Preprocessamento di immagini per la classificazione in GRASS
|
|
- Anna Maria Perri
- 7 anni fa
- Visualizzazioni
Transcript
1 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, Ambientale e Meccanica Università di Trento 2 Museo delle Scienze - Trento Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN 1 / 31
2 Preprocessamento di immagini in GRASS Outline 1 Introduzione 2 Segmentazione 3 Sperimentazione m - Monocromatica m - RGB m - RGB+IR 7 Conclusioni Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN 2 / 31
3 Preprocessamento di immagini in GRASS Introduzione Classificazione Lo scopo della classificazione è ricavare da una immagine informazioni sulla superficie in modo più automatico possibile. Si confronta una firma spettrale di una classe di copertura con il contenuto dell immagine. Volo Italia 2008 Classificazione a 9 classi Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN 3 / 31
4 Preprocessamento di immagini in GRASS Introduzione Classificazione Esistono diversi approcci (supervisionata - non supervisionata - ibrida) ed algoritmi (massima verosimiglianza, reti neurali, ecc.) per la classificazione di immagini. Tutti questi approcci risentono in modo determinante della presenza di rumore sull immagine. Volo Italia particolare Zoom sul prato in alto a dx Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN 4 / 31
5 Preprocessamento di immagini in GRASS Introduzione Rumore Stabilito che si vuole rimuovere il rumore 1, o almeno minimizzarne l impatto sulla classificazione, sono disponibili diverse possibilità: applicazione di filtri, tipicamente passa-basso, sull immagine prima della classificazione uso di bande artificiali aggiuntive (es. texture) uso di classificatori contestuali (i.smap) segmentazione di immagini 1 il rumore di qualcuno è spesso il segnale di qualcun altro Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN 5 / 31
6 Preprocessamento di immagini in GRASS Segmentazione Segmentazione La segmentazione può essere intuitivamente intesa come la partizione di un dominio in regioni omogenee disgiunte secondo criteri predefiniti. Immagine di ciottoli e sua segmentazione Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN 6 / 31
7 Preprocessamento di immagini in GRASS Segmentazione Segmentazione L output della segmentazione consiste in: un insieme di regioni omogenee un insieme di discontinuità (confini delle regioni) Nel caso di classificazione di immagini si usa il primo insieme, ma per altre applicazioni è importante il secondo. Il problema è identificare le caratteristiche del segnale lisciando l input preservando la struttura del segnale e le sue discontinuità. Uno dei possibili approcci è quello variazionale, in cui si minimizza la somma somma di termini di penalizzazione che rappresentano caratteristiche della soluzione, i cui coefficienti consentono il controllo del processo da parte dell utente. Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN 7 / 31
8 Preprocessamento di immagini in GRASS Segmentazione Modello variazionale di Mumford and Shah Il modello variazionale di Mumford and Shah variational segue questo approccio, richiedendo che: 1 la soluzione sia più vicina possibile ai dati di input 2 la soluzione sia più liscia possibile in ogni regione considerata omogenea 3 la lunghezza totale dei confini delle regioni sia più corta possibile MS(u, K ) = Ω\K u g 2 dx + λ u 2 dx + αh 1 (K ) Ω\K dove Ω R n è un insieme chiuso, g L inf (Ω) rappresenta i dati di input, λ e α sono parametri positivi, H 1 è la misura di Hausdorff e K l insieme dei confini delle regioni. Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN 8 / 31
9 Preprocessamento di immagini in GRASS Segmentazione Modello variazionale di Mumford and Shah Ω i rappresenta una regione uniforme, g rappresenta i dati in input, u la loro approssimazione e K l insieme dei confini delle regioni. Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN 9 / 31
10 Preprocessamento di immagini in GRASS Segmentazione Estensione modello variazionale di Mumford and Shah E possibile modellare angoli modificando il funzionale ( MS k (u) := u g 2 dx + λ u 2 dx + α + βk 2) ds Ω Ω S u dove k è la curvatura dei contorni. Qui i parametri α e β controllano rispettivamente la lunghezza e la rigidità delle curve: se α 0 ogni pixel tende a diventare una singola regione se α è troppo grande i cerchi collassano, gli angoli retti sono arrotondati e si arriva ad un unica regione se λ la soluzione tende a diventare costante a tratti Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN 10 / 31
11 Preprocessamento di immagini in GRASS Segmentazione Segmentazione in GRASS Questo approccio è implementato nella libreria seglib, che in GRASS è utilizzabile attraverso il modulo r.seg. I parametri che l utente deve impostare per usare r.seg sono: α che controlla la lunghezza dei confini delle regioni β che controlla la rigidità dei confini delle regioni (la flag Activate MSK flag deve essere attiva) λ che controlla l omogeneità delle regioni nella mappa segmentata Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN 11 / 31
12 Preprocessamento di immagini in GRASS Segmentazione Determinazione dei parametri Volendo preprocessare un immagine con segmentazione si devono scegliere i valori di α, [β] e λ, ma le variabili in gioco sono molto di più: numero di bande risoluzione numero di classi E importante il numero massimo di iterazioni dell algoritmo di segmentazione, per valori alti dei parametri l algoritmo potrebbe non essere arrivato a convergenza. Non esistono metodi diretti per ricavare i valori di α, [β] e λ (se non per alcuni casi monodimensionali): sono quindi stati sperimentati diversi set di parametri per diversi tipi di immagini. Il giudizio è dato per ogni set di parametri valutando il coefficente k. Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN 12 / 31
13 Preprocessamento di immagini in GRASS Sperimentazione Immagini Sono state usate immagini diverse per risoluzione geometrica e numero di bande: Immagine Risol. [m] Bande N. classi Volo PAT Toni di grigio 4 Volo Italia RGB 5 Volo Italia RGB+IR 6 che rappresentano la stessa area del Trentino orientale. Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN 13 / 31
14 Preprocessamento di immagini in GRASS Sperimentazione Immagini Volo PAT 1994 Volo Italia 2000 Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN Volo Italia / 31
15 Preprocessamento di immagini in GRASS Sperimentazione Procedura segmentazione parametri segmentazione Banda 1 Banda s1 training map control map Immagine Banda 2 Banda s2 Gruppo Firma spett. Uso suolo Kappa Banda 3 Banda s3 i.gensig i.maxlik r.kappa r.seg i.group La procedura è inserita in due cicli su α e λ, la segmentazione è eseguita in parallelo sulle bande. Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN 15 / 31
16 Preprocessamento di immagini in GRASS Sperimentazione Test su area limitata I primi 120 test sono stati fatti su un area limitata con un set di parametri ampio: α={ } e λ={ }. Il numero di iterazioni massimo è pari a 100. L immagine non segmentata è stata classificata con 4 classi (prato, bosco al sole, ombra e roccia) con k= I grafici seguenti si riferiscono al sottoinsieme (di 42 test) α={ } e λ={ }. Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN 16 / 31
17 Preprocessamento di immagini in GRASS Sperimentazione Test su area limitata La segmentazione può peggiorare la classificazione. Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN 17 / 31
18 Preprocessamento di immagini in GRASS Sperimentazione Test su area limitata NB il limite sul numero di iterazioni è fondamentale: ad es. con α=100000e λ=1000, a 100 iterazioni k= (il peggiore!), a 5000 iterazioni k= (il migliore!) Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN 18 / 31
19 Preprocessamento di immagini in GRASS Sperimentazione Test su area limitata Volo Italia particolare Segmentazione con α=200000, λ=1000 Segmentazione migliore con α=100000, λ=200 Uso suolo a 4 classi (K=0, da 0,967426) Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN 19 / 31
20 Preprocessamento di immagini in GRASS m - Monocromatica Immagine monocromatica 1 banda, risol. 1m, 4 classi (bosco al sole, bosco in ombra, urbano e prato) test con α={ } e λ={ } Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN 20 / 31
21 Preprocessamento di immagini in GRASS m - Monocromatica Distribuzione di k k minimo: originale: massimo: Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN 21 / 31
22 Preprocessamento di immagini in GRASS m - Monocromatica Distribuzione di k Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN 22 / 31
23 Preprocessamento di immagini in GRASS m - RGB Immagine RGB 3 bande, risol. 1m, 5 classi (bosco al sole, ombra, roccia, lago e prato) test con α={ } e λ={ } Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN 23 / 31
24 Preprocessamento di immagini in GRASS m - RGB Distribuzione di k k minimo: originale: massimo: Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN 24 / 31
25 Preprocessamento di immagini in GRASS m - RGB Distribuzione di k Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN 25 / 31
26 Preprocessamento di immagini in GRASS m - RGB+IR Immagine RGB+IR 4 bande, risol. 1m, 6 classi (bosco al sole, ombra, neve, roccia, lago e prato) test con α={ } e λ={ } Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN 26 / 31
27 Preprocessamento di immagini in GRASS m - RGB+IR Distribuzione di k k minimo: originale: massimo: 0, Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN 27 / 31
28 Preprocessamento di immagini in GRASS m - RGB+IR Distribuzione di k Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN 28 / 31
29 Preprocessamento di immagini in GRASS Conclusioni Conclusioni I I test effettuari hanno permesso di verificare che: come atteso, valori grandi dei parametri α e λ rendono le regioni segmentate più omogenee e aumentano la differenza di valori tra le aree all aumentare del valore dei parametri aumenta il numero di iterazioni dell algoritmo di segmentazione e quindi il carico computazionale i tempi impiegati sono: immagine a 3 bande, risol. 1m ( celle): circa 2 ; immagine a 4 bande, risol. 0.5m ( celle): circa 20 se le diverse classi sono mescolate con proporzioni simili il preprocessamento con segmentazione può peggiorare la classificazione; in questo caso si devono usare valori bassi dei parametri α e λ Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN 29 / 31
30 Preprocessamento di immagini in GRASS Conclusioni Conclusioni II è fondamentale scegliere le aree campione in modo coerente con la regolarità desiderata per la mappa classificata dalle sperimentazioni effettuate i valori che danno risultati migliori sono α 10 5 e λ 200 Sono necessarie ulteriori sperimentazioni con immagini con numero maggiore di bande e soprattutto con maggiore rumore. Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN 30 / 31
31 Preprocessamento di immagini in GRASS Appendice Licenza Questa presentazione è c 2013 Paolo Zatelli, disponibile come Paolo Zatelli - Marco Ciolli, Clara Tattoni, Alfonso Vitti UniTn - MTSN 31 / 31
Miglioramento dell analisi di immagine in GRASS tramite segmentazione
Segmentazione in GRASS Miglioramento dell analisi di immagine in GRASS tramite segmentazione Alfonso Vitti e Paolo Zatelli Dipartimento di Ingegneria Civile ed Ambientale Università di Trento Italy FOSS4G-it
DettagliSistemi GIS: metodologie e casi applicativi
Paolo Zatelli Dipartimento di Ingegneria Civile e Ambientale Università di Trento 1/22 Introduzione Scopo del lavoro: introdurre al modo di ragionare proprio dei GIS attraverso esempi di soluzione dei
DettagliPaolo Zatelli. Dipartimento di Ingegneria Civile e Ambientale Università di Trento. Classificazione di immagini con GRASS
di con con Paolo Zatelli Dipartimento di Ingegneria Civile e Ambientale Università di Trento /53 di con Scopo della classificazione: ricavare da una immagine informazioni sulla superficie. Foto interpretazione
DettagliTelerilevamento. Esercitazione 5. Classificazione non supervisionata. Apriamo l immagine multi spettrale relativa alla zona di Feltre che si trova in:
Telerilevamento Esercitazione 5 Classificazione non supervisionata Lo scopo di questa esercitazione è quella di effettuare una classificazione non supervisionata di un immagine SPOT5 acquisita sull area
DettagliTEORIE E TECNICHE PER LA COMUNICAZIONE DIGITALE
TEORIE E TECNICHE PER LA COMUNICAZIONE DIGITALE Riccardo Dondi Dipartimento di Scienze dei linguaggi, della comunicazione e degli studi culturali Università degli Studi di Bergamo Informazione sul corso
DettagliReti Neurali in Generale
istemi di Elaborazione dell Informazione 76 Reti Neurali in Generale Le Reti Neurali Artificiali sono studiate sotto molti punti di vista. In particolare, contributi alla ricerca in questo campo provengono
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
DettagliClassificazioni di immagini satellitari per la valutazione della dispersione insediativa
Classificazioni di immagini satellitari per la valutazione della dispersione insediativa Introduzione La dispersione insediativa: Nel corso degli ultimi decenni il confine della città è sempre meno netto
DettagliSegmentazione automatica della carotide basata sulla classificazione dei pixel
Segmentazione automatica della carotide basata sulla classificazione dei pixel Samanta Rosati, Filippo Molinari, Gabriella Balestra Biolab, Dipartimento di Elettronica e Telecomunicazioni, Politecnico
DettagliMETODOLOGIA DI ESTRAZIONE AUTOMATICA DELLE INFORMAZIONI RELATIVE ALLA CUS (CARTA DI USO DEL SUOLO) APPLICATA ALLE SCENE IKONOS
1 DI ESTRAZIONE AUTOMATICA DELLE INFORMAZIONI RELATIVE ALLA CUS (CARTA DI USO DEL SUOLO) APPLICATA ALLE SCENE IKONOS Eva Savina MALINVERNI DARDUS Fac. Ingegneria - Università Politecnica Marche Ancona
DettagliEsercizi su algebra lineare, fattorizzazione LU e risoluzione di sistemi lineari
Esercizi su algebra lineare, fattorizzazione LU e risoluzione di sistemi lineari 4 maggio Nota: gli esercizi più impegnativi sono contrassegnati dal simbolo ( ) Esercizio Siano 3 6 8 6 4 3 3 ) determinare
DettagliInquinamento acustico
Programma Regionale I.N.F.E.A. Informazione Formazione ed Educazione Ambientale PROGETTO GEO Sensibilizzazione alla sostenibilità ambientale Inquinamento acustico Dott.ssa Barbara Bracci Controllo Agenti
DettagliEsercitazione 17 Marzo 2016 Viki Nellas
Esercitazione 7 Marzo 06 Viki Nellas Esercizio : Rendimenti di scala Determinare i rendimenti di scala delle seguenti funzioni di produzione: a) q + b) q c) q ( L + K) d) q αy Soluzione I rendimenti di
DettagliDeterminazione delle curve d invaso delle APE e prime considerazioni sui criteri per la verifica della loro corretta definizione geometrica
Determinazione delle curve d invaso delle APE e prime considerazioni sui criteri per la verifica della loro corretta definizione geometrica Per verificare distribuzione dei volumi idrici in eccesso ad
DettagliLiDAR ed immagini multispettrali ad alta definizione per la valutazione di rocciosità e pietrosità superficiale
LiDAR ed immagini multispettrali ad alta definizione per la valutazione di rocciosità e pietrosità superficiale Rossano Ciampalini Dipartimento di Scienza del Suolo e Nutrizione della Pianta Università
DettagliMezzi non omogenei. Corso di Microonde I A.A. 2004/2005
Mezzi non omogenei Nelle microonde si usano spesso mezzi trasmissivi non omogenei; Lo studio di questi mezzi viene ricondotto al caso equivalente TEM mediante la definizione di opportuni parametri caratteristici;
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,
DettagliIntroduzione al Calcolo Scientifico
Introduzione al Calcolo Scientifico Francesca Mazzia Dipartimento di Matematica Università di Bari Francesca Mazzia (Univ. Bari) Introduzione al Calcolo Scientifico 1 / 14 Calcolo Scientifico Insieme degli
DettagliCapitolo 1 Esercitazioni condotte in aula con Star-CCM+
Capitolo 1 Esercitazioni condotte in aula con Star-CCM+ 1.1 Mixing Pipe Nella prima esercitazione è stato trattato il caso di un miscelatore nel quale sono stati iniettati 2 fluidi considerati ideali a
DettagliDistribuzioni di probabilità
Distribuzioni di probabilità Distribuzioni di probabilità L analisi statistica spesso studia i fenomeni collettivi confrontandoli con modelli teorici di riferimento. Tra di essi, vedremo: la distribuzione
DettagliEnergia Eolica. Tecnologie delle Energie Rinnovabili. Daniele Cocco
Tecnologie delle Energie Rinnovabili Energia Eolica Daniele Cocco Dipartimento di Ingegneria Meccanica, Chimica e dei Materiali Università degli Studi di Cagliari daniele.cocco@unica.it http://people.unica.it/danielecocco
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
DettagliDispositivi e Tecnologie Elettroniche. Esercitazione Proprietà di trasporto nei semiconduttori
Dispositivi e Tecnologie Elettroniche Esercitazione Proprietà di trasporto nei semiconduttori Esercizio 1: testo Si consideri un campione di Si uniformemente drogato tipo n con una concentrazione N D =
Dettagli6) Descrivere con un diagramma a blocchi un algoritmo che legga da input due numeri ne calcoli il prodotto in termini di somme ripetute.
I due esercizi seguenti su un esempio semplice (trovare il massimo tra due o tra tre numeri) introducono la descrizione di algoritmi con diagrammi a blocchi, le strutture di controllo sequenza e condizione,
DettagliAnalisi di stabilita di un pendio naturale
Università degli Studi di Napoli FEDERICO II Dipartimento di Ingegneria Idraulica, Geotecnica ed Ambientale (DIGA) Corso di perfezionamento - Gestione e mitigazione dei rischi naturali Analisi di stabilita
DettagliLaurea in Informatica e Tecnologie per la Produzione del Software Corso di Analisi Matematica Successioni e loro limiti
Laurea in Informatica e Tecnologie per la Produzione del Software Corso di Analisi Matematica Successioni e loro limiti Docente: Anna Valeria Germinario Università di Bari A.V.Germinario (Università di
DettagliANALISI DI SEGNALI TEMPO VARIANTI
ANALISI DI SEGNALI TEMPO VARIANTI Nel corso di questa esercitazione verrà illustrato come utilizzare Excel per eseguire la FFT di un segnale. Algebra complessa Excel consente di eseguire calcoli anche
DettagliEsercizi di Complementi di Matematica (L-Z) a.a. 2015/2016
Esercizi di Complementi di Matematica (L-Z) a.a. 2015/2016 Prodotti scalari e forme bilineari simmetriche (1) Sia F : R 2 R 2 R un applicazione definita da F (x, y) = x 1 y 1 + 3x 1 y 2 5x 2 y 1 + 2x 2
DettagliCapitolo 9 La produzione. Robert H. Frank Microeconomia - 5 a Edizione Copyright The McGraw-Hill Companies, srl
Capitolo 9 La produzione LA PRODUZIONE Le imprese utilizzano i fattori produttivi (input) per produrre beni e servizi (output) La produzione trasforma un insieme di input in un insieme di output Tra gli
Dettagli9In questa sezione. Ordinare e filtrare i dati. Dopo aver aggiunto dati ai fogli di lavoro, potresti voler
9In questa sezione Ordinare e filtrare i dati Ordinare i dati del foglio di lavoro Creare un elenco personalizzato Filtrare rapidamente i dati con Filtro automatico Creare un filtro avanzato Convalidare
DettagliAutorità per le Garanzie nelle Comunicazioni
Autorità per le Garanzie nelle Comunicazioni METODO PER IL RENDERING DEI DIAGRAMMI DI IRRADIAZIONE VERTICALI BASATO SUI DATI PREVISTI DALLE SPECIFICHE DI FORMATO DEL CATASTO AGCOM 1. Premessa Per calcolare
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
DettagliVersione di Controllo
Università degli Studi di Trento test di ammissione ai corsi di laurea in Fisica - Matematica - Informatica Ingegneria dell Informazione e Organizzazione d Impresa Ingegneria dell Informazione e delle
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
DettagliCristalli fotonici e loro applicazioni
Dipartimento di fisica A. Volta, Università degli studi di Pavia 8 maggio 2009 solidi cristallini = reticolo + base Figura: alcuni reticoli di Bravais 3D con 3 vettori primitivi a,b,c; Figura: alcuni reticoli
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)
DettagliL irraggiamento termico
L irraggiamento termico Trasmissione del Calore - 42 Il calore può essere fornito anche mediante energia elettromagnetica; ciò accade perché quando un fotone, associato ad una lunghezza d onda compresa
DettagliSTUDI DI MICROZONAZIONE SISMICA: TEORIA E APPLICAZIONI
STUDI DI MICROZONAZIONE SISMICA: TEORIA E APPLICAZIONI Pericolosità Sismica Nazionale: dati disponibili e loro utilizzo A cura di: Dott. (Ph.D.( Ph.D.) ) Simone Barani NTC08: Azione Sismica Pericolosità
DettagliRisoluzione di problemi ingegneristici con Excel
Risoluzione di problemi ingegneristici con Excel Problemi Ingegneristici Calcolare per via numerica le radici di un equazione Trovare l equazione che lega un set di dati ottenuti empiricamente (fitting
DettagliAnalisi del ciclo di vita per processi industriali
Analisi del ciclo di vita per processi industriali Laurea Magistrale in Scienze e Tecnologie per l Ambiente e il Territorio Corso a scelta 6 CFU Seconda Università di Napoli Dipartimento di Scienze e Tecnologie
DettagliEsercizi di Macchine a Fluido
Università degli Studi di Udine Facoltà di Ingegneria Esercizi di Macchine a Fluido a cura di L. Casarsa Esercizi proposti nelle prove scritte dell esame di Macchine I e II modulo dai docenti G.L Arnulfi,
DettagliPROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 2006/07
PROVE SCRITTE DI MATEMATICA APPLICATA, ANNO 006/07 Esercizio 1 Prova scritta del 16/1/006 In un ufficio postale lavorano due impiegati che svolgono lo stesso compito in maniera indipendente, sbrigando
DettagliPrinter Driver. Guida per la configurazione. Questa guida descrive come configurare il driver della stampante per Windows Vista e Windows XP.
3-276-708-51 (1) Printer Driver Guida per la configurazione Questa guida descrive come configurare il driver della stampante per Windows Vista e Windows XP. Prima di usare questo software Prima di usare
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@gmail.com Università degli studi di Cassino () Statistica 1 / 24 Outline 1 2 3 4 5 () Statistica 2 / 24 Dipendenza lineare Lo studio della relazione tra caratteri
Dettagli1) Applicando la definizione di derivata, calcolare la derivata in x = 0 delle funzioni: c) x + 1 d)x sin x.
Funzioni derivabili Esercizi svolti 1) Applicando la definizione di derivata, calcolare la derivata in x = 0 delle funzioni: a)2x 5 b) x 3 x 4 c) x + 1 d)x sin x. 2) Scrivere l equazione della retta tangente
DettagliLezione 12 Argomenti
Lezione 12 Argomenti Costi di produzione: differenza tra costo economico e costo contabile I costi nel breve periodo Relazione di breve periodo tra funzione di produzione, produttività del lavoro e costi
DettagliLa stima dei costi di produzione
Università degli Studi di Trento Programmazione Costi e Contabilità lavori a.a. 2004-5 La stima dei costi di produzione Marco Masera, prof marco.masera@ing.unitn.it Procedimenti di stima I procedimenti
DettagliDIARIO DELLE LEZIONI DEL CORSO DI FISICA MATEMATICA A.A. 2011/2012 CORSO DI LAUREA MAGISTRALE IN INGEGNERIA MECCANICA
DIARIO DELLE LEZIONI DEL CORSO DI FISICA MATEMATICA A.A. 2011/2012 CORSO DI LAUREA MAGISTRALE IN INGEGNERIA MECCANICA DANIELE ANDREUCCI DIP. SCIENZE DI BASE E APPLICATE PER L INGEGNERIA UNIVERSITÀ LA SAPIENZA
DettagliFondamenti di Infrastrutture Viarie
Politecnico di Torino Fondamenti di Infrastrutture Viarie Relazione esercitazioni. Anno Accademico 2011/2012 Corso di Fondamenti di Infrastrutture Viarie Professore: Marco Bassani Esercitatore: Pier Paolo
DettagliSketchUp. Al termine del percorso formativo verrà rilasciato un ATTESTATO DI FREQUENZA. Verranno rilasciati 16 CFP ai geometri.
SketchUp Teoria 8 h Pratica 8 h Obbligo di frequenza (con firma) 80% delle ore Il corso è a numero chiuso (max. 15 corsisti) Il corso permette ai partecipanti di imparare a usare in modo autonomo e subito
DettagliINTRODUZIONE. Introduzione
INTRODUZIONE i Introduzione Nel presente lavoro viene affrontato il problema del riconoscimento automatico di segnali stradali da scene esterne riprese da telecamera, tema di grande interesse nello sviluppo
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
DettagliL Automatic Control Telelab
Università di Siena L Marco Casini Dipartimento di Ingegneria dell Informazione Università di Siena, Italy Email: casini@ing.unisi.it UNIVERSITA DI SIENA 1 Sommario Introduzione all (ACT) Descrizione di
DettagliESERCITAZIONE SUL CRITERIO
TECNOLOGIE DELLE COSTRUZIONI AEROSPAZIALI ESERCITAZIONE SUL CRITERIO DI JUVINALL Prof. Claudio Scarponi Ing. Carlo Andreotti Ing. Carlo Andreotti 1 IL CRITERIO DI JUVINALL La formulazione del criterio
DettagliFUNZIONE DI UTILITÀ CURVE DI INDIFFERENZA (Cap. 3)
FUNZIONE DI UTILITÀ CURVE DI INDIFFERENZA (Cap. 3) Consideriamo un agente che deve scegliere un paniere di consumo fra quelli economicamente ammissibili, posto che i beni di consumo disponibili sono solo
DettagliStatistica. Alfonso Iodice D Enza
Statistica Alfonso Iodice D Enza iodicede@unicas.it Università degli studi di Cassino () Statistica 1 / 33 Outline 1 2 3 4 5 6 () Statistica 2 / 33 Misura del legame Nel caso di variabili quantitative
Dettagliinformatica di base per le discipline umanistiche
informatica di base per le discipline umanistiche vito pirrelli Istituto di Linguistica Computazionale CNR Pisa Dipartimento di linguistica Università di Pavia sesta lezione: la dinamica del testo vito
DettagliRappresentazione grafica di sistemi atomici e molecolari: editor e visualizzatori ESERCITAZIONE 5
Rappresentazione grafica di sistemi atomici e molecolari: editor e visualizzatori ESERCITAZIONE 5 Editor e visualizzatori Spesso è utile rappresentare graficamente la struttura atomica o molecolare del
DettagliCORSO%DI%% A.A.% % Sezione%03c% SPETTRO ACUSTICO FISICA%TECNICA%AMBIENTALE%
1 CORSO%DI%% FISICA%TECNICA%AMBIENTALE% A.A.%201352014% Sezione%03c%!! Prof. Ing. Sergio Montelpare! Dipartimento INGEO! Università G. d Annunzio Chieti-Pescara" 2 Le caratteristiche fondamentali del suono"
DettagliSomma di numeri binari
Fondamenti di Informatica: Codifica Binaria dell Informazione 1 Somma di numeri binari 0 + 0 = 0 0 + 1 = 1 1 + 0 = 1 1 + 1 = 10 Esempio: 10011011 + 00101011 = 11000110 in base e una base Fondamenti di
DettagliCorso di Geometria III - A.A. 2016/17 Esercizi
Corso di Geometria III - A.A. 216/17 Esercizi (ultimo aggiornamento del file: 2 ottobre 215) Esercizio 1. Calcolare (1 + 2i) 3, ( ) 2 + i 2, (1 + i) n + (1 i) n. 3 2i Esercizio 2. Sia z = x + iy. Determinare
DettagliPHOTOSHOW ROMA 2012 La regolazione Curve in Photoshop Marco Olivotto / CCC - Color Correction Campus CONTAGOCCE / PANNELLO INFO / CURVE
CONTAGOCCE / PANNELLO INFO / CURVE CONTAGOCCE E PANNELLO INFO Per valutare il COLORE di un immagine utilizziamo lo STRUMENTO CONTAGOCCE. Lo strumento contagocce ha un unica impostazione che ci interessa:
DettagliIntroduzione alla Meccanica: Cinematica
Introduzione alla Meccanica: Cinematica La Cinematica si occupa della descrizione geometrica del moto, senza riferimento alle sue cause. E invece compito della Dinamica mettere in relazione il moto con
DettagliRETI DI CALCOLATORI II
RETI DI CALCOLATORI II Facoltà di Ingegneria Università degli Studi di Udine Ing. DANIELE DE CANEVA a.a. 2009/2010 ARGOMENTI DELLA LEZIONE TEORIA DEL ROUTING ROUTING STATICO ROUTING DINAMICO o PROTOCOLLI
Dettagli3.6.1 Inserimento. Si apre la finestra di dialogo Inserisci Tabella:
3.6.1 Inserimento Per decidere dove collocare una tabella è necessario spostare il cursore nella posizione desiderata. Per inserire una tabella esistono diversi modi di procedere: Menù Tabella Inserisci
DettagliCenni di probabilità
Corso di Laurea in Ingegneria per l Ambiente ed il Territorio Corso di Costruzioni Idrauliche A.A. 2004-05 www.dica.unict.it/users/costruzioni Cenni di probabilità Ing. Antonino Cancelliere Dipartimento
DettagliPROBLEMI ALGORITMI E PROGRAMMAZIONE
PROBLEMI ALGORITMI E PROGRAMMAZIONE SCIENZE E TECNOLOGIE APPLICATE CLASSE SECONDA D PROGRAMMARE = SPECIFICARE UN PROCEDIMENTO CAPACE DI FAR SVOLGERE AD UNA MACCHINA UNA SERIE ORDINATA DI OPERAZIONI AL
DettagliUniversità degli studi di Trento Facoltà di Ingegneria Corso di Laurea in Viticoltura ed Enologia
Università degli studi di Trento Facoltà di Ingegneria Corso di Laurea in Viticoltura ed Enologia Prof. Dino Zardi Dipartimento di Ingegneria Civile, Ambientale e Meccanica Fisica Componenti elementari
DettagliRegressione non lineare con un modello neurale feedforward
Reti Neurali Artificiali per lo studio del mercato Università degli studi di Brescia - Dipartimento di metodi quantitativi Marco Sandri (sandri.marco@gmail.com) Regressione non lineare con un modello neurale
Dettagli( ) le colonne della matrice dei coefficienti, con. , risulta A 3 = A 1 + 4A 2 + 4A 5, A 4 = A 1 + A 2,
1 Elementi di Analisi Matematica e Ricerca Operativa prova del 6 luglio 2016 1) Discutere il seguente problema di Programmazione Lineare: Trovare il massimo di p x 1, x 2, x 3, x 4 # x 2 + 4 x 3 + x 4
DettagliProgramma del corso. Introduzione Rappresentazione delle Informazioni Calcolo proposizionale Architettura del calcolatore Reti di calcolatori
Programma del corso Introduzione Rappresentazione delle Informazioni Calcolo proposizionale Architettura del calcolatore Reti di calcolatori Il concetto di FILE FILE: sequenza di byte conosciuta nel computer
DettagliGESTIONE delle RISORSE IDRICHE
Corso di laurea specialistica in Ingegneria delle Acque e della Difesa del Suolo Corso di GESTIONE delle RISORSE IDRICHE a.a. 2003-2004 Lezione 4 Prof. Luca Lanza Dipartimento di Ingegneria Ambientale
DettagliLa scrittura di un programma Modellizzazione del programma Scrittura del codice Esercizi. Sperimentazioni I. Alberto Garfagnini, Marco Mazzocco
Sperimentazioni I Alberto Garfagnini, Marco Mazzocco Università degli studi di Padova 30 Ottobre 2013 La scrittura di un programma Modellizzazione programma Flowcharts Pseudocode Scrittura del codice Esercizi
DettagliUniversità degli Studi di Napoli Federico II. Laurea triennale in informatica
Università deli Studi di Napoli Federico II Laurea triennale in informatica PROGETTAZIONE E SVILUPPO DI UN ALGORITMO PER LA SEGMENTAZIONE DI IMMAGINI MRI BASATO SULL ENTROPIA (DESIGN AND DEVELOPMENT OF
DettagliLa diseguaglianza nella distribuzione del reddito
La diseguaglianza nella distribuzione del reddito Massimo Baldini, Paolo Silvestri 29 novembre 2013 Questa nota è dedicata alla evoluzione nella diseguaglianza della distribuzione del reddito tra le persone
DettagliCorso di Modelli Matematici in Biologia Esame del 6 Luglio 2016
Corso di Modelli Matematici in Biologia Esame del 6 Luglio 206 Scrivere chiaramente in testa all elaborato: Nome, Cognome, numero di matricola. Risolvere tutti gli esercizi. Tempo a disposizione: DUE ORE.
DettagliInterazione tra matematica e informatica
LABORATORIO DI PROGRAMMAZIONE Corso di laurea in matematica 1 - INTRODUZIONE AL CORSO Marco Lapegna Dipartimento di Matematica e Applicazioni Universita degli Studi di Napoli Federico II wpage.unina.it/lapegna
DettagliSchema lezione 5 Intervalli di confidenza
Schema lezione 5 Intervalli di confidenza Non centrerò quella barca, ne sono convinto al 95% COMPRENDERE: Significato di intervallo di confidenza Uso degli stimatori come quantità di pivot per stime intervallari
DettagliCorso di Fondamenti di Informatica Classi di istruzioni 2
Corso di Informatica Classi di istruzioni 2 Anno Accademico 2010/2011 Francesco Tortorella Strutture di controllo Caratteristica essenziale degli algoritmi è la possibilità di decidere le operazioni da
DettagliRegole associative Mario Guarracino Laboratorio di Sistemi Informativi Aziendali a.a. 2006/2007
Regole associative Mario Guarracino Laboratorio di Sistemi Informativi Aziendali a.a. 26/27 Introduzione Le regole associative si collocano tra i metodi di apprendimento non supervisionato e sono volte
DettagliProgettazione avanzata delle macchine e degli impianti
Progettazione avanzata delle macchine e degli impianti Dipartimento di Ingegneria Dipartimento Industriale di Ingegneria Industriale Università degli Studi Università di Parma degli Studi di Parma Agenda
DettagliParliamo di efficienza d antenna di Gioacchino Minafò IW9DQW
Efficienza di un antenna filare Per stabilire l effetto della lunghezza dell antenna sulla potenza irradiata senza ricorrere all analisi qualitativa, possiamo legare la resistenza di radiazione R i alla
DettagliExcel: guida alle operazioni di base per la risoluzione dell esercizio 13
Excel: guida alle operazioni di base per la risoluzione dell esercizio 13 1) Inserire i dati nel foglio excel 2) Per aggiungere le colonne utili alla risoluzione del problema cliccare sulla cella desiderata
DettagliI.4 Rappresentazione dell informazione
I.4 Rappresentazione dell informazione Università di Ferrara Dipartimento di Economia e Management Insegnamento di Informatica Ottobre 13, 2015 Argomenti Introduzione 1 Introduzione 2 3 L elaboratore Introduzione
DettagliTask 1 Completamento delle elaborazioni relative a MPS04
Istituto Nazionale di Geofisica e Vulcanologia Dipartimento della Protezione civile Convenzione INGV-DPC 2004 2006 / Progetto S1 Proseguimento della assistenza al DPC per il completamento e la gestione
DettagliEsercitazione 14 Aprile 2016 (Viki Nellas)
Esercitazione Aprile 06 (Viki Nellas) Esercizio Considerate un impresa che utilizzi una tecnologia descritta dalla seguente funzione, ; i prezzi dei fattori lavoro e capitale sono pari rispettivamente
DettagliLUOGO E DATA DI EMISSIONE: Faenza, 24/07/2007 NORMATIVA APPLICATA: UNI EN 1745 DATA RICEVIMENTO CAMPIONI: 09/07/2007
RAPPORTO DI PROVA DETERMINAZIONE DEI VALORI TERMICI DI PROGETTO DEL PRODOTTO MATTONE DOPPIO UNI COMUNE, 24x12x11, DELLA DITTA "SO.LA.VA. S.p.A." STABILIMENTO DI PIANDISCO (AR), E DI UNA PARETE IN MURATURA
DettagliRiconoscimento e recupero dell informazione per bioinformatica
Riconoscimento e recupero dell informazione per bioinformatica Teoria della decisione di Bayes Manuele Bicego Corso di Laurea in Bioinformatica Dipartimento di Informatica - Università di Verona Sommario
DettagliPROCEDURA MAPPATURA SINISTRI
Pagina 1 di 14 PROCEDURA MAPPATURA SINISTRI Revisione Prima emissione Data. Descrizione delle modifiche Redazione Verifica Approvazione PR 2- v 0 17-09-14 Pagina 2 di 14 1. Campo di applicazione La presente
DettagliProgramma di Matematica svolto nella 1 liceo Scientifico opzione Scienze Applicate
Programma di Matematica svolto nella 1 liceo Scientifico opzione Scienze Applicate Anno scolastico 2014/15 Numeri naturali e numeri interi relativi L'insieme dei numeri naturali I numeri naturali e il
Dettaglicodifica in virgola mobile (floating point)
codifica in virgola mobile (floating point) Del tutto simile a cosiddetta notazione scientifica o esponenziale Per rappresentare in modo compatto numeri molto piccoli o molto grandi e.g. massa dell elettrone
DettagliAnalisi della sensibilità visiva del paesaggio. Analisi della visibilità del paesaggio
Analisi della sensibilità visiva del paesaggio Applicazione di un metodo quantitativo a supporto delle decisioni in campo urbanistico Luigi La Riccia Ph.D Student in Pianificazione Territoriale e Sviluppo
DettagliLe trasformazioni geometriche nel piano cartesiano. x = ϕ(x', y') τ 1 : G(x', y') = 0. la sua inversa.
τ : P P' oppure P'=τ(P) P immagine di P trasformato di P secondo τ se α è una figura geometrica α =τ(α) è la figura geometrica trasformata x' = f (x, y) τ : y' = g(x, y) espressione analitica della trasformazione
DettagliClustering con Weka. L interfaccia. Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna. Algoritmo utilizzato per il clustering
Clustering con Weka Soluzioni degli esercizi Prof. Matteo Golfarelli Alma Mater Studiorum - Università di Bologna L interfaccia Algoritmo utilizzato per il clustering E possibile escludere un sottoinsieme
DettagliMarkov Chains and Markov Chain Monte Carlo (MCMC)
Markov Chains and Markov Chain Monte Carlo (MCMC) Alberto Garfagnini Università degli studi di Padova December 11, 2013 Catene di Markov Discrete dato un valore x t del sistema ad un istante di tempo fissato,
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
Dettagli5.12 Applicazioni ed esercizi
138 5.12 pplicazioni ed esercizi pplicazione 1 1. Trovare il numero dei nodi e dei rami nel circuito in figura. 1 2 3 H 4 C D E 8 G 7 F 6 5 punti 1 e 2 costituiscono un unico nodo; lo stesso per i punti
DettagliTrasformazione del paesaggio forestale nell'area del Parco di Paneveggio
Trasformazione del paesaggio forestale nell'area del Parco di Paneveggio Marco Ciolli, Clara Tattoni Department of Civil and Environmental Engineering University of Trento Italy XI meeting degli utenti
Dettagli