Introduzione a Matlab
|
|
- Pio Meli
- 5 anni fa
- Visualizzazioni
Transcript
1 Introduzione a Matlab Skin Detection & Iris Normalization Fondamenti di Visione Artificiale a.a. 2015/ /05/16 Estrazione dei Contorni 1
2 Skin Detection - Introduzione Il processo di skin detection consiste nel localizzare, all interno di una immagine, regioni che corrispondono a pelle. Gli algoritmi che si basano sull approccio cromatico necessitano di una prima fase di training per poter creare un modello probabilistico per la distribuzione del colore della pelle. 12/05/16 2
3 Skin Detection Jones&Rehg Un modello realistico può essere realizzato mediante il database creato da Jones e Rehg in [Jones M.J. and Rehg J.M, 1999] La particolarità di questo database è che è formato da immagini scaricate da internet in modo del tutto casuale, il che lo rende ideale per ottenere un modello quanto più vicino possibile alla realtà. 12/05/16 3
4 Skin Detection Jones&Rehg Questo database è formato da immagini scaricate da internet in modo del tutto casuale e presenta per ogni immagine due matrici che classificano ogni pixel come pelle o meno. 12/05/16 4
5 Skin Detection Training L algoritmo prevede una fase di training in cui per ciascun pixel p (RGB) si stima la probabilità che possa rappresentare pelle P(p skin) o meno P(p ~skin), dove: P( p skin) = e P( p skin) = s[ p] con s[p] il numero di occorrenze del colore p in regioni classificate come pelle, n[p] il numero di occorrenze in regioni non appartenenti alla pelle, T s e T ns il numero totale di pixel classificati come pelle e non. 12/05/16 5 T s n[ p] T n
6 Skin Detection Tabelle Al fine di ridurre lo spazio in memoria occupato dalle mappe, si utilizza un campionamento di 32 intervalli colore, che permette di ridurre gli intervalli totali a (32) 3 =32768 (dai 16 milioni originari derivanti dall usare 8 bit colore) 12/05/16 6
7 Skin Detection Testing Ogni pixel è riconosciuto come pelle se e solo se il seguente test dà esito positivo: P( p skin) P( p skin) θ, che rappresenta il rapporto a favore del colore p di essere osservato come pelle e θ rappresenta un soglia predefinita. Tale regola ha la stessa validità di usare P( skin p) P( skin p) in quanto può essere ricavata da questa usando la formula di Bayes. 12/05/16 7 k
8 Skin Detection Esempi Alcuni esempi di operazioni di skin detection: Se la soglia θ è troppo bassa, vengono rilevate anche regioni che non sono pelle. Se la soglia θ è troppo alta, la maschera estratta per la pelle può presentare dei buchi. 12/05/16 8
9 Skin Detection Implementazione L operazione di skin detection viene effettuata mediante la funzione: [skin] = skinsegmentation(src, skin_p, nskin_p, bins, th, maskmode) INPUT: img = Matrice (rgb) dell'immagine da cui estrarre la pelle skin_p = matrice di tipo BINS by BINS by 3 con gli intervalli colore e le relative probabilità che quel determinato intervallo sia pelle nskin_p = come skin_p ma con le probabilità che un determinato intervallo colore non sia pelle bins = numero di intervalli colore in cui sono suddivise le matrici con le probalità th = soglia al di sotto della quale un pixel non è considerato come pelle maskmode = modalità del mascheramento, se 1 allora i pixel vengono mascherati con il colore bianco, altrimenti se 0 con il colore nero OUTPUT: skin = img con tutti i pixel non riconosciuti come pelle messi a 0 L implementazione è stata realizzata dal dott. Russo Luigi 12/05/16 9
10 Iris normalization Introduzione Una delle prime fasi di qualunque sistema di identificazione basato sull'iride è sicuramente rappresentata dalla localizzazione e dalla segmentazione di quest'ultimo. Nella competition NICE II si fornisce a priori una mask image di segmentazione precalcolata mediante l'algoritmo proposto in [1]. [1] Tieniu Tan, Zhaofeng Hea and Zhenan Sun, Segmentation of Visible Wavelength Iris Images Captured At-a-distance and On-the-move, Image and Vision Computing, vol. 28, no. 2, pp , /05/16 10
11 Iris normalization Introduzione Innanzitutto, è necessario approssimare l'iris ed il pupil boundary con dei cerchi (centro e raggio) con la massima accuratezza possibile, così da permettere il passaggio dallo spazio cartesiano dell'immagine allo spazio polare della regione dell'iride. (a) (b) (c) L'ellipse fitting è troppo sensibile alle discontinuità. Le curve che scaturiscono dall'approssimazione del contorno tendono a deformarsi completamente pur di aderire in maniera precisa alla porzione di boundary disponibile. 12/05/16 11
12 Iris normalization Iris Location Il processo di segmentazione inizia con l'individuare prima il contorno della pupilla, per poi procedere con la separazione della pupilla. La mask image viene scandita riga per riga dall'alto verso il basso. Ciascuna riga viene scandita dalla prima all'ultima colonna, marcando il primo e l'ultimo pixel nero. I pixel così marcati rappresentano la frontiera dell'iride. Ai punti di frontiera viene applicato l'algoritmo proposto da Taubin in [2]. [2] Gabriel Taubin, Estimation of Planar Curves, Surfaces, and Nonplanar Space Curves Defined by Implicit Equations with Applications to Edge and Range Image Segmentation, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 13, no. 11, pp , /05/16 12
13 Iris normalization Pupil Location Una volta noti il centro ed il raggio del cerchio che rappresenta l'iride, si considera un cerchio concentrico ad esso interno e con raggio pari ad 1/5 del raggio dell'iride. Tutti i pixel esterni a tale cerchio vengono cancellati, ed il procedimento di circle fitting viene ripetuto su questa nuova immagine per determinare il centro ed il raggio del cerchio approssimante la pupilla. 12/05/16 13
14 Iris normalization Polarization Calcolati i punti corrispondenti sulla pupilla e sull iride vengono prelevati i pixel del segmento che li unisce e distribuiti verticalmente nel rettangolo nella posizione dell angolo trattato. 12/05/16 14
Introduzione a Matlab
Introduzione a Matlab Operazioni di Base & Compilare con mcc A cura di: Daniel Riccio http://www.dmi.unisa.it/people/riccio/www/teaching.htm http://www.dmi.unisa.it/people/nappi 30/04/2013 Estrazione dei
DettagliSegmentazione basata su colore. Annalisa Franco
Segmentazione basata su colore Annalisa Franco annalisa.franco@unibo.it http://bias.csr.unibo.it/vr/ 2 La segmentazione Scopo di questa esercitazione è l implementazione di tecniche di segmentazione basate
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
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
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
DettagliIndicizzazione di feature locali. Annalisa Franco
1 Indicizzazione di feature locali Annalisa Franco annalisa.franco@unibo.it http://bias.csr.unibo.it/vr/ 2 Introduzione I descrittori locali sono vettori di uno spazio N- dimensionale (alta dimensionalità)
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
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)
DettagliFace detection con Haar features. Annalisa Franco
Face detection con Haar features Annalisa Franco annalisa.franco@unibo.it http://bias.csr.unibo.it/vr/ 2 Face detection con Haar features Obiettivo dell esercitazione è la realizzazione di un algoritmo
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
DettagliProcessamento delle immagini
Processamento delle immagini Docente: Domenico Daniele Bloisi Novembre 2017 Esercizio 1 Utilizzare il linguaggio di programmazione Python e la libreria OpenCV per visualizzare sullo schermo il logo ASL
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/
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
DettagliLa trasformata di Hough
La trasformata di Hough Trasformata di Hough E una tecnica che permette di riconoscere particolari configurazioni di punti presenti nell immagine, come segmenti, curve o altre forme prefissate. E un tipico
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
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
DettagliLow Level Vision: Trasformata di Hough
Low Level Vision: Trasformata di Hough Prof Sebastiano Battiato Rilevamento di linee Le linee sono feature importanti perché permettono di definire analiticamente o approssimare molte forme (in particolare
DettagliSmart Vision - Le tecnologie per l industria del futuro
Utilizzo delle VPU di ultima generazione per applicazioni Deep Learning nella Machine Vision Dott. Mattia Alberto Salomao, Applications Engineering Manager Visionlink Smart Vision - Le tecnologie per l
DettagliEsempio (Azzalini, pp. 6-15)
Inferenza statistica procedimento per indurre le caratteristiche non note di un aggregato a partire dalle informazioni disponibili su una parte di esso. Obiettivo del corso presentare la teoria ed i metodi
DettagliQUANTIZZATORE VETTORIALE
QUANTIZZATORE VETTORIALE Introduzione Nel campo delle reti neurali, la scelta del numero di nodi nascosti da usare per un determinato compito non è sempre semplice. Per tale scelta potrebbe venirci in
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
DettagliLuigi Santoro. Hyperphar Group S.p.A., MIlano
Come modellare il rischio Luigi Santoro Hyperphar Group S.p.A., MIlano Gli argomenti discussi Le definizioni del termine rischio L utilità di un modello predittivo di rischio Come costruire modelli predittivi
DettagliLow Level Vision: Trasformata di Hough
Low Level Vision: Trasformata di Hough Prof Sebastiano Battiato Rilevamento di linee Le linee sono feature importanti perché permettono di definire analiticamente o approssimare molte forme (in particolare
DettagliEsercitazione del 29 aprile 2014
Esercitazione del 9 aprile 014 Esercizio 10.13 pg. 94 Complemento: Calcolare la probabilità che un negozio apra tra le sette e venti e le nove e quaranta del mattino. Soluzione: Siccome non è nota la distribuzione
DettagliESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI. (Visione 3D)
ESTRAZIONE DI DATI 3D DA IMMAGINI DIGITALI () Calibrazione intrinseca Spesso risulta utile calibrare la sola componente intrinseca di un sistema di visione (matrice K), e non si dispone di oggetti di forma
DettagliSegmentazione di immagini in scala di grigio basata su clustering
Segmentazione di immagini in scala di grigio basata su clustering Davide Anastasia, Nicola Cogotti 24 gennaio 06 1 Analisi del problema La segmentazione di immagini consiste nella suddivisione in un certo
DettagliIntroduzione 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,
DettagliFunzioni per la descrizione delle immagini
Funzioni per la descrizione delle immagini Problemi della rappresentazione in piel Visti i limiti del template matching, non è pensabile di realizzare un sistema efficiente di riconoscimento che si basa
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
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
DettagliProgetto di Computer Vision: Plugin per imagej: Harry Corners Detection. Corso di laurea specialistica in Informatica.
Messina Mariagrazia Progetto di Computer Vision: Plugin per imagej: Harry Corners Detection Corso di laurea specialistica in Informatica. A.A. 2006-2007 Introduzione Il progetto realizzato consiste nell
DettagliNaïve Bayesian Classification
Naïve Bayesian Classification Di Alessandro rezzani Sommario Naïve Bayesian Classification (o classificazione Bayesiana)... 1 L algoritmo... 2 Naive Bayes in R... 5 Esempio 1... 5 Esempio 2... 5 L algoritmo
DettagliCampione: Esercitazioni di Statistica Corsi di Laurea Infermiesristica Pediatrica e Ostetricia - I anno 1
Campione: - raccolta finita di elementi estratti da una popolazione - scopo dell estrazione è quello di ottenere informazioni sulla popolazione - il campione deve essere rappresentativo della popolazione
DettagliClassificazione Mario Guarracino Data Mining a.a. 2010/2011
Classificazione Mario Guarracino Data Mining a.a. 2010/2011 Introduzione I modelli di classificazione si collocano tra i metodi di apprendimento supervisionato e si rivolgono alla predizione di un attributo
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
DettagliSegmentazione di impronte digitali. Annalisa Franco
Segmentazione di impronte digitali Annalisa Franco annalisa.franco@unibo.it http://bias.csr.unibo.it/vr/ 2 La segmentazione Scopo di questa esercitazione è l implementazione di una tecnica di segmentazione
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
DettagliDott. FEDERICO CAUSA 1. TEMATICHE DI RICERCA
Dott. FEDERICO CAUSA RELAZIONE SULL'ATTIVITA' E LE RICERCHE SVOLTE ALLA CONCLUSIONE DEL SECONDO ANNO DEL XVIII CICLO DEL CORSO DI DOTTORATO DI RICERCA IN SCIENZE E INGEGNERIA DELLO SPAZIO 1. TEMATICHE
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,
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
DettagliMateriali avanzati. Informatica Grafica I. Riflessioni e trasparenze. Raytracing. Raytracing. Raytracing. Raytracing
Informatica Grafica I Materiali avanzati Marco Gribaudo marcog@di.unito.it Molti degli oggetti modellabili sono costituiti da superfici trasparenti o riflettenti. I materiali Raytrace permettono di impostare
DettagliQuesto calcolo richiede che si conoscano media e deviazione standard della popolazione.
Università del Piemonte Orientale Corso di laurea in biotecnologie Corso di Statistica Medica La distribuzione t - student 1 Abbiamo visto nelle lezioni precedenti come il calcolo del valore Z, riferito
DettagliMetodi e tecniche di valutazione dei progetti Tecniche di campionamento
Tecniche di campionamento Facoltà di Medicina e Odontoiatria Corso di laurea magistrale Facoltà TECNICHE di Economia DIAGNOSTICHE A.A. 2013-2014 Probabilistico Campione Non probabilistico Campione casuale
DettagliComputazione per l interazione naturale: Regressione lineare Bayesiana
Computazione per l interazione naturale: Bayesiana Corso di Interazione uomo-macchina II Prof. Giuseppe Boccignone Dipartimento di Scienze dell Informazione Università di Milano boccignone@di.unimi.it
DettagliUniversità del Piemonte Orientale. Corso di laurea in medicina e chirurgia. Corso di Statistica Medica. La distribuzione t - student
Università del Piemonte Orientale Corso di laurea in medicina e chirurgia Corso di Statistica Medica La distribuzione t - student 1 Abbiamo visto nelle lezioni precedenti come il calcolo del valore Z,
DettagliCompressione lossless di immagini composite
Compressione lossless di immagini composite Corso di Compressione Dati Sistemi Multimediali Compressi Compression Team Prof. Bruno Carpentieri A.A. 2007/2008 Overview Introduzione Analisi del problema
DettagliElaborazione delle immagini a basso livello
Sommario Introduzione Percezione Formazione delle immagini Estrazione di informazione 3D da un immagine Riconoscimento di oggetti Manipolazione e navigazione Conclusioni 128 La luce riflessa dagli oggetti
DettagliBacino idrografico del Torrente Boesio: stima dell altezza di precipitazione per assegnati durata e tempo di ritorno
Bacino idrografico del Torrente Boesio: stima dell altezza di precipitazione per assegnati durata e tempo di ritorno Breve nota del 29 luglio 2005 Guido Nigrelli* (guido.nigrelli@irpi.cnr.it) 1. Introduzione
DettagliPreprocessamento di immagini per la classificazione in GRASS
Preprocessamento di immagini in GRASS Preprocessamento di immagini per la classificazione in GRASS Marco Ciolli 1, Clara Tattoni 2, Alfonso Vitti 1, Paolo Zatelli 1 1 Dipartimento di Ingegneria Civile,
DettagliFACOLTA DI INGEGNERIA INGEGNERIA INFORMATICA A.A. 2008/2009. Corso VISIONE E PERCEZIONE. Docente. Prof. FIORA PIRRI. Tutor MATIA PIZZOLI
FACOLTA DI INGEGNERIA INGEGNERIA INFORMATICA A.A. 2008/2009 Corso VISIONE E PERCEZIONE Docente Prof. FIORA PIRRI Tutor MATIA PIZZOLI MAPPA DI DISPARITA Studente Redjan Shabani (1013173) 0 Definizione di
DettagliITI INFORMATICA: STATISTICA
ITI INFORMATICA: STATISTICA INDICE:.INFERENZA STATISTICA.IL CAMPIONAMENTO CASUALE.LA PROGRAMMAZIONE LINEARE.IL CAMPIONAMENTO STATISTICO.DISTRIBUZIONI CAMPIONARIE.L ALGORITMO DEL SIMPLESSO INFERENZA STATISTICA
DettagliStatistica descrittiva e statistica inferenziale
Statistica descrittiva e statistica inferenziale 1 ALCUNI CONCETTI POPOLAZIONE E CAMPIONE Popolazione: insieme finito o infinito di unità statistiche classificate secondo uno o più caratteri Campione:
DettagliEstrazione dei bordi
Estrazione dei bordi L algoritmo di Marr-Hildreth L algoritmo di Canny Operatori per l estrazione dei bordi (edge operators) Lo scopo di questi operatori è quello di generare un immagine dei bordi (edge
DettagliRilevazione di messaggi spam con algoritmo Naive-Bayes
Rilevazione di messaggi spam con algoritmo Naive-Bayes Luca Zanetti matricola nr. 808229 luca.zanetti2@studenti.unimi.it Sommario L individuazione di messaggi spam costituisce uno dei più noti esempi di
DettagliImmagini digitali. Georges Seurat ( ),"Un dimanche ' été à l' Ile de la Grande Jatte"
Immagini digitali Digitalizzazione o acquisizione di immagini del mondo reale (es. da una fotografia). Analogia con la scuola divisionista o puntinista Georges Seurat (1859-1891),"Un dimanche ' été à l'
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Riconoscimento e recupero dell informazione per bioinformatica Clustering: validazione Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Sommario Definizione
DettagliUso dell algoritmo di Quantizzazione Vettoriale per la determinazione del numero di nodi dello strato hidden in una rete neurale multilivello
Tesina di Intelligenza Artificiale Uso dell algoritmo di Quantizzazione Vettoriale per la determinazione del numero di nodi dello strato hidden in una rete neurale multilivello Roberto Fortino S228682
DettagliBag of (visual) Words. BoW. Input image. Dizionario visuale. Rappresentazione
Bag of (visual) Words BoW Il modello è stato proposto con l obiettivo di rappresentare un immagine tramite un dizionario visuale. Il metodo BoW si ispira alle tecniche di rappresentazione dei documenti
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
DettagliStima di Posizione e Orientamento Mediante Elaborazione di Immagini con il Filtro di Kalman
Incontro CIRA 21 Lecce, 12 14 Settembre 21 Stima di Posizione e Orientamento Mediante Elaborazione di Immagini con il Filtro di Kalman Fabrizio CACCAVALE Vincenzo LIPPIELLO Bruno SICILIANO Luigi VILLANI
DettagliStatistica a.a Autovalutazione 3
Statistica a.a. 2018-19 Autovalutazione 3 CORSI: Diritto per le Imprese e le Istituzioni Scienze Internazionali dello Sviluppo e della Cooperazione 1. Un esperimento consiste nell estrarre una carta da
DettagliNozioni di grafica sul calcolatore. concetti di base
Nozioni di grafica sul calcolatore concetti di base La riproduzione di immagini fotografiche su computer avviene suddividendo l'immagine stessa in una matrice di punti colorati: pixels I formati basati
DettagliClassificazione k-nn con R. Strumenti quantitativi per la gestione
Classificazione k-nn con R Strumenti quantitativi per la gestione Emanuele Taufer file:///g:/il%20mio%20drive/2%20corsi/3%20sqg/labs/l1-knn.html#(1) 1/16 Altezza e peso degli adulti Le statistiche sull
DettagliLaboratorio di Algoritmi e Strutture Dati
Laboratorio di Algoritmi e Strutture Dati Docente: Camillo Fiorentini 8 gennaio 8 Il problema è simile all esercizio 5.6 del libro di testo di algoritmi (Introduzione agli algoritmi e strutture dati, T.
DettagliCENNI DI TRIGONOMETRIA E CENNI SUI NUMERI COMPLESSI PER L ELETTROTECNICA
CENNI DI TRIGONOMETRIA E CENNI SUI NUMERI COMPLESSI PER L ELETTROTECNICA (per classi elettrotecnica e automazione) Autore Nunzio Siciliano rev. Nov.2014 Quest'opera è distribuita con Licenza Creative Commons
DettagliEstrazione di feature locali per il riconoscimento del volto
Estrazione di feature locali per il riconoscimento del volto Simone Buoncompagni Università di Bologna (sede di Cesena) Facoltà di Scienze Matematiche, Fisiche e Naturali Laurea Magistrale in Scienze e
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
DettagliPulse Sense: la matematica per l individuazione di anomalie in un tracciato elettrocardiografico
Pulse Sense: la matematica per l individuazione di anomalie in un tracciato elettrocardiografico Pasqualina Fragneto Quando i matematici non entrano in aula Trento 2017 1 AST Applied Math Team Che cosa
DettagliSegnale analogico. Analogico vs digitale. Segnale digitale. Trasformazione da analogico a digitale
LEZIONI 2 e 3 Rappresentazione dell informazione 53 Analogico vs digitale LEZIONI 2 e 3 Rappresentazione dell informazione 54 Segnale analogico Il computer può lavorare soltanto con grandezze di tipo digitale
DettagliRiconoscimento e proiezione di oggetti su un ambiente virtuale
Relazione Progetto Sistemi Intelligenti anno 2012/2013 Riconoscimento e proiezione di oggetti su un ambiente virtuale Miguel Rosales, Laura Musica 1. Introduzione Lo sviluppo della tecnologia Microsoft
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
DettagliModelli descrittivi, statistica e simulazione
Modelli descrittivi, statistica e simulazione Master per Smart Logistics specialist Roberto Cordone (roberto.cordone@unimi.it) Statistica inferenziale Cernusco S.N., giovedì 25 febbraio 2016 (9.00/13.00)
DettagliStima della qualità dei classificatori per l analisi dei dati biomolecolari
Stima della qualità dei classificatori per l analisi dei dati biomolecolari Giorgio Valentini e-mail: valentini@dsi.unimi.it Rischio atteso e rischio empirico L` apprendimento di una funzione non nota
DettagliLa progettazione di un indagine statistica
Dip. di Scienze Umane e Sociali paolo.cazzaniga@unibg.it Outline 1 L indagine campionaria 2 3 Outline 1 L indagine campionaria 2 3 L indagine campionaria [1/2] Principalmente influenzata da: tempi costi
DettagliCODIFICA IMMAGINI IN BIANCO E NERO
Rappresentazione delle immagini Anche le immagini possono essere codificate mediante una sequenza di 0 e 1., questa operazione si chiama digitalizzazione. La prima cosa da fare è dividere l immagine in
DettagliIL SISTEMA OTTICO. È un dispositivo in grado di convogliare sul sensore della telecamera i raggi luminosi riflessi dalla zona inquadrata
IL SISTEMA OTTICO Telecamera È il dispositivo in grado di acquisire un immagine della zona inquadrata Ottica (Obiettivo o lente) È un dispositivo in grado di convogliare sul sensore della telecamera i
DettagliCorso di Laurea in Informatica Calcolo delle Probabilità e Statistica (269AA) A.A. 2016/17 - Prova del
Corso di Laurea in Informatica Calcolo delle Probabilità e Statistica (269AA) A.A. 206/7 - Prova del 207-09-08 La durata della prova è di tre ore. Le risposte devono essere adeguatamente giustificate.
DettagliRELAZIONE FINALE SPERIMESTATE IDENTIFICAZIONE SORGENTI CELESTI
RELAZIONE FINALE SPERIMESTATE IDENTIFICAZIONE SORGENTI CELESTI Mattia Bazzani e Cheker Maamouri ABSTRACT Questo laboratorio ha come obiettivo l'identificazione di sorgenti celesti ignote rivelate alle
DettagliSISTEMI INFORMATIVI GEOGRAFICI IN GEO- LOGIA
MARIA TERESA MELIS SISTEMI INFORMATIVI GEOGRAFICI IN GEO- LOGIA titimelis@unica.it ANNO ACCADEMICO 2017/ 2018 LEZIONE 7 MODELLI DI RAPPRESENTAZIONE GEOGRAFI- CA: DAI DATI ALLA MAPPA Corso di Sistemi Informativi
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
DettagliFondamenti di Informatica A.A. 2016/17
Fondamenti di Informatica Int ro d u z i o n e a l l a p ro g ra m m a z i o n e i n M AT L A B : E s e rc i ta z i o n e 2 P ro f. C h r i st i a n E s p o s i to C o rs o d i L a u re a i n I n g e g
DettagliFasi dell analisi di dati da microarray (2)
Fasi dell analisi di dati da microarray (). Image Processing: le immagini sono analizzate per determinare una misura dell intensità di ogni spot, insieme ad una valutazione della sua affidabilità. Data
DettagliIntervalli di Stabilità Parametrica per una Calibrazione Operativa del Modello di Heston
Intervalli di Stabilità Parametrica per una Calibrazione Operativa del Modello di Heston Modello a Volatilità Stocastica di Heston (1993) (1) t dt v( t) S t dz ( ) ds( t) S 1 t 2 2v( t) dt 2 v( t) dz (
DettagliIl campionamento e l inferenza. Il campionamento e l inferenza
Il campionamento e l inferenza Popolazione Campione Dai dati osservati mediante scelta campionaria si giunge ad affermazioni che riguardano la popolazione da cui essi sono stati prescelti Il campionamento
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
DettagliAnalisi dei Dati. Lezione 9 - Preprocessing dei dati
Analisi dei Dati Lezione 9 - Preprocessing dei dati Motivazioni I dati nel mondo reale sono sporchi incompleti: mancano valori per gli attributi, mancano attributi importanti, solo valori aggregati rumorosi:
DettagliFunzioni Goniometriche
Funzioni Goniometriche Nella figura sottostante è rappresentato un angolo nel primo quadrante: osserviamo che il seno dell'angolo è positivo e il coseno dello stesso angolo è ancora positivo. L' angolo
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
DettagliCOGNOME E NOME MATR. ANALISI DEI DATI PER IL MARKETING novembre 2008.
COGNOME E NOME MATR. ANALISI DEI DATI PER IL MARKETING novembre 2008. ESERCIZIO I Si è applicata l analisi delle componenti principali a 97 modelli di fotocamere digitali, considerando 7 variabili ed ottenendo
DettagliLaboratorio di Bioimmagini A.A
Laboratorio di Bioimmagini A.A. 2008-2009 Le immagini da utilizzare nei seguenti esercizi ed il codice Matlab delle soluzioni sono scaricabili da: http://www.dei.unipd.it/~enrigri/public/lab Esercizio
DettagliImage segmentation. Image segmentation
Image segmentation Image segmentation Un processo di segmentaione suddivide una immagine nelle regioni o oggetti che la compongono. E generalmente il primo step dell analisi di una immagine a segmentaione
DettagliIntroduzione a Matlab
Introduzione a Matlab Contrasto, Soglia, Rumore A cura di: Daniel Riccio http://www.dmi.unisa.it/people/riccio/www/teaching.htm http://www.dmi.unisa.it/people/nappi 26/11/2013 Introduzione a Matlab 1 Istogramma
DettagliAnalogico vs digitale
Analogico vs digitale Informazione classificatoria e più che classificatoria Informazione classificatoria: è questo, ma avrebbe potuto essere quest altro altro. Informazione più che classificatoria: riconoscere
DettagliArray e Oggetti. Corso di Laurea Ingegneria Informatica Fondamenti di Informatica 1. Dispensa 12. A. Miola Dicembre 2006
Corso di Laurea Ingegneria Informatica Fondamenti di Informatica 1 Dispensa 12 Array e Oggetti A. Miola Dicembre 2006 http://www.dia.uniroma3.it/~java/fondinf1/ Array e Oggetti 1 Contenuti Array paralleli
DettagliDigitalizzazione delle immagini
Digitalizzazione delle immagini Informazione multimediale Lettere e numeri non costituiscono le uniche informazioni utilizzate dai computer ma sempre più applicazioni utilizzano ed elaborano anche altri
DettagliEsercizio 1. Esercizio 2
Sia data la matrice A A(α) = Esercizio α 2 2α 2 2, α R.) determinare per quali valori del parametro reale α é verificata la condizione necessaria e sufficiente di convergenza per il metodo di Jacobi;.2)
DettagliDEEP LEARNING PER CONTROLLO QUALITA PRODOTTO E CONTROLLO DI PROCESSO Alessandro Liani, CEO e R&D Manager
DEEP LEARNING PER CONTROLLO QUALITA PRODOTTO E CONTROLLO DI PROCESSO Alessandro Liani, CEO e R&D Manager Smart Vision - Le tecnologie per l industria del futuro Machine Learning Famiglie di machine learning
DettagliInformatica 3. Informatica 3. LEZIONE 21: Ricerca su liste e tecniche di hashing. Lezione 21 - Modulo 1. Introduzione (1) Introduzione (2) Ricerca:
Informatica 3 Informatica 3 LEZIONE 21: Ricerca su liste e tecniche di hashing Modulo 1: Algoritmi sequenziali e basati su liste Modulo 2: Hashing Lezione 21 - Modulo 1 Algoritmi sequenziali e basati su
DettagliCOMPLEMENTI DI ANALISI MATEMATICA - 15 GIUGNO 2010 Esercizio 1. Data la funzione
COMPLEMENTI DI ANALISI MATEMATICA - 5 GIUGNO Esercizio. Data la funzione f : R 3 R, f(x, y, z) = x + y7 7 + z, determinare massimo e minimo assoluti di f sull insieme chiuso e limitato } S = (x, y, z)
DettagliISTRUZIONI UTILIZZO FILE EXCEL PER LA VALUTAZIONE DEL RSICHIO CHIMIMCO CON ALGORITMO MOVARISCH 2017
Pag. 1 di 7 Sommario INTRODUZIONE... 2 USO DEL FOGLIO EXCEL... 2 CONCLUSIONI E DICHIARAZIONE DI ESCLUSIONE DI RESPONSABILITÀ... 7 Pag. 2 di 7 INTRODUZIONE Questo foglio Excel, contiene le istruzioni per
Dettagli