Bildanalys. Segmentering. Föreläsning 7. Split and Merge. Region Growing
|
|
- Rasmus Karlsson
- för 7 år sedan
- Visningar:
Transkript
1 Föreläsning 7 1 Föreläsning 7 2 Bildanalys Rikard Berthilsson Kalle Åström Matematikcentrum Lund 27 september 2005 Segmentering Mål: Dela upp bilden i segment, d.v.s. områden som hör till samma objekt eller har samma egenskaper. Föreläsning 7 Segmentering Region growing Split and Merge Morfologi Erosion, dilatation Öppning, slutning Avståndstransform (Euklidisk, manhattan, chess-boart, Chamfer-3-4) Skelett Tröskling Maskin-inlärning Föreläsning 7 3 Föreläsning 7 4 Region Growing Sätt upp ett kriterium för vad som kan anses vara en region. Börja med en pixel (ett frö). Lägg till pixlar till mängde så länge som kriteriet är uppfyllt. Split and Merge Mål: Dela upp bilden R i n regioner R 1,R 2,...,R n. Använd ett kriterium på vad som är en region: P R i = R R i sammanhängande R i R j = /0, i j (R i disjunkta) P(R i )=TRUE, i = 1,...,n P(R i R j )=FALSE, i j. Exempel 7.1. (Pixelaggregering) P(R i )=TRUE om skillnaden i intensitet är 3 grånivåer. Starta med några punkter och lägg till efter hand.
2 Föreläsning 7 5 Föreläsning 7 6 Split and Merge (forts.) Idé: Slå ihop områden som är lika och dela upp områden som är olika. P bestämmer vad som är lika och olika. Algoritm 7.1. (Split and Merge) Givet en bild R och en egenskap P. 1. Starta med uppdelningen R = {R 1 } 2. Om P(R i ) =FALSE: Dela upp R i i fyra mindre regioner (SPLIT) 3. Om P(R i R j )=TRUE för två intilliggande regioner R i och R j : Slå ihop R i och R j till en region (MERGE) 4. Fortsätt med steg 2 och 3 tills det inte går att göra något mer Morfologi Operationer på binära bilder. A = {(x,y) Z 2 f(x,y) = 1} betraktas som en delmängd av bilden. Definition 7.1. Låt A och B Z 2. Translationen av A med x = (x 1,x 2 ) Z 2 definieras (A) x = {c c = a+x, a A}. Reflektionen av A definieras  = {c c = a, a A}. Komplementet till A definieras A c = {c c / A}. Differensen av A och B definieras A B = {c c A, c / B} = A B c. Föreläsning 7 7 Föreläsning 7 8 Erosion och dilatation Låt B Z 2 vara en strukturmängd. (Ofta väljs B= cirkel med cntrum i origo.) Definition 7.2. Dilatationen av A med B definieras Kan också skrivas A B = {x ( ˆB) x A /0}. A B = {x (( ˆB) x A) A}. Dilatationen av A med B kan sägas utvidga A med B. Definition 7.3. Erosionen av A med B definieras A B = {x ( ˆB) x A}. Erosionen av A med B kan sägas minska (erodera) A med B. Öppning och slutning Definition 7.4. Öppningen av A med B definieras A B = (A B) B. Öppning = först erosion, sedan dilatation. Ger jämnare kontur. Tar bort trånga passager. Eliminerar tunna delar. Definition 7.5. Slutningen av A med B definieras A B = (A B) B. Slutning = först dilatation, sedan erosion. Ger också jämnare kontur. Fyller ihop smala delar. Fyller i hål.
3 Föreläsning 7 9 Föreläsning 7 10 Gråskalemorfologi antag att f : R R och b : D b R är funktioner av en variabel Definiera dilatationen som Jämför med faltning ( f b)(s) = max x D b ( f(s x)+b(x)) Erosion definieras som Z ( f b)(s) = ( f(s x)b(x))dx x ( f b)(s) = min x D b ( f(s+x) b(x)) Fysikaliskt är detta precis vad som händer vid svepelektronmikroskåp. Man drar en prob med formen b över ett prov med ytstrukturen f. Resultatet av mätningen blir f b. Gråskalemorfologi Precis som innan definierar vi öppning och slutning som f b = ( f b) b. f b = ( f b) b. Morfologi har visat sig extremt användbart för segmentering Exempel ur boken. Exempel på segmentering. Exempel på top hat transform h = f (f b) Top hat transformen gör detaljerna tydligare. Bilden ( f b) är i någon mening är utjämnad, (bakgrund). Genom att dra bort den får vi fram detaljerna. Föreläsning 7 11 Föreläsning 7 12 Avståndstransform Utgå från en binär bild A Z 2 och en metrik d(x,y) som beskriver avståndet mellan x och y och uppfyller d(x,y) 0 med likhet då och endast då x = y. d(x,y) = d(y,x). d(x,z) d(x,y)+d(y,z) (triangelolikheten) Försök att för varje pixel beräkna det kortaste avståndet till A. Olika metriker ger olika avstånd d E (x,y) = x 2 + y 2 d 4 (x,y) = x + y (Euklidiskt avstånd) (Manhattan) d ch = Chamfer 3-4 ges av masken Kan beräknas Forward propagation eller Backward propagation Man låter en mask propagera bilden radvis från övre vänstra hörnet och en annan mask radvis från nedre högra hörnet. Detta upprapas tills bilden inte ändrar sig. d 8 (x,y) = max( x, y ) (Chess-board) d oct = kompromiss mellan d 4 och d 8 (Oktagonal)
4 Föreläsning 7 13 Föreläsning 7 14 Skelett Skelettet till en binär bild, A, definieras För varje punkt, x, i A leta upp den närmaste randpunkten. Om det finns mer en en närmast grannpunkt så tillhör x skelettet till A. Skelettet beror på vilket avstånd (metrik) som valts. Givet skelettet och det aktuella avståndet till randen för varje punkt på skelettet, så kan den binära bilden A återskapas. Beräkningsmetoder: Tröskling Bilda binär bild g från f 1, f(x,y) > T g(x,y) = 0, f(x,y) T T kallas tröskel. Global tröskling Lokal tröskling Optimal tröskling (Lineär diskriminantanalys) Tröskling av kant-bild Med hjälp av avståndskarta (till omgivningen) Med morfologiska operationer (tunning). Föreläsning 7 15 Föreläsning 7 16 Maskin-inlärning Lära en algoritm att hitta intressanta områden (urklipp) i bilder. Två klasser - A (ointressanta urklipp) och B (intressanta urklipp). Tränar algoritmen på många exempel från klasserna A och B. Skapa exempel från klasserna Gråskalebild (x,y) φ(x,y) R. Svep över bilden och klipp ut småbilder Välj features Välj mängd av funktioner Ω (x,y) ψ j (x,y), Tex Haar wavelet bas på Ω. j = 1,...m. Som features kan vi ta RR Ω f k (φ) = φ(x,y)ψ k(x,y)dxdy RRΩ φ(x,y)dxdy, k = 1,...m. Oberoende av intensitet i den urklippta bilden φ. Detta ger värdena f k (a j ) och f k (b j ), j = 1,...n, k = 1,...m. φ j,k (x,y) = φ(σ j (x a k ),σ j (y b k )), (x,y) Ω på olika skalor σ j :s och translationer (a k,b k ). Generera flera sådana urklipp för två klasser A och klass B. Kalla bilderna i klass A för a j, j = 1,...,n och bilderna i klass B för b j, j = 1,...,n.
5 Föreläsning 7 17 Föreläsning 7 18 Välj nu p fetures f j1,..., f jp. p trösklar σ 1,...,σ p. p+1 vikter c 0,...c p så att funktionen F(φ) = sign(c 0 + p k=1 c j sign( f jk (φ) σ j )). uppfyller F(a j ) = 1 och F(b j ) = 1 för de flesta exempel ur klass A och B. Formulera som optimeringsproblem och lös! Intressanta områden. Intressanta områden. Föreläsning 7 19 Repetition Föreläsning 7 Region growing Split and Merge Morfologi Erosion, dilatation Öppning, slutning Avståndstransform (Euklidisk, manhattan, chess-boart, Chamfer-3-4) Skelett Tröskling Maskin-inlärning
Signaler, information & bilder, föreläsning 15
Signaler, information & bilder, föreläsning 5 Michael Felsberg Computer Vision Laboratory Department of Electrical Engineering michael.felsberg@liu.se Översikt Histogram och tröskelsättning Histogramutjämning
Läs merHistogramberäkning på en liten bild
Signal- och Bildbehandling FÖRELÄSNING Histogram och tröskelsättning Binär bildbehandling Morfologiska operationer Dilation (Expansion) och Erosion () och kombinationer Avståndskartor Mäta avstånd i bilder
Läs merSignaler, information & bilder, föreläsning 15
Översikt Signaler, inormation & bilder, öreläsning 5 Michael Felsberg och Maria Magnusson Computer Vision Laborator (Datorseende) Department o Electrical Engineering (ISY) michael.elsberg@liu.se, maria.magnusson@liu.se
Läs mer8 Binär bildbehandling
8 Binär bildbehandling 8.. Man kan visa att en kontinuerlig liksidig triangel har formfaktorn P2A = P 2 4πA =.65, där P är omkretsen och A är arean. π Nedanstående diskreta triangel är en approximation
Läs merAnsiktsigenkänning med MATLAB
Ansiktsigenkänning med MATLAB Avancerad bildbehandling Christoffer Dahl, Johannes Dahlgren, Semone Kallin Clarke, Michaela Ulvhammar 12/2/2012 Sammanfattning Uppgiften som gavs var att skapa ett system
Läs merTNM030 Tentasammanfattning (frågor) Nathalie Ek, Sammanfattning. TNM030 - Bildbehandling och bildanalys
Sammanfattning TNM030 - Bildbehandling och bildanalys Nathalie Ek (natek725), MT -07 2011, LIU Campus Norrköping 1 I det mänskliga ögats näthinna finns två typer av ljussensorer. a) Vad kallas de två typerna?
Läs merEtt enkelt OCR-system
P r o j e k t i B i l d a n a l y s Ett enkelt OCR-system av Anders Fredriksson F98 Fredrik Rosqvist F98 Handledare: Magnus Oskarsson Lunds Tekniska Högskola 2001-11-29 - Sida 1 - 1.Inledning Många människor
Läs merSignal- och bildbehandling TSBB03, TSBB14
Tentamen i Signal- och bildbehandling TSBB03, TSBB4 Tid: 00-0- Lokaler: G33 Ansvarig lärare: Maria Magnusson besöker lokalen kl. 4.50 och 6.50 tel 073-804 38 67 Hjälpmedel: Räknedosa, medskickad formelsamling,
Läs merProjekt i bildanalys Trafikövervakning
Projekt i danalys Trafikövervakning F 99 F 00 Handledare : Håkan Ardö Hösten 3 vid Lunds Tekniska Högskola Abstract Using traffic surveillance cameras the authorities can get information about the traffic
Läs merObjektorienterad programmering Föreläsning 8. Copyright Mahmud Al Hakim Agenda (halvdag)
Objektorienterad programmering Föreläsning 8 Copyright Mahmud Al Hakim mahmud@webacademy.se www.webacademy.se Agenda (halvdag) Objektorienterad programutveckling Algoritmer Algoritmkonstruktionerna Relationer
Läs merSignal- och bildbehandling TSEA70
Tentamen i Signal- och bildbehandling TSEA70 Tid: 00-05-8 kl. -8 Lokaler: G, G Ansvarig lärare: Maria Magnusson Seger besöker lokalen kl. 5 och 7. tel Hjälpmedel: Räknedosa, OH-film, medskickad formelsamling
Läs merFacit till Signal- och bildbehandling TSBB
Facit till Signal- och bildbehandling TSBB3 6-5-3 Maria Magnusson Seger, maria@isy.liu.se Kontinuerlig faltning (9p) a) Faltningsoperationen illustreras i figuren nedan. et gäller att x(t λ) e 4(t λ) u(t
Läs mer6 OPERATIONER PÅ BINÄRA BILDER
6 OPERATIONER PÅ BINÄRA BILDER (Detta avsnitt har producerats i samarbete med Ingemar Ragnemalm) 6.1 Morfologiska operationer I en typisk tillämpning av bildanalys utmynnar operationer och manipulationer
Läs merTentamen Bildanalys (TDBC30) 5p
Tentamen Bildanalys (TDBC30) 5p Skrivtid: 9-15 Hjälpmedel: kursboken Digital Image Processing Svara på alla frågor på nytt blad. Märk alla blad med namn och frågenummer. Disponera tiden mellan frågorna
Läs merOptimering, exempel. Funktionens enda stationära punkt är alltså origo. Den ligger också i det inre av mängden.
Optimering, exempel Exempel 1 (optimering över kompakt mängd) Bestäm största och minsta värdet till funktionen f(x,y) = x 4 + y 4 + 4x 2 + 16 i cirkelskivan {x 2 + y 2 4}. Lösning: Cirkelskivan är kompakt
Läs merRepetitionsfrågor i Flervariabelanalys, Ht 2009
Repetitionsfrågor i Flervariabelanalys, Ht 2009 Serier 1. Visa att för en positiv serie är summan oberoende av summationsordningen. 2. Visa att för en absolutkonvergent serie är summan oberoende av summationsordningen.
Läs merLinjär Algebra, Föreläsning 9
Linjär Algebra, Föreläsning 9 Tomas Sjödin Linköpings Universitet Euklidiska rum Vi ska nu införa en extra struktur på vektorrum, en så kallad skalärprodukt, vilken vi kan använda för att definiera längd
Läs mer5 GRÅSKALEOPERATIONER
5 GRÅSKALEOPERATIONER 5.1 Histogramoperationer Histogrammet av en bild f(x,y) är frekvensfunktionen, sannolikhetsfunktionen p(f) som utsäger med vilken frekvens (= hur ofta) en viss intensitetsnivå f förekommer.
Läs merTANA81: Föreläsning 10
TANA81: Föreläsning 10 - Matematisk eller Teknisk Forskning. - Exempel på Kandidat eller Magister projekt. - Vad skall dokumenteras? Typeset by FoilTEX 1 Matematisk Grundforskning Definition Avståndet
Läs mer.I Minkowskis gitterpunktssats
1.I Minkowskis gitterpunktssats Minkowskis sats klarar av en mängd problem inom den algebraiska talteorin och teorin för diofantiska ekvationer. en kan ses som en kontinuerlig, eller geometrisk, variant,
Läs merAtt skapa en bakgrundsbild och använda den i HIPP
Att skapa en bakgrundsbild och använda den i HIPP Bakgrundsbilder i HIPP kan användas till olika saker, t ex som ett rutnät för en tabell eller en grundkarta. Här visas hur man gör en grundkarta som en
Läs merSF1626 Flervariabelanalys
1 / 21 SF1626 Flervariabelanalys Föreläsning 1 Henrik Shahgholian Vid Institutionen för matematik, KTH VT 2018, Period 3 2 / 21 SF1626 Flervariabelanalys Välkomna till kursen! Föreläsare: Henrik Shahgholian,
Läs merTNM030 -Sammanfattning Nathalie Ek, 2011. Sammanfattning. TNM030 - Bildbehandling och bildanalys
Sammanfattning TNM030 - Bildbehandling och bildanalys Nathalie Ek (natek725), MT -07 2011, LIU Campus Norrköping Bildbehandling och bildanalys - Bildbehandling Kan kort sammanfattas som signalbehandling
Läs mer7 SIGNALER I TRE DIMENSIONER
7 SIGNALER I TRE DIMENSIONER 7.1 Tredimensionell signalbehandling Endimensionell signalteori och signalbehandling är möjlig att utvidga inte bara till tvådimensionella signaler och funktioner utan i princip
Läs merFöreläsning 9: NP-fullständighet
Föreläsning 9: NP-fullständighet Olika typer av problem: 1. Beslutsproblem: A(x) =Ja. 2. Optimeringsproblem: A(x) =m Vanligen max/min. 3. Konstruktionsproblem: A(x) =En struktur. Vanligen lösningen till
Läs merHistogramberäkning på en liten bild. Signal- och Bildbehandling FÖRELÄSNING 9 Histogram och. Olika histogram
Signl- och Bildehndling FÖRELÄSNING 9 Histogrm och Konnektivitet tröskelsättning Logisk omgivningsopertorer i Binär ildehndling Konnektivitetsevrnde Morfologisk opertioner krympning Diltion (Expnsion)
Läs merTANA17 Matematiska beräkningar med MATLAB för M, DPU. Fredrik Berntsson, Linköpings Universitet. 9 november 2015 Sida 1 / 28
TANA17 Matematiska beräkningar med MATLAB för M, DPU Fredrik Berntsson, Linköpings Universitet 9 november 2015 Sida 1 / 28 Föreläsning 3 Linjära ekvationssystem. Invers. Rotationsmatriser. Tillämpning:
Läs merSF1901: SANNOLIKHETSTEORI OCH FLERDIMENSIONELLA STOKASTISKA STATISTIK VARIABLER. Tatjana Pavlenko. 8 september 2017
SF1901: SANNOLIKHETSTEORI OCH STATISTIK FÖRELÄSNING 5 FLERDIMENSIONELLA STOKASTISKA VARIABLER Tatjana Pavlenko 8 september 2017 PLAN FÖR DAGENS FÖRELÄSNING Repetition av de viktiga begreppen diskret/kontinuerlig
Läs merBildanalys för vägbeläggningstillämplingar
Bildanalys för vägbeläggningstillämplingar Hanna Källén I denna avhandling har några forskningsfrågor gällande bestämning av vägars beständighetundersökts. Bildanalys har används för att försöka komplettera
Läs merPatrick Hjelm Andersson
Binär matchning av bilder med hjälp av vektorer från den Euklidiska Avståndstransformen Examensarbete utfört i Bildkodning vid Linköpings Teknisk Högskola av Patrick Hjelm Andersson Reg nr: LiTH-ISY-EX-3585-2004
Läs merSignal- och bildbehandling TSEA70
Tentamen i Signal- och bildbehandling TSEA70 Tid: 000-03-8 kl. 4-8 Lokaler: Garnisonen Ansvariga lärare: Olle Seger, Maria M Seger besöker lokalerna kl 500 och 700 tel 070/33 79 48 Hjälpmedel: Räknedosa,
Läs merKap Globala extremvärden, extremproblem med bivillkor.
Kap 13.2 13.3. Globala extremvärden, extremproblem med bivillkor. A 1001. Sök det största och minsta värdet av funktionen f(x,y) = x 2 + 2y 2 x på cirkeln x 2 + y 2 = 1. A 1002. Vilka värden kan funktionen
Läs merTNA004 Analys II Tentamen Lösningsskisser
TNA004 Analys II Tentamen 20-06-0 Lösningsskisser. a) De båda kurvorna skär varandra i x 0 och x. På intervallet 0 x är x x. Området D är då det skuggade i figuren nedan, där även en tunn rektangel är
Läs mer1 Föreläsning I, Mängdlära och elementär sannolikhetsteori,
1 Föreläsning I, Mängdlära och elementär sannolikhetsteori, LMA201, LMA521 1.1 Mängd (Kapitel 1) En (oordnad) mängd A är en uppsättning av element. En sådan mängd kan innehålla ändligt eller oändlligt
Läs merSignal- och bildbehandling TSEA70
Tentamen i Signal- och bildbehandling TSEA70 Tid: 2003-0-0 kl. 4-8 Lokaler: Examinator: U Maria Magnusson Seger Ansvarig lärare: Olle Seger besöker lokalen kl. 5 och 7. tel 259, 0702/337948 Hjälpmedel:
Läs mer1 Duala problem vid linjär optimering
Krister Svanberg, april 2012 1 Duala problem vid linjär optimering Detta kapitel handlar om två centrala teoretiska resultat för LP, nämligen dualitetssatsen och komplementaritetssatsen. Först måste vi
Läs merSignal- och bildbehandling TSBB03
Tentamen i Signal- och bildbehandling TSBB3 Tid: 28-5-29 kl. 8-2 Lokal: TER2 Ansvarig lärare: Maria Magnusson besöker lokalen kl. 9. och.4 tel 73-84 38 67 Hjälpmedel: Räknedosa, medskickad formelsamling,
Läs merDD1350 Logik för dataloger. Fö 7 Predikatlogikens semantik
DD1350 Logik för dataloger Fö 7 Predikatlogikens semantik 1 Kryssprodukt av mängder Om A och B är två mängder så är deras kryssprodukt A B mängden av alla par (a,b), där a A och b B. Ex: A={1,2}, B={3,4},
Läs merÖvningar. c) Om någon vektor i R n kan skrivas som linjär kombination av v 1,..., v m på precis ett sätt så. m = n.
Övningar Linjära rum 1 Låt v 1,, v m vara vektorer i R n Ge bevis eller motexempel till följande påståenden Satser ur boken får användas a) Om varje vektor i R n kan skrivas som linjär kombination av v
Läs merSignal- och bildbehandling TSEA70
Tentamen i Signal- och bildbehandling TSEA70 Tid: 2003-08-22 kl. 4-8 Lokaler: G36 Ansvarig lärare: Maria Magnusson Seger besöker lokalen kl. 6.00. tel 0702/33 79 48 Hjälpmedel: Räknedosa, OH-film, medskickad
Läs merÖvningar. Nanovetenskapliga tankeverktyg.
Övningar. Nanovetenskapliga tankeverktyg. January 18, 2010 Vecka 2 Komplexa fourierserier 1. Gör en skiss av funktionen f(t) = t, t [ π, π] (med period 2π) och beräkna dess fourierserie. 2. Gör en skiss
Läs merLaboration 4: Digitala bilder
Objektorienterad programmering, Z : Digitala bilder Syfte I denna laboration skall vi återigen behandla transformering av data, denna gång avseende digitala bilder. Syftet med laborationen är att få förståelse
Läs merAlgoritmer, datastrukturer och komplexitet
Algoritmer, datastrukturer och komplexitet Övning 10 Anton Grensjö grensjo@csc.kth.se 9 november 2017 1 Idag En konstruktionsreduktion Fler bevis av NP-fullständighet 2 Teori Repetition Ett problem tillhör
Läs merLösningsförslag till tentamen Torsdag augusti 16, 2018 DEL A
Institutionen för matematik SF1626 Flervariabelanalys Torsdag augusti 16, 2018 DEL A 1. Givet funktionen f(x, y) = ln(x 2 y 2 ). a) Bestäm definitionsmängden D för f. Rita även en bild av D. (2 p) b) Bestäm
Läs merÖvning 1 Sannolikhetsteorins grunder
Övning 1 Sannolikhetsteorins grunder Två händelser A och B är disjunkta om {A B} =, det vill säga att snittet inte innehåller några element. Om vi har en mängd händelser A 1, A 2, A 3,..., A n, vilka är
Läs merTentamensskrivning i Diskret Matematik för CINTE och CMETE, SF1610, onsdagen den 20 augusti 2014, kl
1 Matematiska Institutionen KTH Tentamensskrivning i Diskret Matematik för CINTE och CMETE, SF1610, onsdagen den 20 augusti 2014, kl 14.00-19.00. Examinator: Olof Heden Hjälpmedel: Inga hjälpmedel är tillåtna
Läs merFöreläsning 12+13: Approximationsalgoritmer
Föreläsning 12+13: Approximationsalgoritmer Många av de NP-fullständiga problemen är från början optimeringsproblem: TSP, Graph Coloring, Vertex Cover etc. Man tror att P NP och att det alltså inte går
Läs merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik Chalmers University of Technology April 27, 2015 Tvådimensionella fördelningar Definition En två dimensionell slumpvariabel (X, Y ) tillordnar två numeriska
Läs merklassificering moln molnskugga skog öppen mark
klassificering moln molnskugga skog öppen mark exempel på klassificering 2 1 3 6 7 8 11 9 10 3 2 4 5 1 4 6 5 7 11 8 10 9 5 10 1 8 2 6 7 4 11 3 9 exempel på klassificering 50 öre 50 öre 1 kr (ny) (gammal)
Läs merTentamen, Programmeringsteknik för BME, F och N
LUNDS TEKNISKA HÖGSKOLA 1(6) Institutionen för datavetenskap Tentamen, Programmeringsteknik för BME, F och N 2015 06 03, 14.00 19.00 Anvisningar: Preliminärt ger uppgifterna 7 + 11 + 16 + 11 = 45 poäng.
Läs merProv i matematik Civilingenjörsprogrammen EL, IT, K, X, ES, F, Q, W, Enstaka kurs LINJÄR ALGEBRA
UPPSALA UNIVERSITET Matematiska institutionen Volodymyr Mazorchuk Ryszard Rubinsztein Prov i matematik Civilingenjörsprogrammen EL, IT, K, X, ES, F, Q, W, Enstaka kurs LINJÄR ALGEBRA 007 08 16 Skrivtid:
Läs merMetriska rum, R och p-adiska tal
Metriska rum, R och p-adiska tal Tony Johansson 1MA239: Specialkurs i Matematik II Uppsala Universitet VT 2018 När vi säger avståndet mellan punkt X och punkt Y där X och Y är punkter i planet (säg) är
Läs merTANA17 Matematiska beräkningar med Matlab
TANA17 Matematiska beräkningar med Matlab Laboration 1. Linjär Algebra och Avbildningar Namn: Personnummer: Epost: Namn: Personnummer: Epost: Godkänd den: Sign: Retur: 1 Introduktion I denna övning skall
Läs merAnalys på en torus. MatematikCentrum LTH
Analys på en torus Anders Källén MatematikCentrum LTH anderskallen@gmail.com Sammanfattning I den här artikeln ska vi diskutera differentialgeometri på en torus, både inbäddad som en badring i rummet och
Läs merGrundläggande bildteori. EXTG01 Medicinska bildgivande system Michael Ljungberg
Grundläggande bildteori EXTG01 Medicinska bildgivande system Michael Ljungberg Olika modaliteter inom sjukhusfysik Michael.Ljungberg@med.lu.se 2 Exempel på digitala bilder Michael.Ljungberg@med.lu.se 3
Läs mer729G43 Artificiell intelligens (2016) Maskininlärning 3. Marco Kuhlmann Institutionen för datavetenskap
729G43 Artificiell intelligens (2016) Maskininlärning 3 Marco Kuhlmann Institutionen för datavetenskap Modell med vektornotation parametervektor särdragsvektor Perceptron kombinerar linjär regression med
Läs merLektion 2. Funktioner av två eller flera variabler variabler
Lektion 2 Funktioner av två eller flera variabler variabler Innehål 1. Grundlägande topologi (10.1) 2. Funktioner av två variabler (12.1) Innehål 1. Grundlägande topologi (10.1) 2. Funktioner av två variabler
Läs merBildförbättring i spatial domänen (kap. 3) Bildförbättring (enhancement) Spatial domän. Operatorer. Tröskling (threshold) Gråskale-transformationer
Bildförbättring i spatial domänen (kap. 3) Punktoperationer Gråskaletransformationer Logiska & aritmetiska operationer Filtrering Faltning Lågpassfilter Högpassfilter Bildförbättring (enhancement) Förbättra
Läs merKarta över Jorden - viktigt exempel. Sfär i (x, y, z) koordinater Funktionen som beskriver detta ser ut till att vara
Föreläsning 1 Jag hettar Thomas Kragh och detta är kursen: Flervariabelanalys 1MA016/1MA183. E-post: thomas.kragh@math.uu.se Kursplan finns i studentportalens hemsida för denna kurs. Där är två spår: Spår
Läs merFMSF55: Matematisk statistik för C och M OH-bilder på föreläsning 5, a 2 e x2 /a 2, x > 0 där a antas vara 0.6.
Lunds tekniska högskola Matematikcentrum Matematisk statistik FMSF55: Matematisk statistik för C och M OH-bilder på föreläsning 5, 28-4-6 EXEMPEL (max och min): Ett instrument består av tre komponenter.
Läs merKapitel 0. Introduktion
Kapitel 0 Introduktion Jag tänkte börja med en kort introduktion där jag kommer förklara hur dessa läsanvisningar är upplagda, samt ge några tips hur man läser matematik. Låt mig börja att berätta om dessa
Läs merMatematisk statistik 9hp Föreläsning 5: Summor och väntevärden
Matematisk statistik 9hp Föreläsning 5: Summor och väntevärden Anna Lindgren 20+21 september 2016 Anna Lindgren anna@maths.lth.se FMS012/MASB03 F5: väntevärden 1/18 2D stokastisk variabel Tvådim. stokastisk
Läs merFöreläsning 5, FMSF45 Summor och väntevärden
Föreläsning 5, FMSF45 Summor och väntevärden Stas Volkov 2017-09-19 Stanislav Volkov s.volkov@maths.lth.se FMSFF45 F5: väntevärden 1/18 2D stokastisk variabel Tvådimensionella stokastisk variabel (X, Y)
Läs merFULLSTäNDIGHETSAXIOMET, SATSEN OM MELLANLIGGANDE VäRDE OCH SATSEN OM STöRSTA OCH MINSTA VäRDE
FULLSTäNDIGHETSAXIOMET, SATSEN OM MELLANLIGGANDE VäRDE OCH SATSEN OM STöRSTA OCH MINSTA VäRDE JAN-FREDRIK OLSEN I detta dokumentet ämnar vi bevisa följande två satser: Sats 1 (Satsen om mellanliggande
Läs merProjektarbete i Bildanalys vid Institutionen för Matematik Lunds Tekniska Högskola. Segmentering. Av: Karin Kolmert och Julia Stojanov
Projektarbete i Bildanalys vid Institutionen för Matematik Lunds Tekniska Högskola Segmentering Av: Karin Kolmert och Julia Stojanov Handledare: Björn Johansson 29 November, 2001 1 Inledning I detta projekt
Läs merMedicinsk Informatik VT 2004
Informatik VT 2004 bildbehandling Bildbehandling Mål Extraktion av relevant information ur medicinska bilder för diagnostisk tolkning, terapiplanering, dokumentation och patientinformation Digital bildbehandling
Läs merBildregistrering Geometrisk anpassning av bilder
Bildregistrering Geometrisk anpassning av bilder Björn Svensson, Johanna Pettersson, Hans Knutsson Inst. för Medicinsk Teknik, Linköpings Univeristet Maj, 2007 1 Problembeskrivning Sök förflyttningsfält
Läs merFöreläsning 6. Slumptal Testa slumptal Slumptal för olika fördelningar Grafer Datastrukturen graf
Föreläsning 6 Slumptal Testa slumptal Slumptal för olika fördelningar Grafer Datastrukturen graf Repetition En dator kan inte generera slumptal då den är helt deterministisk, däremot kan den generera pseudo-slumptal
Läs merTentamen i Linjär algebra (TATA31/TEN1) ,
Linköpings universitet Matematiska institutionen Ulf Janfalk Kurskod: TATA Provkod: TEN Tentamen i Linjär algebra TATA/TEN) 8, 9. Inga hjälpmedel. Ej räknedosa. För godkänt räcker 9 poäng och minst uppgifter
Läs merSignal- och bildbehandling TSBB03
Tentamen i Signal- och bildbehandling TSBB03 Tid: 2006-05-3 kl. 8-2 Lokal: TER2 Ansvarig lärare: Maria Magnusson besöker lokalen kl. 9.40. tel 073-804 38 67 Hjälpmedel: Räknedosa, medskickad formelsamling,
Läs merFlerdimensionell analys i bildbehandling
Flerdimensionell analys i bildbehandling Erik Melin 27 november 2006 1. Förord Målet med den här lilla uppsatsen är att ge några exempel på hur idéer från kursen flerdimensionell analys kan användas i
Läs merTransformer i sannolikhetsteori
Transformer i sannolikhetsteori Joakim Lübeck 28-11-13 För dig som läst eller läser sannolikhetsteori (fram till och med normalfördelningen) och läst eller läser system och transformer (till och med fouriertransform)
Läs merFöreläsning 5, Matematisk statistik Π + E
Repetition Summor max/min Väntevärde Varians Föreläsning 5, Matematisk statistik Π + E Sören Vang Andersen 25 november 2014 Sören Vang Andersen - sva@maths.lth.se FMS012 F5 1/16 Repetition Summor max/min
Läs merFöreläsning 2: Simplexmetoden. 1. Repetition av geometriska simplexmetoden. 2. Linjärprogrammeringsproblem på standardform.
Föreläsning 2: Simplexmetoden. Repetition av geometriska simplexmetoden. 2. Linjärprogrammeringsproblem på standardform. 3. Simplexalgoritmen. 4. Hur bestämmer man tillåtna startbaslösningar? Föreläsning
Läs merAlgoritmer, datastrukturer och komplexitet
Algoritmer, datastrukturer och komplexitet Övningsmästarprovsövning 2 Anton Grensjö grensjo@csc.kth.se 20 november 2017 1 Dagordning 1. Genomgång av uppgiftens lösning 2. Genomgång av bedömningskriterier
Läs merTAMS79: Föreläsning 4 Flerdimensionella stokastiska variabler
TAMS79: Föreläsning 4 Flerdimensionella stokastiska variabler Johan Thim (johan.thim@liu.se) 1 november 18 Vi fokuserar på två-dimensionella variabler. Det är steget från en dimension till två som är det
Läs merVågrörelselära och optik
Vågrörelselära och optik Kapitel 36-1 Vågrörelselära och optik Kurslitteratur: University Physics by Young & Friedman (14th edition) Harmonisk oscillator: Kapitel 14.1 14.4 Mekaniska vågor: Kapitel 15.1
Läs merFöreläsning 3: Dekomposition. Dekomposition
Föreläsning 3: Dekomposition Dekomposition Dekomposition är en generell metod för att lösa problem Metoden bygger på att man delar upp ett problem i delproblem av samma typ som ursprungsproblemet Uppdelningen
Läs merAbstract Vi betraktar ringen R = Z 2 [x 1,...,x n ]/(x 2 1 x 1,...,x 2 n x n ). Vi visar att det finns en naturlig 1-1-motsvarighet mellan elementen
ËÂ ÄÎËÌ Æ Á Ê Ì Æ Á Å Ì Å ÌÁÃ Å Ì Å ÌÁËÃ ÁÆËÌÁÌÍÌÁÇÆ Æ ËÌÇ ÃÀÇÄÅË ÍÆÁÎ ÊËÁÌ Ì Ú Ø ÓÒ Ý Ø Ñ Z 2 [x 1,...,x n ] Ú ÌÓ Ò Ö Ò ¾¼½ ¹ ÆÓ ½ Å Ì Å ÌÁËÃ ÁÆËÌÁÌÍÌÁÇÆ Æ ËÌÇ ÃÀÇÄÅË ÍÆÁÎ ÊËÁÌ Ì ½¼ ½ ËÌÇ ÃÀÇÄÅ Ú Ø ÓÒ
Läs merStatistikens grunder HT, dagtid Statistiska institutionen
Statistikens grunder 1 2013 HT, dagtid Statistiska institutionen Orsak och verkan N Kap 2 forts. Annat ord: kausalitet Något av det viktigaste för varje vetenskap. Varför? Orsakssamband ger oss möjlighet
Läs merMedicinsk Informatik IT VT2002
Bildbehandling Medicinsk Informatik IT VT2002 Medicinsk bildbehandling Mål Extraktion av relevant information ur medicinska bilder för diagnostisk tolkning, terapiplanering, dokumentation och patientinformation
Läs merLäsanvisningar till Analys B, HT 15 Del 1
Läsanvisningar till Analys B, HT 15 Del 1 Dag 1 Avsnitt 6.1 Definition av trappfunktion och integral av en trappfunktion. Räkneregler (de är mer eller mindre uppenbara). Definition av Riemannintegralen
Läs merSF1901: Sannolikhetslära och statistik
SF1901: Sannolikhetslära och statistik Föreläsning 4. Funktioner av s.v:er, Flera stokastiska variabler. Marginell sannolikhetsfunktion och -täthetsfunktion. Oberoende sv:er, Maximum och minimum av oberoende
Läs merBanach-Tarskis paradox
Banach-Tarskis paradox Tony Johansson 1MA239: Specialkurs i Matematik II Uppsala Universitet VT 2018 Banach-Tarskis paradox, bevisad 1924 och döpt efter Stefan Banach och Alfred Tarski, är en sats inom
Läs merBildtillämpningar av flervariabelanalys
Bildtillämpningar av flervariabelanalys Supplement till Persson Böiers, Analys i flera variabler Matematik, LTH, 3 oktober 2003 Rikard Berthilsson Gunnar Sparr 2 Innehåll 3 4 INNEHÅLL Kapitel 0 Förord
Läs merFunktionella beroenden - teori
Relationell databasdesign, FB Teori 7-12 Funktionella beroenden - teori Vid utformning av databassystem är det av största vikt att man kan resonera systematiskt om funktionella beroenden bl.a. för att
Läs merSF1901: Sannolikhetslära och statistik. Flera stokastiska variabler.
SF1901: Sannolikhetslära och statistik Föreläsning 5. Flera stokastiska variabler. Jan Grandell & Timo Koski 31.01.2012 Jan Grandell & Timo Koski () Matematisk statistik 31.01.2012 1 / 30 Flerdimensionella
Läs merMatematisk statistik 9 hp Föreläsning 3: Transformation och simulering
Matematisk statistik 9 hp Föreläsning 3: Transformation och simulering Anna Lindgren 8+9 september 216 Anna Lindgren - anna@maths.lth.se FMS12/MASB3: transform 1/11 Stokastisk variabel Kvantil Stokastisk
Läs merTentamen TEN1 HI
Tentamen TEN1 HI1029 2014-03-14 Skrivtid: 8.15-13.00 Hjälpmedel: Referensblad (utdelas), papper (tomma), penna Logga in med tentamenskontot ni får av skrivvakten. Det kommer att ta tid att logga in ha
Läs merTentamen i Linjär algebra (TATA31/TEN1) ,
Linköpings universitet Matematiska institutionen Ulf Janfalk Kurskod: TATA Provkod: TEN Tentamen i Linjär algebra (TATA/TEN) 7 8 9, 9. Inga hjälpmedel. Ej räknedosa. För godkänt räcker 9 poäng och minst
Läs merFöreläsning 8 i kursen Ma III, #IX1305, HT 07. (Fjärde föreläsningen av Bo Åhlander)
Föreläsning 8 i kursen Ma III, #IX1305, HT 07. (Fjärde föreläsningen av Bo Åhlander) Böiers 5.3 Relationer. Vi har definierat en funktion f: A B som en regel som kopplar ihop ett element a A, med ett element
Läs meravbildning En avbildning är i matematiskt språk i regel detsamma som en funktion.
Ordlista 1 1 Analysens grunder avbildning En avbildning är i matematiskt språk i regel detsamma som en funktion. Bolzano-Weierstrassegenskapen En delmängd M i ett metriskt rum har Bolzano- Weierstrass-egenskapen
Läs merFöreläsning 7: Punktskattningar
Föreläsning 7: Punktskattningar Matematisk statistik David Bolin Chalmers University of Technology April 7, 2014 Projektuppgift Projektet går ut på att genomföra ett statistiskt försök och analysera resultaten.
Läs merDigitala bilder. Matris, pixel, pixeldjup, signal, brus, kontrast
Digitala bilder Matris, pixel, pixeldjup, signal, brus, kontrast Den nukleärmedicinska bilden Historik Analoga bilder. Film exponerades för ljusblixtar som producerades när strålning detekterades. oändligt
Läs merLinjär Algebra, Föreläsning 2
Linjär Algebra, Föreläsning 2 Tomas Sjödin Linköpings Universitet Geometriska vektorer, rummen R n och M n 1 En (geometrisk) vektor är ett objekt som har storlek och riktning, men inte någon naturlig startpunkt.
Läs mer= ( 1) ( 1) = 4 0.
MATA15 Algebra 1: delprov 2, 6 hp Fredagen den 17:e maj 2013 Skrivtid: 800 1300 Matematikcentrum Matematik NF Lösningsförslag 1 Visa att vektorerna u 1 = (1, 0, 1), u 2 = (0, 2, 1) och u 3 = (2, 2, 1)
Läs merFaktorisering med hjälp av kvantberäkningar. Lars Engebretsen
Faktorisering med hjälp av kvantberäkningar Lars Engebretsen 003-11-18 Bakgrund Vanliga datorer styrs av klassiska fysikens lagar. Vanliga datorer kan simuleras av turingmaskiner i polynomisk tid. Kanske
Läs merLösning till fråga 5 kappa-06
Lösning till fråga 5 kappa-06 Figurer till uppgift a) ligger samlade efter uppgiften. Inledning Betrakta först N punkter som tillhör den slutna enhetskvadraten inlagd i ett koordinatsystem enligt figur
Läs merTentamen MVE301 Sannolikhet, statistik och risk
Tentamen MVE301 Sannolikhet, statistik och risk 2018-10-12 kl. 8:30-13:30 Examinator: Johan Jonasson, Matematiska vetenskaper, Chalmers Telefonvakt: Olof Elias, telefon: 031-7725325 Hjälpmedel: Valfri
Läs merSF1624 Algebra och geometri Lösningsförsag till modelltentamen
SF1624 Algebra och geometri Lösningsförsag till modelltentamen DEL A (1) a) Definiera begreppen rektangulär form och polär form för komplexa tal och ange sambandet mellan dem. (2) b) Ange rötterna till
Läs mer