Determinação de Malhas de Falhas em Dados Sísmicos por Aprendizado Competitivo. Marcos Machado. Orientador: Prof. Marcelo Gattass
|
|
- Victor Conceição Gama
- 6 Há anos
- Visualizações:
Transcrição
1 Determinação de Malhas de Falhas em Dados Sísmicos por Aprendizado Competitivo Marcos Machado Orientador: Prof. Marcelo Gattass Tese de Doutorado Dep. Informática / PUC-Rio 14/03/2008
2 Sumário 1. Introdução 1. Dados sísmicos 2. Objetivo 3. Métodos da literatura 2. Proposta: método baseado em Aprendizado Competitivo 3. Conclusões e trabalhos futuros
3 Aquisição sísmica
4 Dados sísmicos a Amplitude 0,6 0,5 0,4 0,3 0,2 0,1 0-0,1-0,2-0,3-0,4 1 Tempo b x c t d F( t, x, y )
5 Interpretação sísmica Reservatório (Johann, 2003)
6 Interpretação sísmica (Akintokunbo and Marfurt, 2007
7 Interpretação sísmica (Akintokunbo and Marfurt, 2007
8 Falhas Falha normal (a). Falha reversa (b).
9 Falhas Falha gerando bom selante (a). Falha como mal selante (condutor) (b).
10 Atributos de falha
11 Atributos de falha
12 Atributos de Falha Cubo de Coerência Cubo de Variância Semblance Atributo de realce de borda (Randen et al., 2001) Coerência estimada pelo TEG (Bakker, 2002) Atributo de Falha pelo TEG (Bakker, 2002) Atributo de Caos (Randen et al., 2005)...
13 Problema Objetivo: extrair as superfícies associadas com as principais estruturas de falha.
14 Problema Objetivo: extrair as superfícies associadas com as principais estruturas de falha. Falhas vistas como tendências e não como superfícies contínuas bem definidas. => Métodos não-locais
15 Problema Objetivo: extrair as superfícies associadas com as principais estruturas de falha. Falhas vistas como tendências e não como superfícies contínuas bem definidas. => Métodos não-locais Falhas podem gerar mesma assinatura de outros tipos de eventos. => Geometria
16 Métodos de extração de falhas na literatura Processamento de imagens Supressão de não-máximos (SNM) (Canny, 1986) Afinamento de imagens binarizadas (Forsyth et al., 2002)
17 Métodos de extração de falhas na literatura Baseado em malhas Hale & Emanuel (2003) (Hale & Emanuel, 2003)
18 Métodos de extração de superfícies de falha Baseado em malhas Hale & Emanuel (2003) Pré-processamento SNM!
19 Proposta 1. Gerar grafo de falha: Growing Neural Gas (GNG).
20 Proposta 1. Gerar grafo de falha: Growing Neural Gas (GNG). 2. Segmentar grafo.
21 Proposta 1. Gerar grafo de falha: Growing Neural Gas (GNG). 2. Segmentar grafo. 3. Gerar malha triangulada p/ cada superfície: Malhas Neurais Abertas (MNA).
22 Proposta 1. Gerar grafo de falha: Growing Neural Gas (GNG). 2. Segmentar grafo. 3. Gerar malha triangulada p/ cada superfície: Malhas Neurais Abertas (MNA).
23 Aprendizado Competitivo Redes neurais não supervisionadas ou de aprendizagem auto-organizada.
24 Aprendizado Competitivo Redes neurais não supervisionadas ou de aprendizagem auto-organizada. Objetivo: distribuir N vetores em um espaço de dimensão n qualquer.
25 Aprendizado Competitivo Redes neurais não supervisionadas ou de aprendizagem auto-organizada. Objetivo: distribuir N vetores em um espaço de dimensão n qualquer. Sinais de entrada ξ, de acordo com função de probabilidade p(ξ), ξ n
26 Aprendizado Competitivo Probabilidade 1 0
27 Aprendizado Competitivo Probabilidade 1 0
28 Aprendizado Competitivo Probabilidade 1 ξ 0
29 Aprendizado Competitivo Probabilidade 1 ξ 0 Vizinho do nó vencedor Nó Vencedor
30 Aprendizado Competitivo Exemplo: Self Organizing Feature Map (SOFM) (Kohonen, 1982)
31 Aprendizado Competitivo Exemplo: Self Organizing Feature Map (SOFM) (Kohonen, 1982) Problema: preservação de topologia
32 Preservação de topologia Solução: Aprendizado Competitivo Hebbiano (CHL) (Martinetz, 1993) Para cada entrada ξ, as duas unidades cujos vetores de referência estão mais próximos de ξ devem estar ligadas.
33 Aprendizado competitivo Hebbiano (Martinetz & Schulten, 1994) Triangulação de Delaunay Polígonos de Voronoi Triangulação de Delaunay induzida Polígonos de Voronoi restritos
34 Aprendizado competitivo Hebbiano Distribuição de vértices não-densa: criação de aresta entre nós cujos poliedros de Voronoi restritos não são vizinhos.
35 Proposta 1. Gerar grafo de falha por GNG. 2. Segmentar grafo. 3. Malhas Neurais Abertas: construir malha triangulada para cada superfície.
36 Growing Neural Gas (GNG) GNG (Fritzke, 1995) = CHL + crescimento do número de nós
37 Growing Neural Gas (GNG) GNG (Fritzke, 1995) = CHL + crescimento do número de nós
38 Growing Neural Gas (GNG) GNG (Fritzke, 1995) = CHL + crescimento do número de nós 2 nós
39 Growing Neural Gas (GNG) GNG (Fritzke, 1995) = CHL + crescimento do número de nós 9 nós
40 Growing Neural Gas (GNG) GNG (Fritzke, 1995) = CHL + crescimento do número de nós 34 nós
41 Growing Neural Gas (GNG) GNG (Fritzke, 1995) = CHL + crescimento do número de nós 79 nós
42 Growing Neural Gas (GNG) GNG (Fritzke, 1995) = CHL + crescimento do número de nós 100 nós
43 Growing Neural Gas (GNG) GNG (Fritzke, 1995) = CHL + crescimento do número de nós 250 nós
44 Growing Neural Gas (GNG) GNG (Fritzke, 1995) = CHL + crescimento do número de nós 367 nós
45 Growing Neural Gas (GNG) GNG (Fritzke, 1995) = CHL + crescimento do número de nós 1000 nós
46 GNG Aprendizado (a cada ciclo...) Adaptação do vencedor e do segundo-vencedor
47 GNG Aprendizado (a cada ciclo...) Adaptação do vencedor e do segundo-vencedor CHL (zera idade da aresta)
48 GNG Aprendizado (a cada ciclo...) Adaptação do vencedor e do segundo-vencedor CHL (zera idade da aresta) Atualização do Erro local da unidade vencedora
49 GNG Aprendizado (a cada ciclo...) Adaptação do vencedor e do segundo-vencedor CHL (zera idade da aresta) Atualização do Erro local da unidade vencedora Incrementa idade das arestas incidentes ao vencedor (=>remoção)
50 GNG Aprendizado (a cada ciclo...) Adaptação do vencedor e do segundo-vencedor CHL (zera idade da aresta) Atualização do Erro local da unidade vencedora Incrementa idade das arestas incidentes ao vencedor (=>remoção) Erros de todos os nós são depreciados
51 GNG Aprendizado (a cada ciclo...) Adaptação do vencedor e do segundo-vencedor CHL (zera idade da aresta) Atualização do Erro local da unidade vencedora Incrementa idade das arestas incidentes ao vencedor (=>remoção) Erros de todos os nós são depreciados Crescimento (de λ em λ ciclos...) Inserção de unidade na vizinhança do nó de maior erro
52 GNG custo computacional Aprendizado (a cada ciclo...) Adaptação do vencedor e do segundo-vencedor O (n) CHL (zera idade da aresta) O (1) Atualização do Erro local da unidade vencedora O (1) Incrementa idade das arestas incidentes ao vencedor (=>remoção) O (1) Erros de todos os nós são depreciados O (n) Crescimento (de λ em λ ciclos...) Inserção de unidade na vizinhança do nó de maior erro O (n)
53 GNG custo computacional Aprendizado (a cada ciclo...) Adaptação do vencedor e do segundo-vencedor O (n) -> Octree / grade regular dinâmica CHL (zera idade da aresta) O (1) Atualização do Erro local da unidade vencedora O (1) Incrementa idade das arestas incidentes ao vencedor (=>remoção) O (1) Erros de todos os nós são depreciados O (n) Crescimento (de λ em λ ciclos...) Inserção de unidade na vizinhança do nó de maior erro O (n)
54 GNG custo computacional Aprendizado (a cada ciclo...) Adaptação do vencedor e do segundo-vencedor O (n) -> Octree / grade regular dinâmica CHL (zera idade da aresta) O (1) Atualização do Erro local da unidade vencedora O (1) Incrementa idade das arestas incidentes ao vencedor (=>remoção) O (1) Erros de todos os nós são depreciados O (n) Crescimento (de λ em λ ciclos...) Inserção de unidade na vizinhança do nó de maior erro O (n)? Fila de prioridades
55 GNG custo computacional Aprendizado (a cada ciclo...) Adaptação do vencedor e do segundo-vencedor O (n) -> Octree / grade regular dinâmica CHL (zera idade da aresta) O (1) Atualização do Erro local da unidade vencedora O (1) Incrementa idade das arestas incidentes ao vencedor (=>remoção) O (1) Erros de todos os nós são depreciados O (n) Crescimento (de λ em λ ciclos...) -> Adiar Inserção de unidade na vizinhança do nó de maior erro O (n) X Fila de prioridades
56 GNG
57 GNG
58 GNG
59 GNG
60 Parâmetros do GNG Parâmetro Descrição Valores típicos λ Intervalo em ciclos entre 2 inserções de nós 300 Fator de adaptação do nó vencedor 0.05 b Fator de adaptação dos nós vizinhos ao venc n α Fator de decremento dos erros na inserção 0.5 β Fator de depreciação dos erros a cada ciclo a max Idade máxima de uma aresta do nó vencedor 88 ou 44
61 Objetivos de algoritmos de AC 50% dos sinais de entrada Maximização da Entropia Minimização do erro
62 Geração do grafo de falhas por GNG Mapear atributo de falha em probabilidade: Probabilidade 1 c 0 1 Coerência
63 Geração do grafo de falhas por GNG Mapear atributo de falha em probabilidade: Probabilidade 1 c 0 Probabilidade 1 1 Coerência (1- Atributo de falha) c 0 1 Atributo de falha (1 Coerência)
64 Geração do grafo de falhas por GNG Mapear atributo de falha em probabilidade: Probabilidade 1 c 0 1 Coerência Maximização da entropia Medida do erro local = número de sinais para os quais a unidade foi vencedora.
65 Atributo de falha
66 Grafo de Falha por GNG
67 Proposta 1. Gerar grafo de falha por GNG. 2. Segmentar grafo. 3. Malhas Neurais Abertas: construir malha triangulada para cada superfície.
68 Problema das arestas frágeis
69 Segmentação pela orientação
70 Segmentação pela orientação
71 Segmentação pela orientação
72 Segmentação pela orientação
73 Segmentação pela orientação
74 Segmentação do grafo 1. Eliminação das arestas frágeis = segmentar grafo baseado no peso (tamanho) das arestas Algoritmo FH (Felzenszwalb & Huttenlocher, 2004). 2. Segmentação pela orientação Análise de Componentes Principais: Orientação local Medida de confiança desta orientação Crescimento de regiões guiada pela orientação e pela confiança
75 Autovalores da matriz de covariância C linha C plano C normal C 0, plano, se Clinha limlinha caso contrário
76 Parâmetros de segmentação do grafo Parâmetro Descrição Valores típicos k Constante de tolerância FH? p Profundidade para pesquisa da vizinhança 2 limang Ângulo limite entre nós vizinhos 0.3 rad (?) limconf Confiança de normal mínima 0.45 (?) mergmin Mergulho mínimo - minnos Número mínimo de nós -
77 Proposta 1. Gerar grafo de falha por GNG. 2. Segmentar grafo. 3. Malhas Neurais Abertas: construir malha triangulada para cada superfície.
78 Mapeando subgrafo em atributo de falha
79 Growing cell structures
80 Growing Cell Structures
81 Malhas Neurais Abertas Algoritmo de Aprendizado Competitivo. Espaço de entradas M é uma superfície aberta sem buracos. Objetivo: construir uma malha de triângulos representando M.
82 Malhas Neurais Abertas Modificação do Neural Meshes (Ivrissimtzis, Jeong e Seidel, 2003). Grafo malha de triângulos Início: 1 triângulo Não utiliza CHL Uso de operações de refinamento e simplificação de malhas Nós das bordas têm movimentos restritos para evitar colapso da malha. Adaptação dos nós vizinhos ao vencedor = suavização da malha.
83 MNA: início = 1 triângulo
84 MNA
85 MNA
86 MNA
87 MNA
88 MNA
89 MNA: inclusão e remoção de nós (Hoppe, 1998)
90 MNA: inclusão de nó a a b Divisão do vértice a
91 MNA: remoção de nó b a Colapso da aresta ab
92 MNA: remoção de nó Identificação da aresta a remover minimizar uma medida de erro de conectividade da malha 1 3 val( a) val( b) 7 2 val( c) 1 id( c ) val( a) val( b) 4 id( a) 2 val( c) 1 id( c) 2 val( d) 1 id( d ) 2 6,caso x nóinterno id( x) 4,caso x nó deborda
93 MNA: movimento dos nós da borda restritos Nós da borda só podem se movimentar de forma a aumentar a área da superfície.
94 Suavização Suav.de sinais pela eq. de difusão Malhas (Taubin, 1995) ),, ( )),, ( ),, ( ( t v u t Y t v u v Y t v u u Y D ), (,0), ( v u X v u Y k j i t k j i k j i y Dh y y,, 2,, 1,, x x x 2 ' D n k i j i k i k w 1 2 ) ( x x x 1 1 n k k w i
95 Suavização de malhas
96 Suavização de malhas
97 Suavização de malhas
98 Suavização de malhas
99 Efeito do Laplaciano
100 Efeito do Laplaciano Apenas componente tangencial do Laplaciano dos nós internos.
101 Efeito do Laplaciano Componentes normal e tangencial do Laplaciano dos nós internos.
102 Efeito do Laplaciano Componentes normal e tangencial do Laplaciano dos nós internos e componente normal do Laplaciano dos nós de borda.
103 Efeito do Laplaciano Exagero da suavização na direção normal
104 MNA Aprendizado (a cada ciclo...) Adaptação do vencedor Borda: verificar restrição Incrementar o contador de sinais do vencedor Adaptação dos vizinhos do vencedor: Internos: Laplaciano tang. + Laplaciano norm. Borda: Laplaciano norm. Contadores de todos os vértices são depreciados Crescimento (de λ em λ ciclos...) Inserção de vértice na vizinhança do nó de maior contador: divisão de vértice Remoção (de μn em μn ciclos...) Remoção de vértices que não foram ativados no período: colapso de aresta
105 Parâmetros MNA Parâmetro Descrição Valores típicos λ Intervalo em ciclos entre 2 inserções de nós 200 Fator de adaptação do nó vencedor 0.06 b Fator suav. nó interno pelo Laplaciano tang nit Fator suav. nó interno pelo Laplaciano normal 0.05 nin Fator suav. nó borda pelo Laplaciano normal nb α Fator de depreciação dos s a cada ciclo Fator de intervalo entre remoção de nós 10
106 Método proposto Atributo de Falha Mapeamento Falha-Prob. Volume Probabilidades GNG Grafo Segmentação Grafo Segmentado Grafo Segmentado Volume Probabilidades Mapeamento Grafo-Volume Volume Segmentado MNA Malha de Triângulos
107 Resultados
108 Resultados
109 Resultados
110 Resultados: SNM
111 Resultados: SNM x MNA SNM: 8082 MNA: 420 (5% SNM)
112 Malhas geológicas Simulação de fluxo de fluidos em reservatórios. Deve ser adaptada à geologia da subsuperfície => malha não estruturada. Acurácia dos cálculos => triângulos +/- equiláteros.
113 Malhas geológicas por GNG
114 Malhas geológicas por GNG Mapeamento atributo de falha em probabilidade: Minimização do erro Medida do erro local = distância euclidiana.
115 Malhas geológicas por GNG (Agüero, 2005) Processo de Malhas Atômicas de Hale Malha Geológica por GNG
116 Conclusões Pontos positivos: Novo método de extração e visualização de superfícies de falha baseado em AC. MNA permite gerar malha de triângulos com poucos vértices. Novo método de geração de malhas geológicas.
117 Conclusões Pontos negativos: Grande número de parâmetros. GNG e MNA são O (n 2 ). Poucos testes.
118 Trabalhos futuros Testar estratégia com mais dados reais. Verificar se valores típicos podem ser assumidos como constantes. Número de nós dos grafos. Tratamento de falhas que se cruzam.
119 Falhas que se cruzam
120 Falhas que se cruzam
121 Falhas que se cruzam
122 Falhas que se cruzam
123 Trabalhos futuros Testar estratégia com mais dados reais. Verificar se valores típicos podem ser assumidos como constantes. Número de nós dos grafos. Tratamento de falhas que se cruzam. Intervenção do usuário.
124 Trabalhos futuros Testar estratégia com mais dados reais. Verificar se valores típicos podem ser assumidos como constantes. Número de nós dos grafos. Tratamento de falhas que se cruzam. Intervenção do usuário. Verificar comportamento para falhas lístricas.
125 Trabalhos futuros Pesquisa: MNA e GNG com custo computacional menor. MNA baseado na variação da normal => mais detalhes nas regiões de maior curvatura. Uso de MNA sobre dados obtidos por SNM. Construção de um único algoritmo baseado em AC para resolver os 3 passos.
126 Trabalhos futuros Ferramentas de apoio: Alguns dos atributos de falha com correção de mergulho estrutural. Filtragem direcional com preservação de bordas. SNM.
Figura 1.1: Um reservatório natural de petróleo típico: dificuldade para investigar áreas de interesse.
1 Introdução Técnicas de realidade virtual são ferramentas valiosas para a criação, manipulação e investigação de estruturas reais. Elas provêem um ambiente seguro para que os profissionais envolvidos
Leia maisTeoria dos Grafos Aula 6
Teoria dos Grafos Aula 6 Aula passada Busca em grafos Busca em largura (BFS Breadth First Search) Propriedades Aula de hoje BFS implementação Complexidade Busca em profundidade (DFS) Conectividade, componentes
Leia maisPontifícia Universidade Católica do Rio de Janeiro. Departamento de Informática. Fundamentos de Computação Gráfica
1. Imagens sísmicas Pontifícia Universidade Católica do Rio de Janeiro Departamento de Informática Fundamentos de Computação Gráfica Aluno: Stelmo Magalhães Barros Netto Relatório do trabalho Imagens Sísmicas
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Mapas Auto-Organizáveis Prof. João Marcos Meirelles da Silva http://www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisFILTRAGEM NO DOMÍNIO ESPACIAL. Daniel C. Zanotta 10/06/2016
FILTRAGEM NO DOMÍNIO ESPACIAL Daniel C. Zanotta 10/06/2016 Passa-Baixas O efeito visual de um filtro passa-baixa é o de suavização da imagem e a diminuição de mudanças abruptas de níveis de cinza. As altas
Leia maisProcessamento de Malhas Poligonais
Processamento de Malhas Poligonais Tópicos Avançados em Computação Visual e Interfaces I Prof.: Marcos Lage www.ic.uff.br/~mlage mlage@ic.uff.br Conteúdo: Notas de Aula Curvas 06/09/2015 Processamento
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 maisUniversidade Federal do Rio de Janeiro - IM/DCC & NCE
Universidade Federal do Rio de Janeiro - IM/DCC & NCE Processamento de Imagens Segmentação Antonio G. Thomé thome@nce.ufrj.br Sala AEP/133 Conceituação Segmentação é uma tarefa básica no processo de análise
Leia maisVisão computacional. Juliana Patrícia Detroz Orientador: André Tavares Silva
Visão computacional Juliana Patrícia Detroz Orientador: André Tavares Silva Visão computacional Tentativa de replicar a habilidade humana da visão através da percepção e entendimento de uma imagem; Fazer
Leia maisProcessamento Digital de Imagens. Análise de Imagens
Processamento Digital de Imagens Análise de Imagens Eduardo A. B. da Silva Programa de Engenharia Elétrica - COPPE/UFRJ Laboratório de Sinais, Multimídia e Telecomunicações eduardo@smt.ufrj.br Sergio L.
Leia maisÁrvores: Conceitos Básicos e Árvore Geradora
Árvores: Conceitos Básicos e Árvore Geradora Grafos e Algoritmos Computacionais Prof. Flávio Humberto Cabral Nunes fhcnunes@yahoo.com.br 1 Introdução No dia a dia aparecem muitos problemas envolvendo árvores:
Leia maisExperiência 5. Projeto e Simulação do Controle no Espaço de Estados de um Pêndulo Invertido sobre Carro
Experiência 5 Projeto e Simulação do Controle no Espaço de Estados de um Pêndulo Invertido sobre Carro Professores: Adolfo Bauchspiess e Geovany A. Borges O objetivo deste experimento é projetar e simular
Leia maisSOBRE A GERAÇÃO DE MALHAS TRIDIMENSIONAIS PARA FINS COMPUTACIONAIS A PARTIR DE IMAGENS MÉDICAS
Congreso de Métodos Numéricos en Ingeniería 2005 Granada, 4 a 7 de Julio, 2005 SEMNI, España 2005 SOBRE A GERAÇÃO DE MALHAS TRIDIMENSIONAIS PARA FINS COMPUTACIONAIS A PARTIR DE IMAGENS MÉDICAS N. Perdigão
Leia maisCapítulo III Processamento de Imagem
Capítulo III Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Manipulação ponto a ponto 2. Filtros espaciais 3. Extracção de estruturas geométricas
Leia maisVISÃO COMPUTACIONAL PARA RECONHECIMENTO DE FACES APLICADO NA IDENTIFICAÇÃO E AUTENTICAÇÃO DE USUÁRIOS NA WEB. Márcio Koch
VISÃO COMPUTACIONAL PARA RECONHECIMENTO DE FACES APLICADO NA IDENTIFICAÇÃO E AUTENTICAÇÃO DE USUÁRIOS NA WEB Márcio Koch Orientador: Jacques Robert Heckmann ROTEIRO Introdução Objetivos do trabalho Fundamentação
Leia maisVISÃO COMPUTACIONAL. Marcelo Henrique dos Santos
VISÃO COMPUTACIONAL Marcelo Henrique dos Santos marcelosantos@outlook.com São Paulo SP, Agosto/2013 INTRODUÇÃO Processamento de imagens é um processo onde a entrada do sistema é uma imagem e a saída é
Leia maisAGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO DEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS MATEMÁTICA PLANIFICAÇÃO ANUAL 5.
AGRUPAMENTO DE ESCOLAS DR. VIEIRA DE CARVALHO DEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS MATEMÁTICA PLANIFICAÇÃO ANUAL 5.º ANO ANO LECTIVO 2008/2009 1.º PERÍODO Avaliação diagnóstica. Poliedros
Leia maisRESUMO. sísmica empilhada. SEMBLANCE
Determinação Automática das Velocidades de Empilhamento Para Obtenção da Seção Sísmica Zero- Offset Marcelo Santana de Souza* e Milton J. Porsani, CPGG/UFBA e INCT-GP/CNPq RESUMO A análise de velocidades
Leia maisUm Sistema de Animação Baseado em Movimento Capturado
Um Sistema de Animação Baseado em Movimento Capturado Fernando Wagner Serpa Vieira da Silva LCG - COPPE/SISTEMAS - UFRJ Rio de Janeiro - Brasil Outline da Apresentação Animação por Computador Animação
Leia maisGeometria Computacional
Geometria Computacional Professor: Anselmo Montenegro www.ic.uff.br/~anselmo Conteúdo: - Polígonos 1 Roteiro Introdução Polígonos Teorema da Curva de Jordan Decomposição de polígonos Triangulações Estrutura
Leia maisDEPARTAMENTO DE MATEMÁTICA INFORMÁTICA DISCIPLINA: Matemática (6º Ano) METAS CURRICULARES/CONTEÚDOS... 1º PERÍODO - (15 de setembro a 16 de dezembro)
ANO LETIVO 2016/2017 DEPARTAMENTO DE MATEMÁTICA INFORMÁTICA DISCIPLINA: Matemática (6º Ano) METAS CURRICULARES/CONTEÚDOS... 1º PERÍODO - (15 de setembro a 16 de dezembro) Números e operações - Números
Leia mais4 Extração direta das PELs
4 Extração direta das PELs A detecção de arestas em imagens está relacionada à extração de feições, sendo uma ferramenta fundamental em processamento de imagens e visão computacional. Essa detecção visa
Leia maisAlgoritmos geométricos
Algoritmos geométricos introdução a conceitos básicos de geometria computacional que serão abordados de forma mais avançada na disciplina Computação Gráfica disciplina de computação gráfica arquitetura
Leia maisGeometria Computacional
Geometria Computacional Claudio Esperança Paulo Roma Cavalcanti Estrutura do Curso Aspectos teóricos e práticos Construção e análise de algoritmos e estruturas de dados para a solucionar problemas geométricos
Leia maisGeometria Computacional
GeoComp 2014 p. 1/29 Geometria Computacional Cristina G. Fernandes Departamento de Ciência da Computação do IME-USP http://www.ime.usp.br/ cris/ segundo semestre de 2014 GeoComp 2014 p. 2/29 Poliedros
Leia maisAGRUPAMENTO DE ESCOLAS DE CASTRO DAIRE Grupo de Recrutamento 500
3º Período 2º Período 1º Período AGRUPAMENTO DE ESCOLAS DE CASTRO DAIRE Escola Secundária de Castro Daire Escola Básica N.º2 de Castro Daire Escola EBI de Mões Grupo de Recrutamento 500 MATEMÁTICA Ano
Leia maisAutomação do tráfego de veículos: sistema de busca de caminho de menor custo entre dois pontos
Automação do tráfego de veículos: sistema de busca de caminho de menor custo entre dois pontos Richard Beyer Schroeder Orientador: Aurélio Faustino Hoppe 01/2012 SUMÁRIO 1. Motivação 2. Trabalhos relacionados
Leia mais[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações
[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações Dr. Sylvio Barbon Junior PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DE ALIMENTOS - UEL 2016 Assunto Aula 4 Segmentação de Imagens 2 de
Leia maisGeometria de Superfícies Planas
Geometria de Superfícies Planas Marcelo iana IMPA - Rio de Janeiro Geometria de Superfícies Planas p. 1/4 Algumas superfícies (não planas) Esfera (g = 0) Toro (g = 1) Bitoro (g = 2) Geometria de Superfícies
Leia maisUSO DE ALGORITMOS DE APRENDIZADO COMPETITIVO EM MINERAÇÃO DE DADOS
USO DE ALGORITMOS DE APRENDIZADO COMPETITIVO EM MINERAÇÃO DE DADOS Ricardo Santos de Oliveira 1 ;Ana Luiza do Nascimento Leite 2 ; Ítalo Herbert Siqueira Gabriel 2 Resumo - A inteligência artificial é
Leia maisCLASSIFICAÇÃO MULTIESPECTRAIS
CLASSIFICAÇÃO EM IMAGENS MULTIESPECTRAIS Classificação em imagens multiespectrais Imagens multiespectrais Padrão (vetor) Espaço de atributos Classificação Classificação em imagens multiespectrais Imagens
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisModelo Digital do Terreno. Modelação do Relevo. Representação. Representação. Matricial. Declive
Sistemas de Informação Geográfica Modelação do Relevo. Modelo Digital do Terreno. Representação 3. Declive, Orientação, Curvatura 4. Caracterização morfológica. TIN. Isolinhas 7. GRID vs. TIN vs. Isolinhas
Leia mais1.2. Motivações. c. a relação de consistência entre a geometria das camadas internas ao bloco baixo com as falhas adjacentes.
1 Introdução As seções geológicas são ferramentas fundamentais para se descrever as estruturas geológicas de uma determinada região. Podem também ser utilizadas como base de informações, quando se está
Leia maisExemplos. Propagação (Reconstrução)
Processamento de Imagens Médicas Morfologia Matemática em Imagens Prof. Luiz Otavio Murta Jr. Informática Biomédica Depto. de Física e Matemática (FFCLRP/USP) Propagação (Reconstrução) lgoritmos Baseados
Leia maisGrafos - Introdução. Pedro Ribeiro 2014/2015 DCC/FCUP. Pedro Ribeiro (DCC/FCUP) Grafos - Introdução 2014/ / 32
Grafos - Introdução Pedro Ribeiro DCC/FCUP 2014/2015 Pedro Ribeiro (DCC/FCUP) Grafos - Introdução 2014/2015 1 / 32 Conceito Definição de Grafo Formalmente, um grafo é: Um conjunto de nós/vértices (V).
Leia maisCURSO: ENGENHARIA DE CONTROLE E AUTOMAÇÃO EMENTAS º PERÍODO
CURSO: ENGENHARIA DE CONTROLE E AUTOMAÇÃO EMENTAS - 2016.2 2º PERÍODO DISCIPLINA: CÁLCULO I DISCIPLINA: FÍSICA I Estudo do centro de Massa e Momento Linear. Estudo da Rotação. Estudo de Rolamento, Torque
Leia maisTeoria dos Grafos Aula 5
Teoria dos Grafos Aula Aula passada Explorando grafos Mecanismos genéricos Ideias sobre BFS, DFS Aula de hoje Busca em grafos Busca em largura (BFS Breadth First Search) Propriedades Busca em Grafos Problema
Leia maisModelo. Representação de Objetos Tridimensionais. Malhas Poligonais. Modelagem Geométrica. Modelos Geométricos
Representação de Objetos Tridimensionais Malhas Poligonais Maria Cristina F. de Oliveira Rosane 2010 Modelo Representação construída artificialmente para tornar mais fácil a observação/análise de um objeto/fenômeno
Leia maisPMR2560 Visão Computacional Detecção de bordas. Prof. Eduardo L. L. Cabral
PMR56 Visão Computacional Detecção de bordas Prof. Eduardo L. L. Cabral Objetivos Processamento de imagens: Características; Detecção de bordas. Características Tipos de características: Bordas; Cantos;
Leia maisGERAÇÃO DE MALHAS ESTRUTURADAS A PARTIR DE UM ESPAÇO PARAMÉTRICO DE TRIANGULAÇÕES NÃO ESTRUTURADAS
GERAÇÃO DE MALHAS ESTRUTURADAS A PARTIR DE UM ESPAÇO PARAMÉTRICO DE TRIANGULAÇÕES NÃO ESTRUTURADAS Antonio Carlos de Oliveira Miranda Luiz Fernando Martha amiranda@tecgraf.puc-rio.br lfm@tecgraf.puc-rio.br
Leia maisDiagnóstico Médico de Imagem Auxiliado por Computador
Diagnóstico Médico de Imagem Auxiliado por Computador Fundamentos de Sistemas Multimídia Flávio Luiz Seixas 2005 Agenda Agenda: Sistemas CAD Telemedicina Princípios da Tomografia Computadorizada Processamento
Leia maisAS MÁQUINAS DE MEDIR POR COORDENADAS (MMC)
AS MÁQUINAS DE MEDIR POR COORDENADAS (MMC) Tópicos que serão explorados na aula Introdução Tipos de MMCs Sistema de medição (as réguas e apalpadores) Programas computacionais Erros Compensação (Calibração
Leia maisClassificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si
Classificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si Classificação de Dados Os modelos de classificação de dados são preditivos, pois desempenham inferências
Leia maisDados Espaciais e Indexação
Dados Espaciais e Indexação Cristina Dutra de Aguiar Ciferri Arthur Emanuel de O. Carosia 1 Tipos de Dados Espaciais Ponto: menor unidade possível para representar um objeto espacial. Linha: seqüência
Leia maisHistórico. Estado da Arte. Histórico. Modelagem de Objetos. Modelagem por arames (wireframes). Modelagem por superfícies (década de 60).
Histórico Modelagem de Objetos Renato Ferreira Modelagem por arames (wireframes). Representa os objetos por arestas e pontos sobre a sua superfície. Gera modelos ambíguos. Modelagem por superfícies (década
Leia maisAdilson Cunha Rusteiko
Janeiro, 2015 Estatística , A Estatística Estatística: É a parte da matemática aplicada que fornece métodos para coleta, organização, descrição, análise e interpretação
Leia maisGeometria Computacional: Fecho convexo
Geometria Computacional: INF2604 Geometria Computacional Prof. Hélio Lopes lopes@inf.puc-rio.br sala 408 RDC O que é uma região convexa? Uma região é convexa se para qualquer par de pontos dessa região,
Leia mais2284-ELE/5, 3316-IE/3. Universidade da Beira Interior, Departamento de Informática
INTELIGÊNCIA ARTIFICIAL 2284-ELE/5, 3316-IE/3 Universidade da Beira Interior, Departamento de Informática Hugo Pedro Proença, 2007/2008 Aprendizagem A aprendizagem é um aspecto crucial da Inteligência
Leia maisINTELIGÊNCIA COMPUTACIONAL EM AMBIENTES DE PROCESSAMENTO PARALELO. Lamartine N. F. Guimarães.
INTELIGÊNCIA COMPUTACIONAL EM AMBIENTES DE PROCESSAMENTO PARALELO Lamartine N. F. Guimarães. Roteiro Inteligência Computacional: Problemas. Os BEOWULFS do IEAv. Possibilidades de Paralelismo. Redes neurais:
Leia maisAlgoritmos de Aprendizado. CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico. Regra de HEBB.
CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos Básicos Neurônio Artificial, Modos de Interconexão Processamento Neural Recall e Learning Regras de Aprendizado
Leia maisAGRUPAMENTO DE ESCOLAS ANSELMO DE ANDRADE DEPARTAMENTO DE 1º Ciclo - Grupo 110. Planificação Anual /Critérios de avaliação
AGRUPAMENTO DE ESCOLAS ANSELMO DE ANDRADE DEPARTAMENTO DE 1º Ciclo - Grupo 110 Planificação Anual /Critérios de Disciplina: Matemática 4.º ano 2014/2015 Domínio (Unidade/ tema) Subdomínio/Conteúdos Metas
Leia maisProcessamento de Imagens Coloridas. Prof. Adilson Gonzaga
Processamento de Imagens Coloridas Prof. Adilson Gonzaga 1 Aparência de um Objeto A aparência de um objeto é o resultado de uma complexa interação da luz incidente sobre este objeto, suas características
Leia maisEngEnhArIA CaRToGRáFiCa Cartografia I 2º ano. Introdução aos Sistemas de Informações Geográficas - Parte I
EngEnhArIA CaRToGRáFiCa Cartografia I 2º ano Introdução aos Sistemas de Informações Geográficas - Parte I Prof. João Fernando Custodio da Silva Mariana Dias Chaves Gilberto Câmara http://www.dpi.inpe.br/gilberto/livro/introd/
Leia maisIntrodução à Computação Gráfica Modelagem. Claudio Esperança Paulo Roma Cavalcanti
Introdução à Computação Gráfica Modelagem Claudio Esperança Paulo Roma Cavalcanti Histórico Modelagem por arames (wireframes). Representa os objetos por arestas e pontos sobre a sua superfície. Gera modelos
Leia maisMineração de Dados. Modelos Descritivos. Descoberta de agrupamentos
Mineração de Dados Descoberta de agrupamentos Modelos Descritivos tarefa de geração de um modelo descritivo consiste (em grande parte) em analisar os dados do domínio (entradas) e sugerir uma partição
Leia maisRedes Complexas Aula 2
Redes Complexas Aula 2 Aula passada Logística e regras Redes por todos os lados Redes Complexas Aula de hoje Representando redes Falando sobre redes Grau, distância, clusterização Rede Abstração que permite
Leia mais1 1 1 *1/ *1/ *1/49
O que é filtragem? As técnicas de filtragem são transformações da imagem pixel a pixel, que não dependem apenas do nível de cinza de um determinado pixel, mas também do valor dos níveis de cinza dos pixels
Leia maisMEDIDAS DE BASES E ÂNGULOS: REDUÇÕES
MEDIDAS DE BASES E ÂNGULOS: REDUÇÕES Nas redes geodésicas, cujos pontos materializam o SGR, as coordenadas geodésicas são referidas ao elipsóide de referência, devidamente orientado. As operações de cálculo
Leia maisPLANIFICAÇÃO ANUAL DE CONTEÚDOS Disciplina: MATEMÁTICA 5ºAno
PLANIFICAÇÃO ANUAL DE CONTEÚDOS Disciplina: MATEMÁTICA 5ºAno Ano Letivo 2012/2013 Conteúdos Nº médio de Aulas Previstas Atividades de diagnóstico e caraterização da turma. Números Naturais Adição. Propriedades.
Leia maisOperações Pontuais. 1 operando. 2 operandos. Processamento e Análise de Imagem - A. J. Padilha - v ac
Operações Pontuais 1 operando T OP 2 operandos Pré-Processamento - 1 Operações Pontuais Nas operações pontuais, cada ponto da imagem-resultado - g(i,j) - é obtido por uma transformação T do ponto de coordenadas
Leia maisKTC-DR34EC & KTC-KML093EC1000
STEP-SERVO KALATEC KTC-DR34EC & KTC-KML093EC1000 Manual Kalatec Automação Ltda Matriz campinas: 19-3045-4900 Filial Sao Paulo 11-5514-7680 Filial Joinville - 47-3425-0042 www.kalatec.com.br kalatec@kalatec.com.br
Leia maisCARACTERÍSTICAS ESTÁTICAS DE SISTEMAS DE MEDIÇÃO
DETERMINAÇÃO DA DERIVA DO ZERO: ENSAIO: Manter P o = 0 e variar a temperatura T dentro da faixa de temperaturas ambientes [T max, T min ] previstas para uso do SM. Os ensaios feitos em CÂMARA de temperatura
Leia maisIntrodução a Teste de Software
Universidade Católica de Pelotas Tecnólogo em Análise e Desenvolvimento de Sistemas Disciplina de Qualidade de Software Introdução a Teste de Software Prof. Luthiano Venecian 1 Conceitos Teste de software
Leia maisMATEMÁTICA 6º ANO A/B. Números e cálculo. Geometria
1. COMPETÊNCIAS ESSENCIAIS MATEMÁTICA 6º ANO A/B COMPETÊNCIAS GERAIS Cger1. Mobilizar saberes culturais, científicos e tecnológicos para compreender a realidade e para abordar situações e problemas do
Leia maisétodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO
Leia maisINF1010 Lista de Exercícios 2
INF00 Lista de Exercícios 2 Árvores. Construir algoritmo para dada uma árvore n-ária, transformá-la em uma árvore binária. 2. Qual a maior e menor quantidade de nós que podem existir em uma árvore binária
Leia maisCalendarização da Componente Letiva
Calendarização da Componente Letiva 2015/2016 7º Ano Matemática s 1º 2º 3º Número de aulas previstas (45 minutos) 61 50 48 Apresentação e Diagnóstico 2 Avaliação (preparação, fichas de avaliação e correção)
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 maisRECONHECIMENTO IDENTIFICAÇÃO BASEADA EM APARÊNCIA
RECONHECIMENTO IDENTIFICAÇÃO BASEADA EM APARÊNCIA Envolve a pergunta: É esta parte da imagem uma parte do objeto X? (modelo dado, região da imagem dada) Utiliza imagens ao invés de características como
Leia maisCAP Exame de Admissão 16/12/2013. Instruções Gerais (leia atentamente)
CAP 2014 Exame de Admissão 16/12/2013 Nome do Candidato: Identidade: Instruções Gerais (leia atentamente) O tempo total de duração do exame será de 2 horas. Você receberá uma Folha de Respostas junto com
Leia maisProfessor: Estevam Las Casas. Disciplina: MÉTODOS DE ELEMENTOS FINITOS MEF TRABALHO
UNIVERSIDADE FEDERAL DE MINAS GERAIS ESCOLA DE ENGENHARIA GRADUAÇÃO EM ENGENHARIA MECÂNICA Professor: Estevam Las Casas Disciplina: MÉTODOS DE ELEMENTOS FINITOS MEF TRABALHO Análise de deformação de um
Leia mais1. Introdução. 1.1.Objetivo
1. Introdução 1.1.Objetivo O objetivo desta dissertação é desenvolver um sistema de controle por aprendizado acelerado e Neuro-Fuzzy baseado em técnicas de inteligência computacional para sistemas servo-hidráulicos
Leia maisANÁLISE ESPACIAL DE DADOS GEOGRÁFICOS. Permite mensurar propriedades e relacionamentos considerando a localização espacial do fenômeno
ANÁLISE ESPACIAL DE DADOS GEOGRÁFICOS Permite mensurar propriedades e relacionamentos considerando a localização espacial do fenômeno Relação entre análise espacial e as teorias disciplinares Dados Físicos
Leia maisExistem diferentes estruturas para representar as elevações da superfície. Por exemplo:
63 3 REPRESENTAÇÃO E MODELAGEM 3.1 Introdução Um modelo digital deve utilizar valores de elevação e de posição compatíveis em número e distribuição com a precisão que se deseja para o terreno que está
Leia maisREADING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING
READING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING Fernanda Maria Sirlene READING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING NIPS Workshop on Deep Learning and Unsupervised
Leia maisConclusões e Trabalhos Futuros
79 8 Conclusões e Trabalhos Futuros O presente trabalho teve o propósito de desenvolver um algoritmo para segmentação e quantificação de tecidos internos em imagens de úlceras de perna. O trabalho fará
Leia maisModelo Digital do Terreno. Modelação do Relevo. Representação. Representação. Grandezas que se pode obter. Dados altimétricos: amostragem
Sistemas de Informação Geográfica Modelação do Relevo. Modelo Digital do Terreno. Representação 3. Declive, Orientação, Curvatura 4. Caracterização morfológica. TIN Redes irregulares trianguladas 6. Isolinhas
Leia maisPLANO DE ENSINO Disciplina: Matemática 8º ano Professor(a): Gracivane Pessoa. Competências Habilidades Conteúdos. I Etapa
PLANO DE ENSINO 2015 Disciplina: Matemática 8º ano Professor(a): Gracivane Pessoa I Etapa Competências Habilidades Conteúdos Revisão (breve) de conteúdos trabalhados anteriormente Construir significados
Leia maisTratamento estatístico de observações
Tratamento estatístico de observações Prof. Dr. Carlos Aurélio Nadal OBSERVAÇÃO: é o valor obtido durante um processo de medição. DADO: é o resultado do tratamento de uma observação (por aplicação de uma
Leia maisLABORATÓRIO Nº 1. Análise de Padrões de Distribuição de Pontos
LABORATÓRIO Nº 1 Análise de Padrões de Distribuição de Pontos 1. Objetivos: O objetivo deste laboratório é ilustrar as várias formas de analisar padrão de pontos, a partir de alguns conjuntos de dados.
Leia maisSME Cálculo Numérico. Lista de Exercícios: Gabarito
Exercícios de prova SME0300 - Cálculo Numérico Segundo semestre de 2012 Lista de Exercícios: Gabarito 1. Dentre os métodos que você estudou no curso para resolver sistemas lineares, qual é o mais adequado
Leia maisANEXO I UNIVERSIDADE DA REGIÃO DE JOINVILLE UNIVILLE COLÉGIO DA UNIVILLE PLANEJAMENTO DE ENSINO E APRENDIZAGEM
ANEXO I UNIVERSIDADE DA REGIÃO DE JOINVILLE UNIVILLE COLÉGIO DA UNIVILLE PLANEJAMENTO DE ENSINO E APRENDIZAGEM 1. Curso: Missão do Colégio: Promover o desenvolvimento do cidadão e, na sua ação educativa,
Leia maisEngenharia de Confiança. Helena Macedo Reis Luis Fernando de Souza Moro
Engenharia de Confiança Helena Macedo Reis Luis Fernando de Souza Moro 1 Engenharia de Confiança Preocupada com técnicas que aumentam a confiança e diminui os riscos de falhas Falha pode causar perda de
Leia maisPLANO CURRICULAR DISCIPLINAR. Matemática 5º Ano
PLANO CURRICULAR DISCIPLINAR Matemática 5º Ano OBJETIVOS ESPECÍFICOS TÓPICOS SUB-TÓPICOS METAS DE APRENDIZAGEM 1º Período Compreender as propriedades das operações e usá-las no cálculo. Interpretar uma
Leia maisAGRUPAMENTO de ESCOLAS de SANTIAGO do CACÉM Ano Letivo 2015/2016 PLANIFICAÇÃO ANUAL. Documento(s) Orientador(es): Programa e Metas de Aprendizagem
AGRUPAMENTO de ESCOLAS de SANTIAGO do CACÉM Ano Letivo 2015/2016 PLANIFICAÇÃO ANUAL Documento(s) Orientador(es): Programa e Metas de Aprendizagem 3º CICLO MATEMÁTICA 7ºANO TEMAS/DOMÍNIOS CONTEÚDOS OBJETIVOS
Leia mais05 Grafos: ordenação topológica SCC0503 Algoritmos e Estruturas de Dados II
05 Grafos: ordenação topológica SCC0503 Algoritmos e Estruturas de Dados II Prof. Moacir Ponti Jr. www.icmc.usp.br/~moacir Instituto de Ciências Matemáticas e de Computação USP 2011/1 Moacir Ponti Jr.
Leia maisComputação e Imagens: PI, CG e Visualização. Computação Visual
Computação e Imagens: PI, CG e Visualização Computação Visual Instituto de Ciências Matemáticas e de Computação ICMC-USP São Carlos, 2016 1 Roteiro Visão Geral das áreas da computação que envolvem manipulação
Leia maisINTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL REDES NEURAIS Caracterização Intuitiva: Em termos intuitivos, Redes Neurais Artificiais (RNAs) são modelos matemáticos inspirados nos princípios de funcionamento dos neurônios biológicos
Leia maisGeometria Computacional: Triangulação
Geometria Computacional: INF2604 Geometria Computacional Prof. Hélio Lopes lopes@inf.puc-rio.br sala 408 RDC Considere S um conjunto de pontos no plano. O que é uma triangulação de S? Uma para um conjunto
Leia mais3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
Leia maisFILTROS ESPACIAIS PASSA-BAIXA
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL PROGRAMA DE PÓS-GRADUAÇÃO EM COMPUTAÇÃO CMP65 - INTRODUÇÃO AO PROCESSAMENTO DE IMAGENS PROFESSOR JACOB SCARCHANSKI FILTROS ESPACIAIS PASSA-BAIXA POR DANIEL NEHME
Leia mais09/05/2017. Prof. Mônica Suely Guimarães de Araujo
Prof. Mônica Suely Guimarães de Araujo 1. Mapeamento do Processo 2. Lista de Verificação 3. Diagrama de Pareto 4. Matriz de Prioridade 5. Brainstorming: Tempestade Cerebral 6. Diagrama de Causa e Efeito
Leia maisModelagem Geométrica: Boundary Representation
Modelagem Geométrica: Boundary Representation Prof. Dr. André Tavares da Silva Gabriel Caixeta Silva caixetasilva@hotmail.com Prof. Dr. Marcelo da Silva Hounsell PPGCA UDESC 2017/01 Introdução Modelagem
Leia maisCADERNO DE EXERCÍCIOS ALGORITMOS
J. EXERCÍCIOS SOBRE MODULARIZAÇÃO 77. Faça uma função que recebe um número inteiro por parâmetro e retorna verdadeiro se ele for par e falso se for ímpar. 78. Escreva um programa que leia o raio de um
Leia maisMapeamento de Textura
Mapeamento de Textura Felipe Natale Munhoz munhoz@gmail.com Junho de 2007 Sumário 1 Introdução 3 2 Objetivo 4 3 Tipos de Texturas 5 4 Mapeamento de Texturas em OpenGL 10 5 Referências 14 Seção 1 Introdução
Leia maisModelos de dados geográficos. Prof. Dr. Cristiano Zerbato
Modelos de dados geográficos Prof. Dr. Cristiano Zerbato Introdução ESCALA Processos geográficos são dependentes de escala A mudança da percepção do espaço geográfico está relacionado com a mudança de
Leia maisModelagem Numérica de Terreno: Teoria & Prática
Modelagem Numérica de Terreno: Teoria & Prática Flávia F. Feitosa Disciplina PGT 035 Geoprocessamento Aplicado ao Planejamento e Gestão do Território Aula disponível em: https://flaviafeitosa.wordpress.com/talksteaching/geopgt/
Leia maisTeoria da Computação. Clique de um Grafo. Alexandre Renato Rodrigues de Souza 1
Teoria da Computação Clique de um Grafo Alexandre Renato Rodrigues de Souza 1 O que é um grafo? Definição 1: grafo é uma estruturas utilizada para representar relações entre elementos de um dado conjunto.
Leia maisComputação I: Representações de Algoritmos
Computação I: Representações de Algoritmos reginaldo.re@utfpr.edu.br * Parte da apresentação foi gentilmente cedida pelo prof. Igor Steinmacher Agenda Objetivos Relembrando... Algoritmos para desenvolver
Leia mais