CAPÍTULO 2 OPERADORES DE CASAMENTO DE PADRÕES
|
|
- João Guilherme Silveira Bernardes
- 7 Há anos
- Visualizações:
Transcrição
1 CAPÍTULO 2 OPERADORES DE CASAMENTO DE PADRÕES 2.1 INTRODUÇÃO Neste capítulo são apresentados os principais operadores de casamento de padrões encontrados na literatura. No Apêndice A, encontram se mais alguns operadores de casamento de padrões que foram testados mas que não apresentaram bons resultados. A seguir são dadas algumas notações e definições matemáticas que são utilizadas nas definições destes operadores de casamento de padrões. Denotamos por Z o conjunto de números inteiros e por Z 2 o produto Cartesiano Z Z (conjunto dos pares ordenados de inteiros). Seja E um retângulo de Z 2 (isto é, o produto Cartesiano de dois intervalos de Z). Seja m um número inteiro, denotamos por K m o intervalo de Z definido por K m [0, m]. O conjunto dos mapeamentos de E em K m é denotado por K E m. Neste trabalho, estes mapeamentos representam as imagens em níveis de cinza com domínio E (conjunto das posições dos pixels) e escala de cinza K m (conjunto dos possíveis valores dos pixels). Sejam w 1 e w 2 dois números naturais ímpares. Denominamos por janela o retângulo W de Z 2, definido por: W [ ((w 1 1)2), (w 1 1)2)] [ ((w 2 1)2), (w 2 1)2)]. Por construção a janela W é centralizada na origem (0, 0) de Z 2. Seja n #W o número de elementos de W, então n w 1 w 2. Seja n [1,...,n] Z. A enumeração das posições de W pode ser definida como sendo uma bijeção entre n e W. Esta bijeção será denotada por b. 5
2 6 O processo de casamento de padrões envolve duas imagens f e g. A primeira é chamada de imagem de referência e a segunda de imagem de pesquisa. Por simplicidade assume se que estas duas imagens pertencem a K E m. No domínio E escolhe se um ponto x de interesse (por exemplo o cruzamento de duas estradas) e, em torno deste ponto, extrai se uma subimagem com domínio W x. Mais precisamente, esta subimagem é a restrição fw x. O operador de casamento de padrão é dado pela composição de um operador com um operador. Com base num padrão de referência fw x, o operador processa a imagem de pesquisa g e produz como resultado a imagem (g) com domínio F E W e escala de níveis de cinza K que poderá ser um intervalo de Z ou de R (conjunto dos números reais). Para cada posição y em F, (g)(y) é uma medida de similaridade entre o padrão de referência fw x e a subimagem gw y. O objetivo do operador de casamento de padrões é encontrar, na imagem de pesquisa g, a subimagem correspondente a um dado padrão fw x. O padrão fw x pode ser escolhido manualmente ou através de um procedimento automático. Neste trabalho não serão dados maiores detalhes sobre este procedimento de escolha do padrão. A localização da subimagem correspondente na imagem de pesquisa é dada pela posição do máximo valor na imagem de saída (g). A posição deste máximo é marcada pelo operador (Banon, 1997). Em algumas situações, pode existir mais de um pixel assumindo o valor máximo. O operador de K F em K 1 F, que localiza o valor máximo de uma imagem f, é definido por: (f)(y) 1, se f (z) f (y) (z F) 0, caso contrário. (2.1) para todo y F.
3 7 Dependendo do operador haverá a necessidade de considerar o valor mínimo no lugar do valor máximo. Neste caso, usa se o operador de K F em K 1 F, definido por: (f)(y) 1, se f (z) f (y) (z F) 0, caso contrário. (2.2) para todo y F. A Figura 2.1 mostra o operador de casamento de padrões. fw x g (g) h K m E K F K 1 F Fig. 2.1 Operador de casamento de padrões. A maioria dos operadores de casamento de padrões utilizam uma informação de brilho médio, que pode ser medida de três formas diferentes: pela média, pela mediana ou pelo próprio valor do pixel central, relativo a uma dada janela. por: Seja f K m E. A média de f, denotada por média(f), é o número real dado média(f) 1 #E x E f (x) (2.3) onde #E é o número de elementos de E. Sejam n #E e n [1,...,n] Z. A enumeração das posições de E pode ser definida como sendo uma bijeção entre n e E e denotada por b.
4 8 Sejam x i b(i) e yi f (xi ) para i n. A mediana de f, denotada por mediana(f), é o número real dado por: mediana(f) y [ n1 2 ] (2.4) onde, y [i] é o i ésimo elemento da sequência ordenada dos valores da sequência original (y i ). Seja E Z 2 um retângulo com um número ímpar de linhas e colunas. Seja x c E o centro de E (ponto central). O valor central de f, denotado por centro(f), é o número inteiro dado por: centro(f) f(x c ) (2.5) De forma a simplificar a apresentação dos operadores de casamento de padrões, nas próximas seções, introduz se as seguintes expressões: f i (x) f (x b(i)) e f i (x) f i (x) (fw x ), (2.6) g i (y) g(y b(i)) e g i (y) g i (y) (gw y ). (2.7) onde x E, y F, i n, b é uma bijeção de n em W e é uma medida que pode ser a média (Expressão 2.3), a mediana (Expressão 2.4) ou o valor central (Expressão 2.5). Observamos que f i poderia ser escrito também da seguinte forma: f i (x) (fw x )(x b(i)). 2.2 OPERADOR DE CASAMENTO DE PADRÕES BASEADO NO COEFICIENTE DE CORRELAÇÃO A minimização da norma l 2 conduz a construção de um operador de casamento de padrões baseado no coeficiente de correlação (Banon, 2000, p. 38).
5 9 O operador de casamento de padrões baseado no coeficiente de correlação é dado pela composição, onde é o operador que localiza o valor máximo de uma imagem, dado pela Expressão (2.1), e é o operador de K E m em R F, definido por: f i (x) g i (y) (g)(y) i n (2.8) ( f i 2 (x) g i 2 (y)) 12 i n i n para todo g K E m, x E e y F; sendo a média (Expressão 2.3) a medida usada para calcular f i (x) e g i (y) (Expressões (2.6) e (2.7)). Neste trabalho, este operador é também implementado usando como medida a mediana (Expressão 2.4) e o valor central (Expressão 2.5). 2.3 OPERADOR DE CASAMENTO DE PADRÕES DE BARNEA E SILVERMAN Com o intuito de propor um método computacionalmente mais eficiente do que a correlação, Barnea & Silverman (1972) introduziram um operador de casamento de padrões baseado na minimização da norma l 1. O operador de Barnea e Silverman é dado pela composição, onde é o operador que localiza o valor mínimo de uma imagem, dado pela Expressão (2.2), e é o operador de K E m em R F, definido por: (g)(y) f i (x) g i (y) (2.9) i n para todo g K E m, x E e y F; sendo a média (Expressão 2.3) a medida usada para calcular f i (x) e g i (y) (Expressões (2.6) e (2.7)). Neste trabalho, este operador é também implementado usando como medida a mediana (Expressão 2.4) e o valor central (Expressão 2.5).
6 10 Este operador também é implementado, neste trabalho, acrescentando uma normalização. Então, o operador é dado pela composição, onde é o operador que localiza o valor mínimo de uma imagem, dado pela Expressão (2.2), e é o operador de K E m em R F, definido por: (g)(y) i n i n f i (x) g i (y) (f i (x) g i (y)) (2.10) para todo g K m E e y F. 2.4 OPERADORES DE CASAMENTO DE PADRÕES DE MARAGOS Aplicando uma propriedade do valor absoluto da diferença entre dois números reais na minimização da norma l 1, Maragos (1988) introduziu o conceito de correlação morfológica, que consiste numa soma de mínimos. Baseado neste conceito apresentou dois operadores de casamento de padrões. O primeiro operador de Maragos (1988) é dado pela composição, onde é o operador que localiza o valor máximo de uma imagem, dado pela Expressão (2.1), e é o operador de K E m em R F, definido por: (g)(y) min {f i (x), g i (y)} (2.11) i n para todo g K E m, x E e y F; sendo a média (Expressão 2.3) a medida usada para calcular f i (x) e g i (y) (Expressões (2.6) e (2.7)). Neste trabalho, este operador é também implementado usando como medida a mediana (Expressão 2.4) e o valor central (Expressão 2.5).
7 11 Por motivo de robustez, o segundo operador apresentado por Maragos (1988) é dado pela composição, onde é o operador que localiza o valor máximo de uma imagem, dado pela Expressão (2.1), e é o operador de K m E em R F, definido por: (g)(y) i n i n min {f i (x), g i (y)} (f i (x) g i (y)) (2.12) para todo g K m E e y F. 2.5 OPERADORES DE CASAMENTO DE PADRÕES DE BRUNELLI E MESSELODI Com a preocupação de encontrar medidas de similaridade menos sensíveis ao ruído que aquelas baseadas na norma l 2, Brunelli e Messelodi (1995) introduziram duas medidas de similaridade baseadas na norma l 1. O primeiro operador de Brunelli e Messelodi é dado pela composição, onde é o operador que localiza o valor máximo de uma imagem, dado pela Expressão (2.1), e é o operador de K m E em R F, definido por: (g)(y) 1 i n i n f i (x) g i (y) ( f i (x) g i (y) ) (2.13) para todo g K E m, x E e y F; sendo f(x) e g(y) vetores normalizados para obter média zero e variância unitária. Neste trabalho, é contemplado somente a normalização para obter a média zero, isto é, a média (Expressão 2.3) é usada como medida para calcular f i (x) e g i (y) (Expressões (2.6) e (2.7)). Este operador é também implementado usando como medida a mediana (Expressão 2.4) e o valor central (Expressão 2.5).
8 12 O segundo operador de Brunelli e Messelodi é dado pela composição, onde é o operador que localiza o valor máximo de uma imagem, dado pela Expressão (2.1), e é o operador de K m E em R F, definido por: (g)(y) 1 n i n (1 f i (x) g i (y) f i (x) g i (y) ) (2.14) para todo g K E m, x E e y F; sendo f(x) e g(y) vetores normalizados para obter média zero e variância unitária. Neste trabalho, é contemplado somente a normalização para obter a média zero, isto é, a média (Expressão 2.3) é usada como medida para calcular f i (x) e g i (y) (Expressões (2.6) e (2.7)). Este operador é também implementado usando como medida a mediana (Expressão 2.4) e o valor central (Expressão 2.5). 2.6 OPERADOR DE CASAMENTO DE PADRÕES DE KHOSRAVI E SCHAFER Khosravi e Schafer (1996) introduziram um operador de casamento de padrões que não precisa de multiplicações. O operador de Khosravi e Schafer é dado pela composição, onde é o operador que localiza o valor máximo de uma imagem, dado pela Expressão (2.1), e é o operador de K m E em K F (onde K é o intervalo [ m, 0] de Z), definido por: (g)(y) min {g i (y) f i (x)} max {g i (y) f i (x)} (2.15) i n i n para todo g K m E e y F. 2.7 OPERADOR DE CASAMENTO DE PADRÕES DE BANON E FARIA Com intuito de construir um operador de casamento de padrão para as imagens de sensoriamento remoto, Banon e Faria introduziram um operador baseado nos operadores elementares da morfologia matemática (Faria, 1997; Banon & Faria, 1997).
9 13 Sejam f x,y e f x,y dois mapeamentos de n em K m, definidos por: f x,y(i) max {0, min (m,(f i (x) a x,y )} (i n) (2.16) f x,y(i) max {0, min (m,(f i (x) b x,y )} (i n). (2.17) onde as constantes a x,y e b x,y são dadas por: a x,y dx,y l2 (2.18) b x,y dx,y l2 (2.19) e d x,y é dado por: d x,y (gwx ) (fw y ) (2.20) e l é uma constante positiva. A medida pode ser um mapeamento constante (de forma que d x,y seja igual a zero), a média (Expressão 2.3), a mediana (Expressão 2.4) ou o valor central (Expressão 2.5). O parâmetro l define o comprimento do intervalo [a x,y, b x,y ] centrado em d x,y. O operador de Banon e Faria é dado pela composição, onde é o operador que localiza o valor máximo de uma imagem, dado pela Expressão (2.1), e é o operador de K E m em K F n, definido por: (g)(y) #{i n : g i (y) [f x,y(i), f x,y(i)]} (2.21) para todo g K m E e y F. 2.8 OPERADOR DE CASAMENTO DE PADRÕES DE FERNÀNDEZ Baseado na estatística de Kolmogorov Smirnov, Fernàndez (1997) introduziu um operador de casamento de padrões que utiliza a máxima diferença absoluta.
10 14 O operador de Fernàndez é dado pela composição, onde é o operador que localiza o valor mínimo de uma imagem, dado pela Expressão (2.2), e é o operador de K m E em R F, definido por: (g)(y) max f i (x) g i (y) (2.22) i n para todo g K m E e y F. Neste trabalho, é implementado também a seguinte versão normalizada do operador de Fernàndez: (g)(y) max f i (x) g i (y) (2.23) i n para todo g K m E, x E e y F; sendo a média (Expressão 2.3), a mediana (Expressão 2.4) ou o valor central (Expressão 2.5), a medida usada para calcular f i (x) e g i (y) (Expressões (2.6) e (2.7)).
RESTAURAÇÃO E RECONSTRUÇÃO DE IMAGENS. Nielsen Castelo Damasceno
RESTAURAÇÃO E RECONSTRUÇÃO DE IMAGENS Nielsen Castelo Damasceno Restauração de imagem Procura recuperar uma imagem corrompida com base em um conhecimento a priori do fenômeno de degradação. Restauração
Leia maisQuadro Segmentação de Imagens
UNIVERSIDADE DE SÃO PAULO - SÃO CARLOS INSTITUTO DE CIÊNCIAS Processamento de Imagens - SCC0251 2013/1 Prof. Dr. Mario Gazziro Monitor PAE: Vinicius Ruela Pereira Borges - viniciusrpb@icmc.usp.br 1 Método
Leia mais3 3. Variáveis Aleatórias
ÍNDICE 3. VARIÁVEIS ALEATÓRIAS...49 3.. VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS...49 3.2. VARIÁVEIS DISCRETAS FUNÇÃO DE PROBABILIDADE E FUNÇÃO DISTRIBUIÇÃO DE PROBABILIDADE...50 3.2.. Função de probabilidade...50
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Propriedades de Imagem Digital Prof. Sergio Ribeiro Tópicos Propriedades de uma Imagem Digital Vizinhança Conectividade Operações Lógicas e Aritméticas
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Propriedades de Imagem Digital Prof. Sergio Ribeiro Tópicos Propriedades de uma Imagem Digital Vizinhança e Aritméticas Efeitos de em Pixel a Pixel
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 2 Processamento Espacial (Parte 2)
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 2 Processamento Espacial (Parte 2) Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga mvieira@sc.usp.br
Leia maisPrograma Princípios Gerais Forças, vetores e operações vetoriais
Programa Princípios Gerais Forças, vetores e operações vetoriais Representação gráfica de vetores Graficamente, um vetor é representado por uma flecha: a intensidade é o comprimento da flecha; a direção
Leia maisAGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO
AGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO DEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS MATEMÁTICA 7.º ANO PLANIFICAÇÃO ANUAL Planificação 7º ano 2010/2011 Página 1 DOMÍNIO TEMÁTICO: NÚMEROS
Leia maisUMA VISÃO SOBRE O PROCESSAMENTO DE IMAGENS. Rogério Vargas DCET UESC Home page: rogerio.in
UMA VISÃO SOBRE O PROCESSAMENTO DE IMAGENS Rogério Vargas DCET UESC Home page: rogerio.in Exemplo de aplicações: automação e visão artificial reconhecimento de caracteres análise de cromossomos veículos
Leia maisCORRELAÇÃO E REGRESSÃO. Modelos Probabilísticos para a Computação Professora: Andréa Rocha. UNIVERSIDADE FEDERAL DA PARAÍBA Dezembro, 2011
CORRELAÇÃO E REGRESSÃO CORRELAÇÃO E REGRESSÃO Modelos Probabilísticos para a Computação Professora: Andréa Rocha UNIVERSIDADE FEDERAL DA PARAÍBA Dezembro, 2011 CORRELAÇÃO Introdução Quando consideramos
Leia maisSEL Visão Computacional. Aula 2 Processamento Espacial
Departamento de Engenharia Elétrica - EESC-USP SEL-5895 - Visão Computacional Aula 2 Processamento Espacial Prof. Dr. Adilson Gonzaga Prof. Dr. Evandro Linhari Rodrigues Prof. Dr. Marcelo Andrade da Costa
Leia mais3.6 Erro de truncamento da interp. polinomial.
3 Interpolação 31 Polinômios interpoladores 32 Polinômios de Lagrange 33 Polinômios de Newton 34 Polinômios de Gregory-Newton 35 Escolha dos pontos para interpolação 36 Erro de truncamento da interp polinomial
Leia maisGRAFOS Aula 02 Formalização: definições Max Pereira
Ciência da Computação GRAFOS Aula 02 : definições Max Pereira Um grafo G é um par ordenado G = (V, E) onde V é um conjunto finito e não vazio de elementos e E é um conjunto de subconjuntos de dois elementos
Leia maisInterpolação polinomial: Diferenças divididas de Newton
Interpolação polinomial: Diferenças divididas de Newton Marina Andretta ICMC-USP 16 de maio de 2012 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina Andretta (ICMC-USP) sme0500
Leia maisRestauração de imagens NOAA por Morfologia Matemática
Restauração de imagens NOAA por Morfologia Matemática GERALD JEAN FRANCIS BANON 1 ANA LÚCIA BEZERRA CANDEIAS 1 1 DPI/INPE Divisão de Processamento de Imagens / Instituto Nacional de Pesquisas Espacias
Leia maisAGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO
AGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO DEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS MATEMÁTICA 7.º ANO PLANIFICAÇÃO GLOBAL Múltiplos e divisores. Critérios de divisibilidade. - Escrever múltiplos
Leia maisFiltragem de Imagens no Domínio Espacial. 35M34 Sala 3D5 Bruno Motta de Carvalho DIMAp Sala 15 Ramal 227
Filtragem de Imagens no Domínio Espacial 35M34 Sala 3D5 Bruno Motta de Carvalho DIMAp Sala 15 Ramal 227 Image Enhancement 2 Image enhancement em Português significa algo como melhoria de imagens, mas o
Leia maisOperadores invariantes por translação
Capítulo 4 Operadores invariantes por translação As funções estruturantes do capítulo anterior podem ser vistas como uma maneira de definir uma noção de vizinhança para os pontos do conjunto E. Por exemplo,
Leia maisNotas sobre Sequências e Cardinalidade (1)
1 / 11 Notas sobre e Cardinalidade (1) Anjolina Grisi de Oliveira Centro de Informática Universidade Federal de Pernambuco CIn-UFPE 2 / 11 Uma sequência é uma estrutura discreta usada para representar
Leia maisFunções, Seqüências, Cardinalidade
Funções, Seqüências, Cardinalidade Prof.: Rossini Monteiro Noções Básicas Definição (Função) Sejam A e B conjuntos. Uma função de A em B é um mapeamento de exatamente um elemento de B para cada elemento
Leia maisProcessamento Digital de Imagens Aula 03
exatasfepi.com.br Processamento Digital de Imagens Aula 03 André Luís Duarte O que adquire entendimento ama a sua alma; o que cultiva a inteligência achará o bem. Provérbios 19:8 Processamento Digital
Leia maisEstatística Descritiva
C E N T R O D E M A T E M Á T I C A, C O M P U T A Ç Ã O E C O G N I Ç Ã O UFABC Estatística Descritiva Centro de Matemática, Computação e Cognição March 17, 2013 Slide 1/52 1 Definições Básicas Estatística
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 5 Segmentação de Imagens
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 5 Segmentação de Imagens Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga Segmentação de
Leia maisAula 3 Processamento Espacial
SEL 0449 - Processamento Digital de Imagens Médicas Aula 3 Processamento Espacial Prof. Dr. Marcelo Andrade da Costa Vieira mvieira@sc.usp.br EESC/USP Processamento Espacial Transformações ponto a ponto
Leia maisMORFOLOGIA MATEMÁTICA
MORFOLOGIA MATEMÁTICA Morfologia Na Biologia área que trata com a forma e a estrutura de plantas e animais Processamento de Imagens Ferramenta para extração de componentes de imagens que sejam úteis na
Leia maisINTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO
INTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO PROCESSAMENTO DE IMAGENS Introdução Conceitos básicos Pré-processamento Realce Classificação PROCESSAMENTO DE IMAGENS Extração de Informações
Leia maisRadiométricas. Alexandre Xavier Falcão. Instituto de Computação - UNICAMP
Operações Matemáticas e Transformações Radiométricas Instituto de Computação - UNICAMP afalcao@ic.unicamp.br Operações Matemáticas Sejam Î = (D I, I ) e Ĵ = (D J, J) duas imagens cinzas de mesmo domínio,
Leia maisANÁLISE ESTATÍSTICA DA RELAÇÃO ENTRE A ATITUDE E O DESEMPENHO DOS ALUNOS
ANÁLISE ESTATÍSTICA DA RELAÇÃO ENTRE A ATITUDE E O DESEMPENHO DOS ALUNOS Nível de significância No processo de tomada de decisão sobre uma das hipóteses levantadas num estudo, deve-se antes de tudo definir
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 6 de outubro de 2016 Segmentação de imagens A segmentação
Leia maisAv. Higienópolis, 769 Sobre Loja Centro Londrina PR. CEP: Fones: / site:
ESTATÍSTICA Ao realizar uma pesquisa é aconselhável realizar um estudo estatístico dos dados apresentados. Através desse estudo podemos tirar as conclusões necessárias sobre o universo pesquisado. A estatística
Leia mais2 SIFT (Scale Invariant Feature Transform)
SIFT (Scale Invariant Feature Transform) O SIFT é um algoritmo de visão computacional proposto e publicado pelo pesquisador David Lowe (Lowe, 1999), professor do departamento de Ciência da Computação na
Leia maisPMR2560 Visão Computacional Visão estéreo. Prof. Eduardo L. L. Cabral
PMR2560 Visão Computacional Visão estéreo Prof. Eduardo L. L. Cabral Objetivos Introdução Equações básicas Processo de correspondência Geometria epipolar Retificação de imagens Reconstrução 3D Visão estéreo
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Tópicos Detecção de Pontos Isolados Detecção de Linhas Prof. Sergio Ribeiro 2 Operações lógicas e aritméticas orientadas a vizinhança utilizam o conceito
Leia maisAula 7 Medidas de Distância. Profa. Elaine Faria UFU
Aula 7 Medidas de Distância Profa. Elaine Faria UFU - 2017 Agradecimentos Este material é baseado No livro Tan et al, 2006 Nos slides do prof Andre C. P. L. F. Carvalho Agradecimentos Ao professor André
Leia maisIntrodução à Estatística Estatística Descritiva 22
Introdução à Estatística Estatística Descritiva 22 As tabelas de frequências e os gráficos constituem processos de redução de dados, no entanto, é possível resumir de uma forma mais drástica esses dados
Leia maisMais Informações sobre Itens do Relatório
Mais Informações sobre Itens do Relatório Amostra Tabela contendo os valores amostrados a serem utilizados pelo método comparativo (estatística descritiva ou inferencial) Modelos Pesquisados Tabela contendo
Leia mais1 FUNÇÃO - DEFINIÇÃO. Chama-se função do 1. grau toda função definida de por f(x) = ax + b com a, b e a 0.
MATEMÁTICA ENSINO MÉDIO FUNÇÃO - DEFINIÇÃO FUNÇÃO - DEFINIÇÃO Chama-se função do 1. grau toda função definida de por f(x) = ax + b com a, b e a 0. EXEMPLOS: f(x) = 5x 3, onde a = 5 e b = 3 (função afim)
Leia maisNotas de Aula Disciplina Matemática Tópico 03 Licenciatura em Matemática Osasco -2010
1. Funções : Definição Considere dois sub-conjuntos A e B do conjunto dos números reais. Uma função f: A B é uma regra que define uma relação entre os elementos de A e B, de tal forma que a cada elemento
Leia mais2 Processo de Agrupamentos
20 2 Processo de Agrupamentos A análise de agrupamentos pode ser definida como o processo de determinação de k grupos em um conjunto de dados. Para entender o que isso significa, observe-se a Figura. Y
Leia maisStela Adami Vayego DEST/UFPR
Resumo 5 - Análise Bivariada (Bidimensional) 5.1. Introdução O principal objetivo das análises nessa situação é explorar relações (similaridades) entre duas variáveis. A distribuição conjunta das freqüências
Leia maisMATRIZES - PARTE Definição e Manipulação de Matrizes AULA 21
AULA 21 MATRIZES - PARTE 1 21.1 Definição e Manipulação de Matrizes Sabemos como definir variáveis de um novo tipo de dados, denominado vetor, que representam seqüências de valores de um mesmo tipo. Por
Leia maisAulas 10 e 11 / 18 e 20 de abril
1 Conjuntos Aulas 10 e 11 / 18 e 20 de abril Um conjunto é uma coleção de objetos. Estes objetos são chamados de elementos do conjunto. A única restrição é que em geral um mesmo elemento não pode contar
Leia maisA Integração da Morte
A Integração da Morte Thiago de Paiva Campos No cálculo, Leibniz criou a integral mais especificamente para determinar a área sob uma curva no plano cartesiano. Mas o cálculo também pode ser utilizado
Leia maisProcessamento de Imagem. Convolução Filtragem no Domínio da Frequência (Fourier) Professora Sheila Cáceres
Processamento de Imagem Convolução Filtragem no Domínio da Frequência (Fourier) Professora Sheila Cáceres Lembrando Filtragem Correlação A correlação e a convolução sãos dois conceitos relacionados a filtragem.
Leia maisEng a. Morgana Pizzolato, Dr a. Aula 02 Revisão de Estatística DPS1037 SISTEMAS DA QUALIDADE II ENGENHARIA DE PRODUÇÃO CT/UFSM
Eng a. Morgana Pizzolato, Dr a. Aula 02 Revisão de Estatística DPS1037 SISTEMAS DA QUALIDADE II ENGENHARIA DE PRODUÇÃO CT/UFSM TÓPICOS DESTA AULA Revisão de Estatística Coleta de dados Análise de dados
Leia maisPROCESSAMENTO DE IMAGENS
PROCESSAMENTO DE IMAGENS Introdução Conceitos básicos Pré-processamento Realce Classificação PROCESSAMENTO DE IMAGENS- aula de 25/5/10 Introdução Conceitos básicos Pré-processamento Realce Classificação
Leia maisProcessamento de Imagem. Relaçionamentos entre pixels e Operações Aritméticas e Lógicas Professora Sheila Cáceres
Processamento de Imagem Relaçionamentos entre pixels e Operações Aritméticas e Lógicas Professora Sheila Cáceres Relacionamentos básicos entre elementos de uma imagem Vizinhança Conectividade Adjacência
Leia maisProcessamento de Imagens Filtragem Digital
Filtragem Digital Consiste na aplicação de técnicas de transformação (operadores máscaras) com o objetivo de corrigir, suavizar ou realçar determinadas características de uma imagem dentro de uma aplicação
Leia maisPor que testes não-paramétricos?
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Métodos Estatísticos Avançados em Epidemiologia Aula 3 Testes Não-Paramétricos: Wilcoxon Mann-Whitney Kruskal-Wallis
Leia maisMedidas de Semelhança
Medidas de Semelhança Índices de Semelhança Grandezas numéricas que quantificam o grau de associação entre um par de objetos ou de descritores. Como escolher um Índice? O objetivo da análise é associar
Leia maisREGRESSÃO E CORRELAÇÃO
REGRESSÃO E CORRELAÇÃO A interpretação moderna da regressão A análise de regressão diz respeito ao estudo da dependência de uma variável, a variável dependente, em relação a uma ou mais variáveis explanatórias,
Leia maisFundamentos da Computação Gráfica
Fundamentos da Computação Gráfica Trabalho 2 Visão. Detecção de cantos. Manuel Alejandro Nodarse Moreno (1322198) Introdução. Detecção de cantos é uma abordagem utilizada em sistemas de visão computacional
Leia maisProcessamento de Imagens
Processamento de Imagens Morfologia Matemática Binária Prof. Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://web.inf.ufpr.br/luizoliveira Luiz S. Oliveira (UFPR)
Leia maisProcessamento de Imagens
Processamento de Imagens Introdução Mylène Christine Queiroz de Farias Departamento de Engenharia Elétrica Universidade de Brasília (UnB) Brasília, DF 70910-900 mylene@unb.br 22 de Março de 2016 Aula 03:
Leia maisCap. 6 Medidas descritivas
Estatística Aplicada às Ciências Sociais Sexta Edição Pedro Alberto Barbetta Florianópolis: Editora da UFSC, 2006 Cap. 6 Medidas descritivas Análise descritiva e exploratória de variáveis quantitativas
Leia maisx 2 + (x 2 5) 2, x 0, (1) 5 + y + y 2, y 5. (2) e é positiva em ( 2 3 , + ), logo x = 3
Página 1 de 4 Instituto de Matemática - IM/UFRJ Cálculo Diferencial e Integral I - MAC 118 Gabarito segunda prova - Escola Politécnica / Escola de Química - 13/06/2017 Questão 1: (2 pontos) Determinar
Leia mais1 - Noções de álgebra matricial
1 - Noções de álgebra matricial Apêndice A Revisão de alguns conceitos estatísticos Apêndice B Rudimentos de álgebra matricial Representação vetorial de um problema ecológico E1 E2 S1 X 11 X 12 S2 X 21
Leia maisPlanificação anual 2018/19
Planificação anual Propõe-se a seguinte distribuição dos conteúdos pelos diferentes períodos: 1. Período 2. Período 3. Período Números racionais Expressões algébricas. Potenciação. Raízes quadradas e cúbicas
Leia mais12/06/14. Estatística Descritiva. Estatística Descritiva. Medidas de tendência central. Medidas de dispersão. Separatrizes. Resumindo numericamente
Resumindo numericamente Para resumir numericamente dados quantitativos o objetivo é escolher medidas apropriadas de locação (``qual o tamanho dos números envolvidos?'') e de dispersão (``quanta variação
Leia maisAgrupamento de Escolas de Águeda Escola Básica Fernando Caldeira
Agrupamento de Escolas de Águeda Escola Básica Fernando Caldeira Currículo da disciplina de Matemática - 7ºano Unidade 1 Números inteiros Propriedades da adição de números racionais Multiplicação de números
Leia maisEstrutura de Dados e Algoritmos e Programação e Computadores II. Aula 11: Introdução aos Grafos
Estrutura de Dados e Algoritmos e Programação e Computadores II Aula 11: Introdução aos Grafos Indução Finita Indução Finita é uma técnica para provar teoremas também usada no projecto de algoritmos. Suponha
Leia maisFiltragem. pixel. perfil de linha. Coluna de pixels. Imagem. Linha. Primeiro pixel na linha
Filtragem As técnicas de filtragem são transformações da imagem "pixel" a "pixel", que dependem do nível de cinza de um determinado "pixel" e do valor dos níveis de cinza dos "pixels" vizinhos, na imagem
Leia maisIntrodução ao Cálculo Numérico Lista de Exercícios 1. (x x k )ω (x k ) = 1.
Introdução ao Cálculo Numérico 2005 Lista de Exercícios 1 Problema 1. Seja Q π n. Provar que L n (Q; x) Q(x), quaisquer que sejam os nos distintos x 0, x 1,..., x n. Problema 2. Se n N e x 0, x 1,...,
Leia maisTransformada de Discreta de Co senos DCT
Transformada de Discreta de Co senos DCT O primeiro passo, na maioria dos sistemas de compressão de imagens e vídeo, é identificar a presença de redundância espacial (semelhança entre um pixel e os pixels
Leia maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Filtragem de Imagens A utilização de filtros tem como objetivo melhorar a qualidade das imagens através da: ampliação
Leia maisMATRIZ DE REFERÊNCIA - SPAECE MATEMÁTICA 5 o ANO DO ENSINO FUNDAMENTAL TEMAS E SEUS DESCRITORES
MATEMÁTICA 5 o ANO DO ENSINO FUNDAMENTAL I INTERAGINDO COM OS NÚMEROS E FUNÇÕES D1 Reconhecer e utilizar características do sistema de numeração decimal. Utilizar procedimentos de cálculo para obtenção
Leia maisIntrodução à Bioestatística Turma Nutrição Aula 3 Análise Descritiva: Medidas de Tendência Central Medidas de Variabilidade
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Introdução à Bioestatística Turma Nutrição Aula 3 Análise Descritiva: Medidas de Tendência Central Medidas
Leia maisBases Matemáticas. Relembrando: representação geométrica para os reais 2. Aula 8 Números Reais: módulo ou valor absoluto, raízes, intervalos
1 Bases Matemáticas Aula 8 Números Reais: módulo ou valor absoluto, raízes, intervalos Rodrigo Hausen 10 de outubro de 2012 v. 2012-10-15 1/34 Relembrando: representação geométrica para os reais 2 Uma
Leia maisDISTRIBUIÇÃO NORMAL DISTRIBUIÇÕES DE PROBABILIDADE CONJUNTAS ROTEIRO DISTRIBUIÇÃO NORMAL
ROTEIRO DISTRIBUIÇÕES DE PROBABILIDADE CONJUNTAS 1. Distribuições conjuntas 2. Independência 3. Confiabilidade 4. Combinações lineares de variáveis aleatórias 5. Referências DISTRIBUIÇÃO NORMAL Definição:
Leia maisINTRODUÇÃO À TEORIA DOS CONJUNTOS1
INTRODUÇÃO À TEORIA DOS CONJUNTOS1 TÓPICO Gil da Costa Marques 1.1 Elementos da Teoria dos Conjuntos 1.2 Introdução 1.3 Conceitos Básicos 1.4 Subconjuntos e Intervalos 1.5 Conjuntos Numéricos 1.5.1 O Conjunto
Leia maisCONSTRUÇÕES DE CURVAS CONTÍNUAS EM UM SISTEMA DE COORDENADAS DISCRETAS*
CONSTRUÇÕES DE CURVAS CONTÍNUAS EM UM SISTEMA DE COORDENADAS DISCRETAS* NILTON CEZAR FERREIRA Resumo: neste trabalho é apresentada uma definição para sistemas de coordenadas discretas no plano e curvas
Leia maisTeorema de Green Curvas Simples Fechadas e Integral de
Cálculo III Departamento de Matemática - ICEx - UFMG Marcelo Terra Cunha Teorema de Green Agora chegamos a mais um teorema da família do Teorema Fundamental do Cálculo, mas dessa vez envolvendo integral
Leia maisMorgana Pizzolato, Dr a. Aula 02 Revisão de Estatística DPS1037 SISTEMAS DA QUALIDADE II ENGENHARIA DE PRODUÇÃO CT/UFSM
Morgana Pizzolato, Dr a. Aula 02 Revisão de Estatística DPS1037 SISTEMAS DA QUALIDADE II ENGENHARIA DE PRODUÇÃO CT/UFSM Cronograma parcial DPS1037 Data Aula Conteúdo 10/ago 1 Introdução à Engenharia da
Leia maisUniversidade Federal do Ceará Pós-Graduação em Modelagem e Métodos Quantitativos Mestrado Acadêmico na Área Interdisciplinar
Universidade Federal do Ceará Pós-Graduação em Modelagem e Métodos Quantitativos Mestrado Acadêmico na Área Interdisciplinar Prova Escrita Pós-Graduação em Modelagem e Métodos Quantitativos Nome: Inscrição
Leia mais1. Conjuntos Fuzzy - Fundamentos. Sistemas Nebulosos
Sistemas Nebulosos Heloisa de Arruda Camargo. Conjuntos Fuzzy - Fundamentos. Conceitos básicos de conjuntos fuzzy.2 Operações em conjuntos fuzzy.3 Relações fuzzy.4 Aritmética fuzzy.5 Variáveis linguísticas
Leia maisPLANO CURRICULAR DISCIPLINAR. MATEMÁTICA 7º Ano
PLANO CURRICULAR DISCIPLINAR MATEMÁTICA 7º Ano OBJETIVOS ESPECÍFICOS TÓPICOS SUBTÓPICOS METAS DE APRENDIZAGEM 1º Período - Multiplicar e dividir números inteiros. - Calcular o valor de potências em que
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 3 de março de 2016 Transformação e filtragem de imagens
Leia maisMatemática. Quartis. Professor Dudan.
Matemática Quartis Professor Dudan www.acasadoconcurseiro.com.br Matemática QUARTIS Definição Os quartis são medidas de localização que dividem a amostra (ou coleção) de dados de tipo já ordenada, em
Leia maisConsideremos um sistema linear de n equações lineares e n incógnitas, do tipo:
58 3. Resolução de Sistemas Lineares MÉTODOS DIRETOS: são métodos que determinam a solução de um sistema linear com um número finito de operações. Entre os métodos diretos (Eliminação de Gauss, Eliminação
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 3 Medidas Numéricas Descritivas Leitura: Levine et al. Capítulo 3 Cap 3-1 Objetivos Nesta parte, aprenderemos: a descrever as propriedades de tendência central, variação
Leia maisInterpolação polinomial: Diferenças divididas de Newton
Interpolação polinomial: Diferenças divididas de Newton Marina Andretta ICMC-USP 9 de maio de 2013 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina Andretta (ICMC-USP) sme0500
Leia maisSCC0173 Mineração de Dados Biológicos
SCC073 Mineração de Dados Biológicos Análise Exploratória de Dados Parte A: Revisão de Estatística Descritiva Elementar Prof. Ricardo J. G. B. Campello SCC / ICMC / USP Tópicos Análise Exploratória de
Leia maisMétodo de Newton para polinômios
Método de Newton para polinômios Alan Costa de Souza 26 de Agosto de 2017 Alan Costa de Souza Método de Newton para polinômios 26 de Agosto de 2017 1 / 31 Seja f(x) uma função polinomial de grau n. A princípio.
Leia maisEstatísticas Descritivas. Estatística
Estatística Estatísticas descritivas: usadas para mostrar/descrever algumas informações da amostra, ou seja, servem para fazer um resumo ou descrição dos dados. Não consideram a origem dos dados. Exemplos:
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Conceitos básicos Classificação não-supervisionada:
Leia maisSeminário de Análise Multivariada
Seminário de Análise Multivariada Capítulo 1 - Introdução Conteúdo 1 Introdução 1 11 Aplicações de Técnicas Multivariadas 2 12 Organização de Dados 3 121 Arranjos 3 122 Exemplo 11 - Seleção de recibos
Leia maisOPERADOR MORFOLÓGICO ADAPTATIVO DE CASAMENTO DE PADRÕES PROPOSTA E APLICAÇÃO NA ANÁLISE DE IMAGENS DE SATÉLITE
Natal RN, 25 a 28 de outubro de 2015 OPERADOR MORFOLÓGICO ADAPTATIVO DE CASAMENTO DE PADRÕES PROPOSTA E APLICAÇÃO NA ANÁLISE DE IMAGENS DE SATÉLITE MAGNO P. DE ALMEIDA FILHO 1, FRANCISCO DE A. T. F. DA
Leia maisÁLGEBRA LINEAR A FICHA 2
Instituto Superior Técnico Departamento de Matemática Secção de Álgebra e Análise Última actualização: 7/Out/3 ÁLGEBRA LINEAR A FICHA SOLUÇÕES SUMÁRIAS DOS EXERCÍCIOS ÍMPARES Matrizes: Inversão e Formas
Leia maisProdutos de potências racionais. números primos.
MATEMÁTICA UNIVERSITÁRIA n o 4 Dezembro/2006 pp. 23 3 Produtos de potências racionais de números primos Mário B. Matos e Mário C. Matos INTRODUÇÃO Um dos conceitos mais simples é o de número natural e
Leia maisElementos de Estatística
Elementos de Estatística Lupércio F. Bessegato & Marcel T. Vieira UFJF Departamento de Estatística 2013 Medidas Resumo Medidas Resumo Medidas que sintetizam informações contidas nas variáveis em um único
Leia maisALUNO(A): Prof.: André Luiz Acesse: 02/05/2012
1. FUNÇÃO 1.1. DEFINIÇÃO Uma função é um conjunto de pares ordenados de números (x,y) no qual duas duplas ordenadas distintas não podem ter o mesmo primeiro número, ou seja, garante que y seja único para
Leia maisFiltros espaciais. Processamento e Recuperação de Imagens Médicas. Prof. Luiz Otavio Murta Jr. Depto. De Computação e Matemática (FFCLRP/USP)
Processamento e Recuperação de Imagens Médicas Prof. Luiz Otavio Murta Jr. Depto. De Computação e Matemática (FFCLRP/USP) 1 Propriedades Operadores de suavização os elementos da máscara são positivos e
Leia maisMapas e Estatística. Professores Ligia Vizeu Barrozo Reinaldo Paul Pérez Machado
Mapas e Estatística Professores Ligia Vizeu Barrozo Reinaldo Paul Pérez Machado Abordagens Características básicas Ciência Provisório Explicativo Lógico Empírico Filosofia Provisório Explicativo Lógico
Leia maisPlanificação Anual. Matemática Dinâmica 7º ano Luísa Faria; Luís Guerreiro Porto Editora. 1 Números inteiros. 10 Sequências e Regularidades
3º Período 2º Período 1º Período AGRUPAMENTO DE ESCOLAS DE CASTRO DAIRE Escola EBI de Mões Grupo de Recrutamento 500 MATEMÁTICA Ano lectivo 2012/2013 Planificação Anual Disciplina: Matemática Ano: 7º Carga
Leia maisMAC5770 Exercícios preliminares
MAC5770 Exercícios preliminares IME USP, 1/3/2011 Estes exercícios tratam de rudimentos da teoria dos conjuntos e de algumas outras trivialidades. Se você pretende cursar MAC5770 (Introdução à Teoria dos
Leia maisIntrodução à probabilidade e estatística I
Introdução à probabilidade e estatística I Medidas resumo para tabelas de frequências Prof. Alexandre G Patriota Sala: 298A Email: patriota@ime.usp.br Site: www.ime.usp.br/ patriota Medidas resumo para
Leia maisAnálise e Projeto de Algoritmos
Análise e Projeto de Algoritmos Profa. Sheila Morais de Almeida DAINF-UTFPR-PG junho - 2018 Sheila Almeida (DAINF-UTFPR-PG) Análise e Projeto de Algoritmos junho - 2018 1 / 40 Este material é preparado
Leia mais1 O esquema de Alamouti: Diversidade na transmissão
1 O esquema de Alamouti: Diversidade na transmissão 1.1 O Caso de uma antena receptora A Figura?? mostra a representação em banda básica do esquema de Alamouti com diversidade na transmissão. O esquema
Leia maisPROCESSAMENTO DIGITAL DE IMAGENS (SERP11) TRANSFORMAÇÕES LINEARES: COMPONENTES PRINCIPAIS, TASSELED CAP, IHS. Daniel C. Zanotta
PROCESSAMENTO DIGITAL DE IMAGENS (SERP11) TRANSFORMAÇÕES LINEARES: COMPONENTES PRINCIPAIS, TASSELED CAP, IHS Daniel C. Zanotta ANÁLISE POR PRINCIPAIS COMPONENTES Conceitos básicos Espalhamento bi-dimensional:
Leia maisRestauração de Imagens
Restauração de Imagens Disciplina: Tópicos em Computação (Processamento Digital de Imagens) 1 / 30 Conceitos Preliminares O principal objetivo das técnicas de restauração é melhorar uma imagem em algum
Leia mais