ELE32 Codificação com perda de informação. ITA 2º. Semestre de 2016
|
|
- Eduarda Sales Alencar
- 5 Há anos
- Visualizações:
Transcrição
1 ELE32 Codificação com perda de informação ITA 2º. Semestre de 2016
2 Codificação com perda de informação Não é possível transmitir através de um canal toda a informação sobre uma fonte de v.a. s, X cuja entropia H(X) é maior do que a capacidade do canal C Neste caso, é necessário codificar o valor X num valor Y de forma que a entropia do valor codificado H(Y) seja menor ou igual à limitação do sistema A entropia da fonte H(X) é a menor quantidade em média de informação necessária para representá-la completamente Utilizar um sinal codificado cuja entropia é menor do que a da fonte implica que o sinal codificado não será capaz de representar a fonte completamente, ou seja, haverá perda de informação
3 Y pode ser gerado através de quantização Quantização é o processo pelo qual um conjunto de valores possíveis de uma variável X (não necessariamente analógica) é representado por um único valor de Y Como a relação entre X e Y é de muitos para 1, não é possível obter exatamente o valor de X a partir de Y Y é uma representação mais simples de X e sua entropia deve ser menor ou igual à entropia de X A quantização pode ser feito tanto termo a termo (quantização escalar) como vetorialmente (quantização vetorial) É realizado através de um quantizador que toma como argumento o valor de X e retorna um valor de Y
4 Quantização escalar Fonte X i Quantizador Y i Valor quantizado Escalar Escalar
5 Processo de quantização O processo de quantização pode ser definido em duas operações: Inicialmente, valores de X são agrupados em N conjuntos R i que serão representados pelo mesmo valor Cada um destes conjuntos é representado por uma palavra código cujo comprimento pode ser fixo ou variável Definidos os conjuntos, escolhe-se um valor y i que representará todos os valores de X que estão dentro do conjunto R i O quantizador é completamente definido pela relação entre X e R i (codificação) e pela relação entre R i e y i (decodificação) As regiões ou partições R i podem também ser definidas pelos limites b i que definem as fronteiras entre regiões O valor a ser transmitido/armazenado não é necessariamente y i : qualquer símbolo/palavra-código que permita a identificação de Ri pode ser mapeado corretamente em y i se a relação de decodificação for conhecida
6 Exemplos Arredondamento de números: Mais próximo R i = {X i-0.5 X<i+0.5 } y i = i Menor valor R i = {X i X<i+1 } y i = i Maior valor R i = {X i < X i+1 } y i = i+1
7 Quantização implica em erro(1/3) Como vários valores de X são representados por um único valor de Y, representar algum valor de X por Y implica em alguma distorção, ou erro Se Y = q(x), onde q(x) é o resultado dos processos de codificação e decodificação do quantizador, o erro é dado por: q( X ) O erro pode ser classificado em duas categorias: Granular: Erro quando a variável X está numa região R i limitada por duas fronteiras, uma inferior ou superior, com maior valor possível igual a max[b i- b i-1 ] Overload: Erro quando a variável é menor do que a menor fronteira ou maior do que a maior fronteira, com maior valor possível podendo ser infinito X
8 Y, Quantização implica em erro(2/3) Exemplo: quantizador arredondador saturado em ±3 Fronteiras = ±2.5, ±1.5, ± Y 2 1 Granular 0-1 Overload X
9 Quantização implica em erro(3/3) Se X tem uma pdf p(x), podemos definir a seguinte relação entre X, q(x) e ε: 2 ( ) ( ) 2 E p X q X X dx que é conhecida como ruído de quantização Se P(X) 1, o impacto do erro de overload no ruído é baixo A relação sinal ruído de um processo de quantização é dada por (em decibéis): 2 E X RSR 10log 10 2 E
10 Quantizador uniforme Um quantizador uniforme tem as fronteiras igualmente espaçadas Um quantizador uniforme limitado tem uma fronteira inferior num ponto b 0 e superior num ponto b N Havendo N níveis de quantização, o intervalo de cada partição vale Δ=(b N - b 0 )/N O valor que representa cada uma das partições é que está exatamente no meio da partição, ou seja, y i = (b i - b i-1 )/2
11 Erros do quantizador uniforme Erro máximo = Δ/2 Erro médio se a entrada for uniformemente distribuída entre b N e b 0 : 2 ( ) ( ) E p X q X X dx N b b i1 i1 N 0 b i 1 X ' 2 X dx ' 12 0 b 2 2 dx
12 Quantizador não uniforme pode ser obtido a partir do uniforme É possível através de um compressor e de um decompressor implementar quantizadores não uniformes com base no quantizador uniforme Fonte X W q(w) Z Compressor Quant. uniforme Decompressor Sinal quantizado W sgn X X Z sgn q( X ) q( X ) 2 Utilizar quantizadores não uniformes pode ser vantajoso para representar melhor uma faixa de valores em detrimento da representação de outra faixa de valores
13 Compressores comuns A-law: μ-law: W ( X ) sgn X AX 1, X 1 ln( A) A 1 ln( AX) 1, X 1 1 ln( A) A ln(1 X ) W( X ) sgn X, 1 x 1 ln(1 )
14 Quantizador de alta resolução Um quantizador de alta resolução possui muitos níveis de tal forma que podemos assumir que em qualquer partição R i (não necessariamente com a mesma largura), o comportamento de p(x) é suave, o que implica em: p(x x em R i ) p i dentro de uma partição e, dado que X pertence a R i, o seu comportamento é praticamente uniforme a probabilidade de X pertencer à partição R i é P i (b i -b i-1 )p i, logo A distorção média, neste caso, pode ser aproximada como: N b 2 i 2 q( x) x E P( x Ri ) dx N 1 2 Pii 12 i1 onde Δ i = (b i -b i-1 ) é a largura do i-ésimo intervalo i1 p i P b i i bi 1 b i1 i
15 Taxa do sinal quantizado Se todos os valores de q(x) forem representados com o mesmo número de bits, a taxa do quantizador é dada por: A quantidade de bits para representar os sinais codificados pode ser reduzida ainda mais se a probabilidade de X pertencer a cada um dos níveis não for uniforme A redução pode ser feita através de codificadores de fonte sem perda de informação Neste caso, o limite inferior para a taxa do quantizador é dada por: onde P(y i ) vale: R N i1 log 2 N R ( y ) P( y ) H( Y ) i P( yi ) p( X ) dx XR i i
16 Problema de quantização (1/2) Dado p(x) a definição das fronteiras entre as regiões define a probabilidade de X pertencer a qualquer região R i : consequentemente, a fronteira determina a entropia da saída Dado p(x) e as fronteiras, a escolha de y i que representa a região Ri define a distorção que o quantizador causará Há pares de taxas e distorções que são permissíveis: são todas aquelas que estão acima da curva taxa-distorção Escolher um único nível reduz a entropia (a zero), mas causa muita distorção Escolher muitos níveis reduz a distorção (tendendo a zero), mas a entropia do sinal quantizado será muito grande É necessário escolher um critério para otimização
17 R Problema de quantização (2/2) O problema de quantização pode ser formulado de duas formas: Dado p(x) e uma taxa R, minimize a distorção média Dado p(x) e a máxima distorção média permissível, minimize a 2.5 taxa R Valores possíveis 0.5 Valores não possíveis D
18 Condições que um quantizador deve satisfazer para ser ótimo Um quantizador pode ser dividido em codificador e decodificador Para que um quantizador seja ótimo, as duas condições seguintes devem ser satisfeitas: Dado um codificador que define as partições R i, o decodificador deve ser ótimo Dado um decodificador que relaciona as partições R i com um valor y i, o codificador deve ser ótimo
19 Codificador ótimo para um dado decodificador O codificador ótimo é aquele que reduz a distorção média Dado um decodificador que gera os valores y i, o codificador ótimo é aquele que mapeia um valor de X=x na partição R i se x estiver mais próximo de y i do que de qualquer outro valor de y j, para i j Independentemente da chance de x ocorrer, a distorção será minimizada se esta condição for satisfeita É irrelevante em qual partição os valores de x equidistantes de dois ou mais y i serão mapeados Matematicamente: R x : d( x, y ) d( x, y ); j i i i j É uma condição suficiente para garantir que o codificador é ótimo
20 Decodificador ótimo para um dado codificador Dado um codificador (conjunto de partições), qual é o decodificador ótimo? A distorção causada ao representar a partição R i por um valor y i depende somente dos valores de X que estão dentro da partição R i A distorção média, dado que X esta dentro de R i, vale: 2 : i i E X R E y X Este valor é minimizado quando y i é igual a esperança de X, dado que X esta dentro de R i, ou seja: XR Xp( X ) dx p( X ) dx Esta condição é chamada de condição centróide y i i XR i 2
21 Algoritmo de Lloyd (1/3) O algoritmo de Lloyd utiliza as duas condições de otimização de um quantizador iterativamente para tentar obter um quantizador muito próximo de um ótimo Os limites das partições são otimizados a partir dos valores que representam as partições Os valores que representam as partições são otimizados a partir dos valores que definem os limites das partições É necessário o conhecimento prévio de p(x) e da quantidade de níveis a serem utilizados O processo começa a partir de um conjunto de valroes {y 1,y 2,...,y N } inicial, que pode ser gerado aleatoriamente Se X for limitado entre dois valores, b 0 e b N devem ser iguais a estes limites
22 Algoritmo de Lloyd (2/3) 1. Obtenha um valor inicial de y (1)= {y 1,y 2,...,y N } 2. Otimize os valores das fronteiras de acordo com o seguinte equação: 3. Calcule a distorção D (k) 4. Se ΔD=D (k) -D (k-1) <ξ, encerre o algoritmo 5. Caso contrário, obtenha os valores y (k+1) a partir da seguinte equação: 6. Retorne ao passo 2 ( k) ( k) ( k ) yi 1 yi bi, i 1,2,..., N 1 2 ( k ) N bi ( ) ( ) 2 k k D p( X ) X yi dx i1 ( k ) bi 1 y b ( k ) i ( k1) b i i b ( k ) i1 ( k ) i b ( k ) i1 Xp( X ) dx p( X ) dx
23 Algoritmo de Lloyd (3/3) Exemplo: Seja X uniformemente distribuído entre zero e 1. Desejamos quantizar em 4 níveis. O valor inicial para y (1) é {0.1,0.2,0.3,0.4}. k y 1 y 2 y 3 y 4 b 0 b 1 b 2 b 3 b D 2.333E E E E E E E E E E E-03
24 Quantização vetorial É um mapeamento de um vetor X com dimensão K em um outro vetor Y com dimensão K dentro de um conjunto de vetores possíveis {y 1,y 2,,y N } Cada um dos elementos pode ser representado por uma palavra-código A taxa resultante deste quantizador é dada por: 1 R log2 N K O erro de quantização que ocorre ao se representar um vetor x por um vetor y é dado por: k1 onde x i é o i-ésimo elemento do vetor x, a mesma relação entre y i e y A distorção média é dada pelo valor esperado de ε 2 1 K K ( x y ) i i 2
25 Quantização vetorial Por que fazer? Para uma dada taxa, VQ (Quantização Vetorial) pode resultar numa distorção menor do que SQ(Quantização escalar) Se os símbolos de entrada não são independentes entre si, vetores formados por sequencias de símbolos terão alguns padrões mais comuns
26 Métodos para quantização vetorial Generalização do algoritmo de Lloyd para o caso multidimensional Algoritmo LBG(Linde Buzo Gray) Construção do quantizador baseado em árvores Quantizador por transformação DCT(Discrete Cossine Transform)
27 Algoritmo de Lloyd generalizado(1/3) Critérios de otimalidade e consequentemente das equações utilizadas no algoritmo de Lloyd podem ser facilmente adaptadas para o caso multidimensional Definição do melhor codificador dado um codificador: R x : d( x, y ) d( x, y ); j i i i j Definição do melhor decodificador dado um codificador y i XR i XR Xp( X) dx i p( X) dx
28 Algoritmo de Lloyd generalizado(2/3) 1. Obtenha um conjunto {y 1,y 2,,y N } qualquer 2. Calcule as partições R i ideais para o conjunto de vetores-código em utilização utilizando a condição de otimalidade multidimensional 3. Calcule a distorção 4. Se a variação(redução) na distorção for pequena ou se as partições variaram pouco, encerre o algoritmo 5. Caso contrário, otimize o conjunto {y 1,y 2,,y N } utilizando a condição centróide multidimensional 6. Retorne ao passo 2
29 Algoritmo de Lloyd generalizado(3/3) Exemplo extraído da Wikipédia para o caso com duas dimensões, vetores uniformemente distribuídos Os pontos mostram o valor dos vetores-código no início da iteração As cruzes indicam o valor dos vetores-código no final da iteração 1ª Iteração 2ª Iteração 3ª Iteração 15ª Iteração
30 Processo de codificação e decodificação Dado que os vetores {y 1,y 2,,y N } foram definidos, a quantização de um vetor X é dada pela procura (entre N termos) do valor y i mais próximo de X, o que é representado por um índice (palavra-código) i i A decodificação pode ser feita através de uma tabela que, a partir do índice recebido, retorna o valor de y i correspondente
31 Problemas do algoritmo de Lloyd generalizado Assim como no caso escalar, pode resultar somente num quantizador localmente ótimo Codificador é complexo com o aumento de N, pois a codificação envolve uma única busca N-ária Aumento de N também influencia a complexidade das definição das partições, pois os vetores de entrada devem ser comparados com mais vetores-código Cálculo dos valores de {y 1,y 2,,y N } envolve duas integrais com dimensão K Solução: utilizar um grande número (mas finito) de amostras de X, o que transforma as integrais em somas
32 Algoritmo LBG (1/3) O número de palavras-código duplica entre cada iteração através da divisão de cada palavra-código da iteração anterior em duas O processo pode continuar até que o número de palavras códigos seja adequado Utiliza o algoritmo de Lloyd generalizado como um loop interno
33 Algoritmo LBG (2/3) 1. Inicie com uma palavra-código y 1 *0 que vale E{X}, i= 0, N 0 = 1 2. A cada iteração duplique o número de palavras-código através da seguinte regra: y 1 y (0) * i n n (0) * i ynn 1 yn,1 n N onde ε é um valor escolhido*. Faça i = i+1 e N i = 2N i-1 3. Faça iterações de Lloyd generalizada até que a variação na distorção seja baixa, resultando num conjunto de vetores {y 1 *i, y 2 *i,..., y N *i }, o conjunto de vetores-código ótimos da i-ésima iteração do algoritmo LBG 4. Se o número de palavras-código for insuficiente, retorne ao passo 2. Caso contrário, encerre *: a divisão pode ser feita de outra forma, desde que os vetores descendentes sejam ligeiramente diferentes do ancestral
34 Algoritmo LBG (3/3) Exemplo extraído do site
35 Status dos problemas Cada iteração foi simplificada ao considerar somente um conjunto de vetores teste, implicando em substituição da integral por um somatório para determinação da palavra-código (y i ) A complexidade do algoritmo aumenta com o número de iterações pois o número de palavras-código dobra a cada iteração É necessário comparar cada um dos vetores teste com cada uma das palavras-código O processo de codificação continua complexo, pois ainda é necessário uma busca N-ária para a determinar qual é a palavracódigo a ser transmitida Não há garantia de que teremos um quantizador globalmente ótimo (e nem teremos)
36 Quantização vetorial em árvore (1/2) Reduz a complexidade de construção do quantizador e do processo de codificação Se há N = M K palavras código, a busca N-ária pode ser substituida por K buscas M-árias Para isso, é necessário uma estrutura em árvore
37 Quantização vetorial em árvore Cada nó, exceto os terminais, possui um conjunto de M vetores teste associados, denominado Y* {U1,U2, } (o comprimento do subscrito varia de acordo com a profundidade na qual estamos na árvore) Em cada nó, o vetor X a ser quantizada é comparada com os M vetores teste do nó Escolhe-se o ramo associado ao vetor dentro do conjunto de M vetores teste que for mais próximo de X Repete-se o procedimento até que se chegue a um nó terminal, que possui um vetor-código associado Os ramos que ligam os nós podem ser indexados de forma que a concatenação dos índices do caminho percorrido na arvore da raíz até a ponta seja o rótulo da palavra-código
38 Quantização vetorial em árvore Y* Y* {1} Y* {2} Y* {3} Y* {1,1} Y* {1,2} Y* {1,3} Y* {2,1} Y* {2,2} Y* {2,3} Y* {3,1} Y* {3,2} Y* {3,3} Árvore para M = 3, K = 2
39 Algoritmo de codificação 1. Ache y i pertencente a Y* que minimiza d(x, y i ). U 1 = i, k = k+1 2. Ache y i pertencente a Y*, {U 1 U2,...,Uk-1} que minimiza d(x, y i ). U k = i, k = k+1 3. Se k < K, retorne ao passo 2 4. O índice da palavra código é U 1,...,U K
40 Como construir este quantizador? Estrutura da árvore e conjuntos associados a cada nó para M = 2 vem diretamente de uma variação do algoritmo LBG: Algoritmo original: Todas as palavras código são divididas em 2 Região associada a cada palavra código depende de p(x), ou de todas as amostras de X disponíveis Algoritmo modificado Todas as palavras código são divididas em 2 Região associada a cada nova palavra código depende de p(x) onde X pertence somente à região que foi mapeada para a palavra código mãe Conjunto inicial Y* são os primeiros dois descendentes Conjuntos em cada nó são as descendentes da palavra-código ancestral
41 Exemplo Vetor com duas dimensões uniformemente distribuído entre (-1,-1) e (1,1) Y* = (0.5,0) (-0.5,0) Y* {1} = (0.5,0.5) (0.5,-0.5) Y* {2} = (-0.5,0.5) Y* {1,1} = (0.25,0.5) (0.75,0.5) Y* {2,1} = (-0.25,0.5) (-0.75,0.5) Y* {1,2} = (0.25-,0.5) (0.75,-0.5) Y* {2,2} = (-0.25-,0.5) (-0.75,-0.5) (-0.5,-0.5)
42 Contrapartidas do método É necessário armazenar, além das palavras-código, os conjuntos de vetores teste associados a cada nó Não necessariamente acha a palavracódigo mais próxima, o que resulta num aumento de distorção Não funciona bem com distribuições não simétricas
43 Quantização por transformada (1/2) Queremos quantizar um vetor X K = X 1,X 2,,X K com dimensão K Há alguma correlação entre estes valores, isto é, há alguma redundância É possível que para alguma transformada Y K = f(x K ) Os K valores do vetor Y K não são muito correlacionados Apenas alguns valores de Y K são relativamente grandes, enquanto outros são relativamente muito pequenos e poderiam ser ignorados Se houver tal transformada, é de se esperar que a quantização de Y K seja mais eficiente do que a de X K, embora não haja garantia teórica disto
44 Quantização por transformada (2/2) O esquema da quantização por transformada é dado por: X K Y K q(y K ) X K Fonte Transf. Quant. Transf. Inversa Sinal Quantizado Humanos observam sinais no tempo/espaço que em muitas situações possuem somente alguns componentes espectrais relevantes Logo, uma transformação tempo/espaço frequência pode ser útil
45 Qual transformada usar? DFT? K1 2 i X[ n] x[ k]exp kn k0 N É fácil de implementar (FFT) Envolve números complexos DCT Discrete Cossine Transform K1 1 X[ n] x[ k]cos k n k0 N 2 Coeficientes são reais Assim como a DFT, pode ser implementada eficientemente (FCT) Há variantes (DCT-I, DCT-II, DCT-VIII) que dependem de condições de simetria consideradas
46 DCT(1/4) Transformada DCT-II (unidimensional) Inversa (DCT-III) [ ] [ ]cos 2 K k X n x k k n N [ ] [0] [ ]cos 2 2 K k x n X X k n k N
47 DCT(2/4) Propriedades: Implica na utilização de uma base de cossenos Converte uma sequência de K valores reais em K coeficientes reais da base de cossenos utilizada Assim como a FFT, a FCT(Fast Cossine Transform) possui complexidade O(KlogK) Possui extensões multidimensionais K11K X[ n1, n2] x[ k1, k2]cos k1 n1 cos k2 n2 k10 k20 K1 2 K2 2
48 DCT(3/4) Base de cossenos unidimensional (K = 8) Base de cossenos bidimensional (K 1 = K 2 = 8)
49 Amplitude DCT(4/4) Exemplo: Transformação e quantização de um sinal de áudio com 8 amostras X = [ ] 0.2 DCT(X) = [ ] 0 DCT(X ) = [ ] Sinal Original Sinal Amostrado Sinal codificador Tempo X =[ ] ε =[ ] RSR 20dB
50 Compressão de imagens com a DCT - JPEG Assume a hipótese de que pixels vizinhos numa imagem que faça sentido para seres humanos serão semelhantes Represente cada pixel da imagem através do padrão Y CbCr Cada pixel é representado por um valor que representa a luminescência (Y) e dois que representam a crominância (Cb e Cr) Como os valores são usualmente representados por 8 bits, a faixa de valores possíveis são os inteiros entre 0 e 255 inclusive Como o olho humano é mais sensível a variações na luminescência do que em cores, a resolução dos valores Cb e Cr é reduzida Cada componente da imagem é processado separadamente a partir de então
51 Compressão de imagens com a DCT - JPEG A imagem é quebrada em blocos de 8x8 pixels Os valores são centralizados em torno de zero (subtrai-se 128 quando são utilizados 8 bits) Para cada bloco obtém-se a DCT, que também é uma matriz 8x8. Para armazenar os valores corretamente, a precisão dos números é temporariamente aumentada A quantização ocorre com perda de informação: Divide-se a matriz obtida no passo anterior por uma matriz de quantização previamente definida, célula a célula A matriz de quantização possui valores menores para as baixas frequências, de modo que a matriz resultante da divisão terá valores representando as altas frequências muito próximas de zero Após a divisão os valores são arredondados para o inteiro mais próximo. Valores representando altas frequências frequentemente serão arredondadas para zero
52 Compressão de imagens com a DCT - JPEG Divide-se a matriz obtida no passo anterior por uma matriz de quantização previamente definida, célula a célula A matriz de quantização possui valores menores para as baixas frequências, de modo que a matriz resultante da divisão terá valores representando as altas frequências muito próximas de zero Após a divisão os valores são arredondados para o inteiro mais próximo, causando perda de informação. Valores representando altas frequências frequentemente serão arredondadas para zero Uma qualidade maior pode ser obtida multiplicando-se a matriz por um escalar antes do arredondamento, o que faria com que mais valores sejam diferentes de zero após o arredondamento
53 Compressão de imagens com a DCT - JPEG A matriz arredondada é serializada através da leitura dos seus termos em zigzag A sequência (finita) obtida pode possuir um valor especial para indicar que o restante dos elementos vale zero Os elementos da sequência são codificados através de um código de Huffman
54 Exemplo (1/7) Fonte: Wikipédia Seja a seguinte (sub)imagem e sua respectiva matriz, com valores entre 0 e
55 Exemplo (2/7) Normalização e transformação da matriz DCT
56 Exemplo (3/7) Divisão pela matriz de quantização / =
57 Exemplo (4/7) Arredondamento para o inteiro mais próximo
58 Exemplo (5/7) Serialização dos valores Indica que o restante da sequência vale zero E0B
59 Exemplo (6/7) Reconstrução da imagem se dá pelo processo reverso Matriz original Matriz recomposta
60 Exemplo (7/7) Reconstrução da imagem se dá pelo processo reverso Matriz original Matriz recomposta
Compressão de Imagens. Lilian Nogueira de Faria (Bolsista)...DPI/INPE Leila Maria Garcia Fonseca (Coordenadora)...DPI/INPE
Compressão de Imagens Lilian Nogueira de Faria (Bolsista)...DPI/INPE Leila Maria Garcia Fonseca (Coordenadora)...DPI/INPE Imagens digitais necessitam de grande quantidade de espaço para armazenamento e
Leia maisCompressão e Codificação de Dados. Primeiro Exame e Segundo Teste
Compressão e Codificação de Dados. Primeiro Exame e Segundo Teste Mestrado em Engenharia Electrotécnica e de Computadores, IST 7 de Janeiro de 2012 Nome: Número: NOTAS: Exame (3 horas): tudo. Segundo teste
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 23 de novembro de 2016 Compressão de imagens engloba técnicas
Leia maisEET-49 Comunicações II
EET-49 Comunicações II Parte 4 - Codificação sem perda de informação March 20, 2012 1 Introdução Realizar a codificação da fonte é representá-la da menor forma possível Se a utilização não permite a perda
Leia maisCOMUNICAÇÃO DIGITAL INTRODUÇÃO À TEORIA DE INFORMAÇÃO
COMUNICAÇÃO DIGITAL INTRODUÇÃO À TEORIA DE INFORMAÇÃO Evelio M. G. Fernández - 2011 Introdução à Teoria de Informação Em 1948, Claude Shannon publicou o trabalho A A Mathematical Theory of Communications.
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 maisCompressão de Imagens: Padrão JPEG
Compressão de Imagens: Padrão JPEG PTC2547 Princípios de Televisão Digital Guido Stolfi 09/2017 EPUSP - Guido Stolfi 1 / 75 Temas Abordados Justificativas para Compressão de Imagens Codificador JPEG Transformada
Leia maisCódigos de Permutação para Compressão de Dados e Modulação 13. Codificador de fonte. Decodificador. Figura 1.1: Modelo de um sistema de comunicações.
1 Introdução Neste trabalho, estamos interessados nos problemas da teoria de comunicações conhecidos como compressão de dados e modulação. Um modelo típico de um sistema de comunicações é mostrado na Fig.
Leia maisTeoria da Informação
Charles Casimiro Cavalcante charles@gtel.ufc.br Grupo de Pesquisa em Telecomunicações Sem Fio GTEL Programa de Pós-Graduação em Engenharia de Teleinformática Universidade Federal do Ceará UFC http://www.gtel.ufc.br/
Leia maisUniversidade Federal do Rio Grande do Sul Instituto de Informática
Universidade Federal do Rio Grande do Sul Instituto de Informática INF01046: Fundamento de Processamento de Imagens PROFESSOR JACOB SCHARCANSKI Projeto II: Compactação de Imagens Autores: Charles Arnoud
Leia maisAula 3- Codificação de Canal. October 18, 2017
ELE-32 Introdução a Comunicações Aula 3- Codificação de Canal October 18, 2017 1 Introdução Em muitas situações, a mensagem a ser transmitida por um sistema de comunicações é uma sequência de bits. Entretanto,
Leia mais4 Método Proposto Visão geral do Método
52 4 Método Proposto Neste trabalho é sugerida uma nova metodologia para compressão de dados sísmicos volumétricos. O método proposto é baseado no uso da transformada wavelet 3D. Também será apresentado
Leia maisTeoria de distorção da taxa
Teoria de distorção da taxa Luis Henrique Assumpção Lolis 11 de outubro de 2013 Luis Henrique Assumpção Lolis Teoria de distorção da taxa 1 Conteúdo 1 Função discreta de distorção da taxa 2 Propriedades
Leia maisCodificação de Huffman
Codificação de Huffman Bruna Gregory Palm 11 de setembro de 2017 A codificação de Huffman é um método de compressão que considera as probabilidades de ocorrência de cada símbolo no conjunto de dados a
Leia maisEET-61 Introdução a Teoria da Informação
EET-61 Introdução a Teoria da Informação Aula 3- Codificação de Canal October 24, 2018 1 Introdução Em muitas situações, a mensagem a ser transmitida por um sistema de comunicações é uma sequência de bits.
Leia maisTE111 Comunicação Digital
TE111 Comunicação Digital Introdução à Teoria de Informação e Codificação de Fonte 15 de outubro de 2018 Introdução à Teoria de Informação Em 1948, Claude Shannon publicou o trabalho A Mathematical Theory
Leia maisUniversidade Federal de Sergipe Departamento de Matemática. Imagem* Profª. Maria Andrade. *Parte desta apresentação foi do Prof. Thales Vieira.
Universidade Federal de Sergipe Departamento de Matemática Imagem* Profª. Maria Andrade *Parte desta apresentação foi do Prof. Thales Vieira. 2016 O que é uma imagem digital? Imagem no universo físico
Leia maisPTC3452 Exercícios sobre Codificação perceptual de Áudio e Vídeo 11/2017 G. S.
PTC3452 Exercícios sobre Codificação perceptual de Áudio e Vídeo /207 G. S. ) O padrão ao lado representa um bloco de 8x8 elementos de imagem. Os elementos pretos possuem intensidade -27 e os elementos
Leia maisTelevisão Digital. Codificação de Entropia Códigos de Huffman. Hélio Manuel Gonçalves Jaco
Codificação de Entropia Códigos de Huffman Hélio Manuel Gonçalves Jaco Porto, Outubro de 2006 1. Objectivo Desenvolver um programa que gere códigos de Huffman de imagens às quais foi aplicada uma transformada
Leia maisPadrões de Compressão de Imagens
Aula 10 Padrões de Compressão de Imagens Diogo Pinheiro Fernades Pedrosa diogopedrosa@ufersa.edu.br http://www2.ufersa.edu.br/portal/professor/diogopedrosa Universidade Federal Rural do Semiárido Departamento
Leia maiscanal para sinais contínuos
Processos estocásticos, Entropia e capacidade de canal para sinais contínuos 24 de setembro de 2013 Processos estocásticos, Entropia e capacidade de canal para1 sin Conteúdo 1 Probabilidade de sinais contínuos
Leia maisTelevisão Digital 5ºano 2006/2007. Compressão/Descompressão de Imagens JPEG. Trabalho realizado por: Carla Neves, nº
Televisão Digital 5ºano 2006/2007 Compressão/Descompressão de Imagens JPEG Trabalho realizado por: Carla Neves, nº010503162 Índice Índice... pág2 Introdução... pág.3 Objectivos... pág.5 Implementação...
Leia maisUniversidade de Pernambuco Escola Politécnica de Pernambuco
Universidade de Pernambuco Escola Politécnica de Pernambuco TV Analógica e Digital Codificação de Fonte Prof. Márcio Lima E-mail:marcio.lima@poli.br 12.06.2014 Introdução A principal função de um sistema
Leia maisUniversidade Federal de Alagoas Instituto de Matemática. Imagem. Prof. Thales Vieira
Universidade Federal de Alagoas Instituto de Matemática Imagem Prof. Thales Vieira 2011 O que é uma imagem digital? Imagem no universo físico Imagem no universo matemático Representação de uma imagem Codificação
Leia maisCódigos de blocos lineares. Outubro de 2017
Códigos de blocos lineares Outubro de 2017 Vamos introduzir alguns conceitos sobre códigos de blocos lineares. Definições: Deve-se assumir que a informação saída da fonte de informação é da forma binária
Leia mais2 Teoria da Informação
2 Teoria da Informação Neste capítulo apresentamos alguns conceitos básicos sobre Teoria da Informação que utilizaremos durante este trabalho. 2.1 Alfabeto, texto, letras e caracteres Um alfabeto Σ = (σ
Leia maisPrincípios de Telecomunicações. PRT60806 Aula 19: Modulação por Código de Pulso (PCM) Professor: Bruno Fontana da silva 2014
1 Princípios de Telecomunicações PRT60806 Aula 19: Modulação por Código de Pulso (PCM) Professor: Bruno Fontana da silva 2014 Bloco de Comunicação Genérico Emissor sinais analógicos x sinais digitais Sinais
Leia maisConceitos Básicos de Áudio Digital
Aula 07 Conceitos Básicos de Áudio Digital Diogo Pinheiro Fernandes Pedrosa Universidade Federal do Rio Grande do Norte Departamento de Ciências Exatas e Naturais Ciência da Computação Som Conceitos Iniciais
Leia maisFundamentos da Compressão de Vídeo
Sistemas de Telecomunicações 2007-2008 Televisão Digital Fundamentos da Compressão de Vídeo Rui Marcelino Abril 2008 Engenharia Electrica e Electrónica - TIT Sumário 1. Motivação para Compressão de Vídeo
Leia maisMODULAÇÃO POR CÓDIGO DE PULSO PCM
Instituto Federal de Santa Catarina Curso Técnico Integrado em Telecomunicações PRT- Princípios de Telecomunicações MODULAÇÃO POR CÓDIGO DE PULSO PCM Prof. Deise Monquelate Arndt Fontes: Princípios de
Leia maisFACULDADE DE TALENTOS HUMANOS DEPARTAMENTO DE ENGENHARIA ELÉTRICA PROCEDIMENTOS EXPERIMENTAIS DE COMUNICAÇÃO DIGITAL II PARA TELECOMUNICAÇÃO
FACULDADE DE TALENTOS HUMANOS DEPARTAMENTO DE ENGENHARIA ELÉTRICA PROCEDIMENTOS EXPERIMENTAIS DE COMUNICAÇÃO DIGITAL II PARA TELECOMUNICAÇÃO PROF. ENG. ESP. ANTONIO CARLOS LEMOS JÚNIOR acjunior@facthus.edu.br
Leia maisTeoria das Comunicações Prof. André Noll Barreto Prova /02
Prova 3 010/0 7/01/011 Aluno: Matrícula: Instruções A prova consiste em 4 questões discursivas. A prova terá a duração de h30. A prova pode ser feita a lápis ou caneta. Não é permitida consulta a notas
Leia mais2 Conceitos iniciais 19
Conceitos iniciais 19 2 Conceitos iniciais Neste capítulo apresentaremos alguns conceitos básicos sobre formatos e qualidade de vídeo, codificação de vídeo e medidas de energia de um bloco de pixels. Estes
Leia maisClassificação e Pesquisa de Dados. Aula 27 Compressão de Dados Multimídia: Compressão de Imagens
Classificação e Pesquisa de Dados Aula 27 Compressão de Dados Multimídia: Compressão de Imagens UFRGS INF01124 Compressão de Imagens Reduz a quantidade de dados necessária para representar uma imagem Compressão
Leia mais4 Codificador WZ-LIA Motivação
75 4 Codificador WZ-LIA 4.1. Motivação O método mais utilizado na codificação distribuída de vídeo é o método de codificação no domínio do pixel (PDWZ Pixel Domain Wyner-Ziv Codec) [69, 72], onde não se
Leia maisProcessamento Digital de Imagens. Quantização de Imagens
Processamento Digital de Imagens Quantização de Imagens Eduardo A. B. da Silva Programa de Engenharia Elétrica - COPPE/UFRJ Laboratório de Sinais, Multimídia e Telecomunicações eduardo@smt.ufrj.br Sergio
Leia maisSegundo Exame e Repescagem de Testes. Mestrado em Engenharia Electrotécnica e de Computadores, IST 25 de Janeiro de 2014
Compressão e Codificação de Dados Segundo Exame e Repescagem de Testes Mestrado em Engenharia Electrotécnica e de Computadores, IST 25 de Janeiro de 201 Nome: Número: NOTAS: 1. Exame (3 horas): tudo. Primeiro
Leia mais4 C odigos de Huffman 4.1 Arvores de c odigo folhas os internos n ıvel altura Arvore bin aria arvore bin aria ordenada
4 Códigos de Huffman 4.1 Árvores de código Numa árvore qualquer, os nós que não têm filhos são chamados de folhas e os demais nós são chamados de nós internos. Se um nó de uma árvore é filho de outro,
Leia maisProcessamento de Imagem. Compressão de Imagens Professora Sheila Cáceres
Processamento de Imagem Compressão de Imagens Professora Sheila Cáceres Porque comprimir? Técnicas de compressão surgiram para reduzir o espaço requerido para armazenamento e o tempo necessário para transmissão
Leia maisCálculo Numérico. que é denominado erro relativo. Temos então para os dados acima:
Cálculo Numérico 1 Erros Nenhum resultado obtido através de cálculos eletrônicos ou métodos numéricos tem valor se não tivermos conhecimento e controle sobre os possíveis erros envolvidos no processo.
Leia maisDescodificação iterativa
Sílvio A. Abrantes DEEC/FEUP 26 Descodificação iterativa 2 Descodificação de códigos LDPC por transferência de mensagens em grafos de Tanner Introdução Diagrama de blocos de um sistema genérico de codificação
Leia maisCompressão de Imagens em Movimento
Compressão de Imagens em Movimento Padrão MPEG-1 / Video PTC2547 Princípios de Televisão Digital Guido Stolfi 9/2015 EPUSP - Guido Stolfi 1 / 58 Compressão M-JPEG Considera cada quadro sucessivo como uma
Leia maisTécnicas de Compactação e Compressão. Compressão. Técnicas de Compactação e Compressão. Compactação x Compressão
Departamento de Engenharia de Telecomunicações - UFF Técnicas de Compactação e Compressão Profa. Débora Christina Muchaluat Saade deborams@telecom.uff.br Técnicas de Compactação e Compressão Compactação
Leia maisCOMPRESSÃO E CODIFICAÇÃO SEM PERDAS. Mauro Nogueira Mônica Festa Paulo Antiquera
COMPRESSÃO E CODIFICAÇÃO SEM PERDAS Mauro Nogueira Mônica Festa Paulo Antiquera Introdução Armazenamento ou transmissão compressão (compactação) de dados Compressão sem perdas Imagens médicas documentos
Leia maisTransformada Discreta de Fourier
Processamento Digital de Sinais Transformada Discreta de Fourier Prof. Dr. Carlos Alberto Ynoguti Jean Baptiste Joseph Fourier Nascimento: 21 de março de 1768 em Auxerre, Bourgogne, França Morte: 16 de
Leia mais3 Estimação e Compensação de movimento na codificação de vídeo
Estimação e Compensação de movimento na codificação de vídeo 36 3 Estimação e Compensação de movimento na codificação de vídeo O objetivo do modelo temporal (que engloba as fases de estimação e compensação
Leia maisCanais discretos sem memória e capacidade do canal
Canais discretos sem memória e capacidade do canal Luis Henrique Assumpção Lolis 17 de outubro de 2013 Luis Henrique Assumpção Lolis Canais discretos sem memória e capacidade do canal 1 Conteúdo 1 Canais
Leia maisExemplo de Aplicação de Algoritmos Genéticos. Prof. Juan Moisés Mauricio Villanueva cear.ufpb.br/juan
Exemplo de Aplicação de Algoritmos Genéticos Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br cear.ufpb.br/juan Estrutura do Algoritmo Genético Algoritmo genético Inicio t = 0 inicializar P(t)
Leia maisSEL Processamento Digital de Imagens Médicas. Aula 4 Transformada de Fourier. Prof. Dr. Marcelo Andrade da Costa Vieira
SEL 0449 - Processamento Digital de Imagens Médicas Aula 4 Transformada de Fourier Prof. Dr. Marcelo Andrade da Costa Vieira mvieira@sc.usp.br Jean Baptiste Joseph Fourier 2 Exemplo: Função Degrau 3 Exemplo:
Leia maisCompressão de Textos. Introdução. Introdução. Introdução. O volume de informação textual disponível on-line é imenso:
Compressão de Textos Estrutura de Dados II Prof. Guilherme Tavares de Assis Universidade Federal de Ouro Preto UFOP Instituto de Ciências Exatas e Biológicas ICEB Departamento de Computação DECOM O volume
Leia maisCálculo Numérico. que é denominado erro relativo. Temos então para os dados acima:
Cálculo Numérico 1 Erros Nenhum resultado obtido através de cálculos eletrônicos ou métodos numéricos tem valor se não tivermos conhecimento e controle sobre os possíveis erros envolvidos no processo.
Leia maisAmostragem de Sinais
UNIVERSIDADE FEDERAL DA PARAÍBA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA Amostragem de Sinais Prof. Juan Moises Mauricio Villanueva jmauricio@cear.ufpb.br 1 Amostragem (Sampling) Para um sinal
Leia maisControle Ótimo - Aula 2 (Exemplos 2, 3 e 4)
Controle Ótimo - Aula 2 (Exemplos 2, 3 e 4) Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos Sistemas dinâmicos discretos no tempo O Problema
Leia mais6 Inserção Seletiva de Nulos
6 Inserção Seletiva de Nulos 6.1 Introdução Neste capítulo será apresentado o algoritmo ADDNULLS - Inserção Seletiva de Nulos. Este algoritmo usa a técnica da esteganografia para esconder os símbolos codificados
Leia maisEstudo sobre decodificação iterativa usando códigos de treliça
Revista de Engenharia e Pesquisa Aplicada, Volume 2, Número 1, 2016 Estudo sobre decodificação iterativa usando códigos de treliça Souza, I. M. M. Escola Politécnica de Pernambuco Universidade de Pernambuco
Leia maisTeoria da Informação
Charles Casimiro Cavalcante charles@gtel.ufc.br Grupo de Pesquisa em Telecomunicações Sem Fio GTEL Programa de Pós-Graduação em Engenharia de Teleinformática Universidade Federal do Ceará UFC http://www.gtel.ufc.br/
Leia maisPrincípios Básicos de Teoria da Informação
Princípios Básicos de Teoria da Informação Teorema da Codificação de Fonte Teorema Fundamental de Shannon Até que limite é possível comprimir um conjunto de dados? Qual a maior taxa de transmissão de informação
Leia maisMomentos: Esperança e Variância. Introdução
Momentos: Esperança e Variância. Introdução Em uma relação determinística pode-se ter a seguinte relação: " + " = 0 Assim, m =, é a declividade e a e b são parâmetros. Sabendo os valores dos parâmetros
Leia maisELE32 Introdução a Comunicações Codificação de Canal. ITA 2º. Semestre de 2017
ELE32 Introdução a Comunicações Codificação de Canal ITA 2º. Semestre de 2017 manish@ita.br Canal causa erros de transmissão X Y (1-q) 0 (1-p) 0 p p q 1 (1-p) 1 Como proteger informação contra erros de
Leia maisTeoria da Informação. Codificação de Fonte
Codificação de Fonte lucianol@inatel.br /62 Conteúdo e Referência. Revisão: Probabilidade e Variáveis Aleatórias 2. Fontes de informação amostragem e quantização 3. Princípios da 4. Compactação de Fonte
Leia maisTransformada Discreta de Fourier
Processamento Digital de Sinais Transformada Discreta de Fourier Prof. Dr. Carlos Alberto Ynoguti Jean Baptiste Joseph Fourier Nascimento: 21 de março de 1768 em Auxerre, Bourgogne, França Morte: 16 de
Leia mais3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução
3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução Como já mencionado na seção 1.1, as SVMs geram, da mesma forma que redes neurais (RN), um "modelo caixa preta" de
Leia maisComunicaçõ. ções Digitais II. Texto original por Prof. Dr. Ivan Roberto Santana Casella
PTC-43 Comunicaçõ ções Digitais II Texto original por Prof. Dr. Ivan Roberto Santana Casella Representaçã ção o Geométrica de Sinais A modulação digital envolve a escolha de um sinal específico s i (t)
Leia maisMPEG-4 & H.264. Dissertação, entendimento e comparativo entre e com o MPEG-2
MPEG-4 & H.264 Dissertação, entendimento e comparativo entre e com o MPEG-2 UFF Departamento de Engenharia de Telecomunicações 2005/1 Mestrado em Eng. de Telecomunicações Professora Debora Christina Muchaluat
Leia maisuniversidade federal de pernambuco departamento de estatística
soluções do o exercício escolar Teoria da Informação set./207 a) Qual a variável aleatória de maior incerteza? Surpreendentemente, há uma maior incerteza sobre a variável aleatória X, é definida apenas
Leia maisCompressão de imagens de satélite (embarcado e solo)
1/55 Compressão de imagens de satélite (embarcado e solo) Barbara Maximino da Fonseca Reis Henrique Niwa Vander Luis de Souza Freitas Programa de Pós-Graduação em Computação Aplicada Laboratórios Associados
Leia maisCOM29008 LISTA DE EXERCÍCIOS #
INSTITUTO FEDERAL DE SANTA CATARINA CAMPUS SÃO JOSÉ COORDENADORIA DE ÁREA DE TELECOMUNICAÇÕES ENGENHARIA DE TELECOMUNICAÇÕES COM98 LISTA DE EXERCÍCIOS # 8. Exercícios. [, 9.5] Um processo estocástico gaussiano,
Leia maisCompressão Sem Perdas: Codificações Huffman e Aritmética. Adelar da Silva Queiróz Marcelo Teixeira Thiago da Silva Sodré
Compressão Sem Perdas: Codificações Huffman e Aritmética Adelar da Silva Queiróz Marcelo Teixeira Thiago da Silva Sodré Compressão Sem Perdas (Lossless Data Compression) Refere-se a métodos de compressão
Leia maisAlgoritmos de Compressão sem Perdas
Algoritmos de Compressão sem Perdas (continuação) Aula 08 Diogo Pinheiro Fernandes Pedrosa Universidade Federal Rural do Semiárido Departamento de Ciências Exatas e Naturais Curso de Ciência da Computação
Leia maisTÉCNICAS DE CODIFICAÇÃO DE SINAIS
TÉCNICAS DE CODIFICAÇÃO DE SINAIS COMPRESSÃO SEM PERDAS Evelio M. G. Fernández - 2010 Exemplo Símbolo Prob I II III IV A 1/2 00 0 0 0 B 1/4 01 11 10 01 C 1/8 10 00 110 011 D 1/8 11 01 1110 0111 Entropia
Leia maisSinais e Sistemas Mecatrónicos
Sinais e Sistemas Mecatrónicos Sinais e Sistemas Sinais Contínuos no Tempo José Sá da Costa José Sá da Costa T2 - Sinais Contínuos 1 Sinais Sinal É uma função associada a um fenómeno (físico, químico,
Leia maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Leia maisOtimização da Paleta de Cores
Otimização da Paleta de Cores Resumo O objetivo deste artigo é apresentar a técnica de otimização da paleta de cores utilizada no MSX Viewer 5 para encontrar a melhor paleta de cores do MSX 2 e do v9990,
Leia maisTE060 Princípios de Comunicação. Sistemas de Comunicação Digital Notes. Por quê Digital? Notes. Notes. Evelio M. G. Fernández. 5 de novembro de 2013
TE060 Princípios de Comunicação Modulação de Pulso 5 de novembro de 2013 Sistemas de Comunicação Digital Sistema digital no sentido de utilizar uma sequência de símbolos pertencentes a um conjunto finito
Leia maisUNIVERSIDADE FEDERAL DO ABC. 1 Existência e unicidade de zeros; Métodos da bissecção e falsa posição
UNIVERSIDADE FEDERAL DO ABC BC1419 Cálculo Numérico - LISTA 1 - Zeros de Funções (Profs. André Camargo, Feodor Pisnitchenko, Marijana Brtka, Rodrigo Fresneda) 1 Existência e unicidade de zeros; Métodos
Leia maisFormatos de Áudio e Vídeo Digital Compactação de Vídeo
Redes Multimídia 2016.2 Formatos de Áudio e Vídeo Digital Compactação de Vídeo Curso Superior de Tecnologia em Sistemas para Internet Turma: TEC.SIS.4T Redes Multimídia Conteúdo Programático :: 1 a Unidade
Leia maisTeoria das Comunicações Prof. André Noll Barreto Prova 3
Prova 3 6/08/010 Aluno: Matrícula: Questão 1 ( pontos) Queremos transmitir a seguinte sequência de bits: 1001110010 Esboce o sinal transmitido para os seguintes esquemas (0, ponto cada): a) sinalização
Leia maisRepresentação de sinais
Representação de sinais Espaços vectoriais Seja F o conjunto de todos os sinais definidos no intervalo Neste conjunto estão definidas as operações de adição de funções e multiplicação por escalares (reais
Leia maisAcadêmicos: Cassiano Cesar Casagrande Claudir Galesky Junior Rafael Voltolini
JPEG2000 Acadêmicos: Cassiano Cesar Casagrande Claudir Galesky Junior Rafael Voltolini Compressão JPEG2000 A codificação pode ser dividida em três partes principais: Pré-processamento Processamento principal
Leia maisTE231 Capitulo 2 Zeros de Funções; Prof. Mateus Duarte Teixeira
TE231 Capitulo 2 Zeros de Funções; Prof. Mateus Duarte Teixeira Sumário 1. Como obter raízes reais de uma equação qualquer 2. Métodos iterativos para obtenção de raízes 1. Isolamento das raízes 2. Refinamento
Leia maisTeoria das Comunicações
1 - Introdução Enlace de um Sistema de Comunicação fonte mensagem transdutor Transmissor Modulador canal ruído receptor transdutor destino mensagem (estimada) sinal de entrada sinal com distorção sinal
Leia maisELE32 Introdução a Comunicações Codificação de Canal Códigos cíclicos. ITA 2º. Semestre de 2017
ELE32 Introdução a Comunicações Codificação de Canal Códigos cíclicos ITA 2º. Semestre de 2017 manish@ita.br Problema Não deve ter sido trivial encontrar um codificador de canal com boas propriedades Além
Leia maisRepresentação da Informação
Representação da Informação José Gustavo de Souza Paiva Introdução Representação é feita na forma digital Por que? Sistemas Computacionais só manipulam dados digitais Dados digitais são mais fáceis de
Leia maisProf. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística. Curso: Engenharia de Produção
Considere a função f(x). Para algum x a f (x) pode não existir. Suponha que se queira resolver o seguinte PPNL: Max f(x) s. a a x b Pode ser que f (x) não exista ou que seja difícil resolver a equação
Leia maisDisciplina: Processamento Digital de Sinais Aula 05 - Implementação de Sistemas de Processamento Digital de Sinais (Parte 01)
Disciplina: Processamento Digital de Sinais Aula 05 - Implementação de Sistemas de Processamento Digital de Sinais (Parte 01) Prof. (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica
Leia maisConsidere a função f(x). Para algum x a f (x) pode não existir. Suponha que. Max f(x) s. a a x b
Considere a função f(x). Para algum x a f (x) pode não existir. Suponha que se queira resolver o seguinte PPNL: Max f(x) s. a a x b Pode ser que f (x) não exista ou que seja difícil resolver a equação
Leia maisInfluência do Tamanho do Bloco na DCT
LICENCIATURA EM ENGENHARIA ELECTROTÉCNICA E DE COMPUTADORES TELEVISÃO DIGITAL 2005/06 Influência do Tamanho do Bloco na DCT Autores: Carlos Graf Nuno Lima Grupo 4 Novembro de 2005 ÍNDICE 1. INTRODUÇÃO...
Leia maisParâmetros importantes de um Analisador de Espectros: Faixa de frequência. Exatidão (frequência e amplitude) Sensibilidade. Resolução.
Parâmetros importantes de um Analisador de Espectros: Faixa de frequência Exatidão (frequência e amplitude) Sensibilidade Resolução Distorção Faixa dinâmica Faixa de frequência: Determina as frequências
Leia maisCompressão de Imagens em Movimento
Compressão de Imagens em Movimento Padrão MPEG-1 / Video PTC2547 Princípios de Televisão Digital Guido Stolfi 9/2017 EPUSP - Guido Stolfi 1 / 59 Tópicos Abordados: M-JPEG Padrão MPEG-1 Codificação com
Leia maisPrincípios de Comunicação: Simulação /2
Princípios de Comunicação: Simulação 2 2015/2 18 de Novembro de 2015 Instruções 1. A simulação poderá ser feita em Matlab, Scilab ou C++; 2. A simulação deve ser entregue sob a forma de relatório em formato
Leia maisUma aplicação importante dos métodos de processamento digital de sinais é na determinação do conteúdo em frequência de um sinal contínuo
Análise Espectral Uma aplicação importante dos métodos de processamento digital de sinais é na determinação do conteúdo em frequência de um sinal contínuo Análise espectral: determinação do espectro de
Leia maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Definição Compressão de Imagem Formas de diminuir a área de armazenamento dos dados, reduzindo a quantidade de bits
Leia maisCodificação das variáveis: binária Iniciação da população: aleatória Avaliação: função aptidão Operadores. Critério de parada: número de gerações
AG Simples/Canônico (AGS) AG introduzido por Holland Funciona bem para problemas de otimização simples e/ou de pequenas dimensões A maior parte da teoria dos AGs está baseada no AGS Utilidade didática
Leia maisRepresentação e Aritmética em Ponto Flutuante. 35T12 Sala 3G4 Bruno Motta de Carvalho DIMAp Sala 15 Ramal 227
Representação e Aritmética em Ponto Flutuante 35T12 Sala 3G4 Bruno Motta de Carvalho DIMAp Sala 15 Ramal 227 Sistemas de Representação de Números no Computador Representação de números inteiros Dado um
Leia maisFormatação de fonte. PCM ( Pulse Code Modulation )
Formatação de fonte PCM ( Pulse Code Modulation ) Elementos básicos de um sistema PCM A obtenção de um sinal PCM envolve três operações: 1. Amostragem. uantização (uniforme ou não-uniforme) 3. Codificação
Leia maisParte 1 Questões Teóricas
Universidade de Brasília (UnB) Faculdade de Tecnologia (FT) Departamento de Engenharia Elétrica (ENE) Disciplina: Processamento de Imagens Profa.: Mylène C.Q. de Farias Semestre: 2014.2 LISTA 04 Entrega:
Leia maisUniversidade de Pernambuco Escola Politécnica de Pernambuco
Universidade de Pernambuco Escola Politécnica de Pernambuco TV Analógica e Digital Introdução Codificação de Canal Prof. Márcio Lima E-mail:marcio.lima@poli.br Introdução Visão Geral Introdução Motivação
Leia maisAprendizado por Instâncias Janelas de Parzen & Knn
Universidade Federal do Paraná (UFPR) Especialização em Engenharia Industrial 4.0 Aprendizado por Instâncias Janelas de Parzen & Knn David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Aprendizado por
Leia maisCódigos de bloco. Luis Henrique Assumpção Lolis. 1 de novembro de Luis Henrique Assumpção Lolis Códigos de bloco 1
Códigos de bloco Luis Henrique Assumpção Lolis 1 de novembro de 2013 Luis Henrique Assumpção Lolis Códigos de bloco 1 Conteúdo 1 Códigos de bloco lineares 2 Códigos sistemáticos 3 Síndrome 4 Distância
Leia mais