagliOperatori locali su immagini digitali
Operatori locali su immagini digitali Deinizione degli operatori locali Filtri di smoothing Filtri di sharpening Filtri derivativi Operatori locali Questi operatori sono usati per: miglioramento della
DettagliRichiami sul calcolo delle probabilità
robabilità Richiami sul calcolo delle probabilità TEORIA DEI SEGNALI LAUREA IN INGEGNERIA DELL INFORMAZIONE Modello matematico Sommario Assiomi del calcolo delle probabilità robabilità di un evento robabilità
DettagliEsercitazione 4: Filters
Laboratorio di Immagini Esercitazione 4: Filters Mauro Zucchelli 07/04/2016 AVVISO Settimana prossima lezione sospesa! Riprendiamo dall ultima volta Abbiamo visto cosa rappresenta la trasformata di Fourier
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
DettagliMATLAB - Programmazione - 2. Antonino Polimeno
MATLAB - Programmazione - 2 Antonino Polimeno antonino.polimeno@unipd.it Manipolazione di matrici - 1 Input di matrici Definizione manuale: A = [1, 2, 3; 7, 8, 9] Generazione da funzioni Lettura da file
DettagliAnalisi dei Processi Chimici e Biotecnologici Matlab
Applicazioni con generatori di numeri casuali - Istruzioni per l uso - Simulazione numerica di un esperimento - Generatori di numeri casuali: cenni sulla teoria - Generazione di numeri casuali: rumore
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
DettagliGenerazione di variabili aleatorie con distribuzione non uniforme. Daniela Picin
Generazione di variabili aleatorie con distribuzione non uniforme Daniela Picin A partire da una sequenza di numeri random u k ~ U(0,1) opportunamente generati, alcuni dei metodi per la generazione di
DettagliIntroduzione alla progettazione grafica
Introduzione alla progettazione grafica Marco Franceschini 2 Introduzione Progettazione tecnica Progettazione artistica Il progettista grafico 3 Elementi del progetto grafico Supporto (tipologie, formati,...)
DettagliLe variabili casuali o aleatorie
Le variabili casuali o aleatorie Intuitivamente un numero casuale o aleatorio è un numero sul cui valore non siamo certi per carenza di informazioni - ad esempio la durata di un macchinario, il valore
DettagliFONDAMENTI DI SEGNALI E TRASMISSIONE 4 Laboratorio
FONDAMENTI DI SEGNALI E TRASMISSIONE 4 Laboratorio Paolo Mazzucchelli mazzucch@elet.polimi.it MATLAB: generazione di numeri casuali Il comando che permette di generare una matrice (n r,n c ) composta da
DettagliEsercizi. 2. [Conteggio diretto] Due dadi vengono lanciati in successione. a) Qual è la probabilità che la somma dei due risultati faccia 7?
1 E. Vitali Matematica (Scienze Naturali) Esercizi 1. [Conteggio diretto] Quattro ragazzi, A, B, C e D, dispongono di due biglietti per il teatro e decidono di tirare a sorte chi ne usufruirà. a) Qual
DettagliElaborazione di immagini a colori Soluzioni
Elaborazione di Segnali Multimediali a.a. 2013/2014 Elaborazione di immagini a colori Soluzioni 1 Gli spazi di colore 1. Lo spazio CMY e CMYK. function z = rgb2cmy(x); c = 1 - x(:,:,1); m = 1 - x(:,:,2);
DettagliMICROSOFT EXCEL FORMULE E FUNZIONI
MICROSOFT EXCEL FORMULE E FUNZIONI Lezione 1.2 a.a. 2016-2017 Ing. Giulia Fiscon Sommario Introduzione Microsoft Excel Lavorare con i fogli di calcolo Riferimenti di cella Formule e Funzioni Funzioni logiche
DettagliTEORIA DEGLI ERRORI DI MISURA, IL CALCOLO DELLE INCERTEZZE
TEORIA DEGLI ERRORI DI MISURA, IL CALCOLO DELLE INCERTEZZE Errore di misura è la differenza fra l indicazione fornita dallo strumento e la dimensione vera della grandezza. Supponendo che la grandezza vera
DettagliUNIVERSITA DEGLI STUDI DI BRESCIA-FACOLTA DI MEDICINA E CHIRURGIA CORSO DI LAUREA IN INFERMIERISTICA SEDE DI DESENZANO dg STATISTICA MEDICA.
Lezione 4 DISTRIBUZIONE DI FREQUENZA 1 DISTRIBUZIONE DI PROBABILITA Una variabile i cui differenti valori seguono una distribuzione di probabilità si chiama variabile aleatoria. Es:il numero di figli maschi
DettagliValutazione incertezza di categoria B
Valutazione incertezza di categoria B La valutazione consiste nell assegnare alla grandezza x uno scarto tipo σ in base alle informazioni disponibili Le informazioni riguardano: ) Gli estremi dell intervallo
DettagliIl metodo Monte Carlo. Numeri (pseudo)casuali. Esempio di transizione al caos. Analisi dati in Fisica Subnucleare. Introduzione al metodo Monte Carlo
Analisi dati in Fisica Subnucleare Introduzione al metodo Monte Carlo (N.B. parte di queste trasparenze sono riciclate da un seminario di L. Lista) Il metodo Monte Carlo È una tecnica numerica che si basa
DettagliESERCITAZIONE N. 5 corso di statistica
ESERCITAZIONE N. 5corso di statistica p. 1/27 ESERCITAZIONE N. 5 corso di statistica Marco Picone Università Roma Tre ESERCITAZIONE N. 5corso di statistica p. 2/27 Introduzione Variabili aleatorie discrete
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
DettagliIntroduzione a Matlab
Introduzione a Matlab Skin Detection & Iris Normalization Fondamenti di Visione Artificiale a.a. 2015/2016 12/05/16 Estrazione dei Contorni 1 Skin Detection - Introduzione Il processo di skin detection
DettagliStatistica Inferenziale
Statistica Inferenziale Prof. Raffaella Folgieri Email: folgieri@mtcube.com aa 2009/2010 Riepilogo lezione 3 Abbiamo visto: Definizione di partizione di Teorema di Bayes Definizione di variabile aleatoria
Dettagli