Fundamentos em Visualização
|
|
|
- Daniela Duarte Terra
- 5 Há anos
- Visualizações:
Transcrição
1 Fundamentos em Visualização SCC5836 Visualização Computacional Profa. Maria Cristina Instituto de Ciências Matemáticas e de Computação (ICMC) Universidade de São Paulo (USP) 1 / 92
2 Sumário 1 Processo de Visualização 2 Semiologia de Símbolos Gráficos 3 As Oito Variáveis Visuais 4 Taxonomias 5 Referências 2 / 92
3 Processo de Visualização No pipeline de visualização usuários podem interagir em qualquer ponto e cada ligação entre blocos é um mapeamento muitos-para-muitos 3 / 92
4 Processamento e Transformação de Dados Primeiro passo: pré-processamento e transformação dos dados em um formato adequado para ser processado Tratar valores ausentes (interpolação,...) Identificar dados errados Reduzir a quantidade de dados (amostragem, filtragem ou agregação) Normalizar os dados 4 / 92
5 Mapeamento Visual Segundo passo: dados são mapeados em representações gráficas específicas Escolha de propriedades gráficas: posição, geometria, cor, textura, etc. 5 / 92
6 Mapeamento Visual Segundo passo: dados são mapeados em representações gráficas específicas Escolha de propriedades gráficas: posição, geometria, cor, textura, etc. (a) (b) Figura: Diferentes exemplos de mapeamento visual. (a) uso inadequado de gráficos de barra e (b) uso mais adequado do gráfico de dispersão. 6 / 92
7 Mapeamento Visual Diferentes escolhas de mapeamento podem afetar a efetividade da visualização 7 / 92
8 Mapeamento Visual Diferentes escolhas de mapeamento podem afetar a efetividade da visualização 8 / 92
9 Mapeamento Visual Diferentes escolhas de mapeamento podem afetar a efetividade da visualização 9 / 92
10 Mapeamento Visual Diferentes escolhas de mapeamento podem afetar a efetividade da visualização Figura: Na análise do preço e consumo dos carros, a efetividade dessas representações pode ser muito diferente. Por exemplo, qual carro com preço acima de US$11, 000 apresenta melhor consumo?. 10 / 92
11 Medidas de Qualidade Como a medir a qualidade de uma visualização? Duas medidas são essenciais: Expressividade Efetividade 11 / 92
12 Medidas de Visualização Expressividade Uma visualização é expressiva se transmite toda e tão somente a informação desejada Pode ser dada pela razão entre a informação transmitida de fato e a informação que se deseja transmitir: M exp < 1 transmite menos informação do que a desejada 12 / 92
13 Medidas de Visualização Expressividade Uma visualização é expressiva se transmite toda e tão somente a informação desejada Pode ser dada pela razão entre a informação transmitida de fato e a informação que se deseja transmitir: M exp < 1 transmite menos informação do que a desejada M exp > 1 transmite mais informação do que a desejada 13 / 92
14 Medidas de Visualização Expressividade Uma visualização é expressiva se transmite toda e tão somente a informação desejada Pode ser dada pela razão entre a informação transmitida de fato e a informação que se deseja transmitir: M exp < 1 transmite menos informação do que a desejada M exp > 1 transmite mais informação do que a desejada M exp = 1 transmite exatamente a informação desejada (o ideal) 14 / 92
15 Medidas de Visualização Efetividade Uma visualização é efetiva se pode ser interpretada corretamente e rapidamente, a um custo de rendering aceitável Pode ser dada por (0 < M eff < 1) M eff = 1 (1 + T interpretar + T desenhar ) 15 / 92
16 Medidas de Visualização Efetividade Uma visualização é efetiva se pode ser interpretada corretamente e rapidamente, a um custo de rendering aceitável Pode ser dada por (0 < M eff < 1) M eff = 1 (1 + T interpretar + T desenhar ) Quanto maior M eff, maior a efetividade da visualização Se M eff é pequeno, ou o esforço de interpretação, ou o esforço de desenho, são muito altos 16 / 92
17 Sumário 1 Processo de Visualização 2 Semiologia de Símbolos Gráficos 3 As Oito Variáveis Visuais 4 Taxonomias 5 Referências 17 / 92
18 Semiologia de Símbolos Gráficos Semiologia: ciência que estuda como um símbolo ou marcador gráfico é interpretado Qualquer representação construída no plano Euclideano é formada por símbolos gráficos Diagramas, gráficos, mapas, figuras, desenhos, etc. 18 / 92
19 Símbolos e Visualizações Algumas imagens são reconhecidas universalmente, sem esforço (processamento pré-atentivo) Algumas imagens demandam esforço. Interpretação envolve dois estágios: 1 reconhecer os elementos gráficos 19 / 92
20 Símbolos e Visualizações Algumas imagens são reconhecidas universalmente, sem esforço (processamento pré-atentivo) Algumas imagens demandam esforço. Interpretação envolve dois estágios: 1 reconhecer os elementos gráficos 2 identificar a relação entre eles 20 / 92
21 Símbolos e Visualizações Algumas imagens são reconhecidas universalmente, sem esforço (processamento pré-atentivo) Algumas imagens demandam esforço. Interpretação envolve dois estágios: 1 reconhecer os elementos gráficos 2 identificar a relação entre eles 21 / 92
22 Símbolos e Visualizações Algumas imagens são reconhecidas universalmente, sem esforço (processamento pré-atentivo) Algumas imagens demandam esforço. Interpretação envolve dois estágios: 1 reconhecer os elementos gráficos 2 identificar a relação entre eles 22 / 92
23 Símbolos e Visualizações A descoberta de relações ou padrões começa pelo mapeamento entre os dados e os símbolos gráficos Qualquer padrão observado na tela deve corresponder a um padrão presente nos dados, caso contrário temos um artefato 23 / 92
24 Símbolos e Visualizações A descoberta de relações ou padrões começa pelo mapeamento entre os dados e os símbolos gráficos Qualquer padrão observado na tela deve corresponder a um padrão presente nos dados, caso contrário temos um artefato 24 / 92
25 Símbolos e Visualizações A descoberta de relações ou padrões começa pelo mapeamento entre os dados e os símbolos gráficos Qualquer padrão observado na tela deve corresponder a um padrão presente nos dados, caso contrário temos um artefato Similaridade nos dados similaridade visual dos símbolos correspondentes 25 / 92
26 Símbolos e Visualizações A descoberta de relações ou padrões começa pelo mapeamento entre os dados e os símbolos gráficos Qualquer padrão observado na tela deve corresponder a um padrão presente nos dados, caso contrário temos um artefato Similaridade nos dados similaridade visual dos símbolos correspondentes Ordem entre os itens de dados ordem visual entre os símbolos correspondentes 26 / 92
27 Análise de um Gráfico Ao analisar um gráfico Primeiro percebemos grupos de objetos (pré-atentivamente) 27 / 92
28 Análise de um Gráfico Ao analisar um gráfico Primeiro percebemos grupos de objetos (pré-atentivamente) Então tentamos categorizar esses grupos (cognitivamente) 28 / 92
29 Análise de um Gráfico Ao analisar um gráfico Primeiro percebemos grupos de objetos (pré-atentivamente) Então tentamos categorizar esses grupos (cognitivamente) Por fim, analisamos casos especiais (e.g., elementos sem relação com os grupos) 29 / 92
30 Análise de um Gráfico Ao analisar um gráfico Primeiro percebemos grupos de objetos (pré-atentivamente) Então tentamos categorizar esses grupos (cognitivamente) Por fim, analisamos casos especiais (e.g., elementos sem relação com os grupos) 30 / 92
31 Análise de um Gráfico Ao analisar um gráfico Primeiro percebemos grupos de objetos (pré-atentivamente) Então tentamos categorizar esses grupos (cognitivamente) Por fim, analisamos casos especiais (e.g., elementos sem relação com os grupos) Esse é o processo a ser suportado (pela visualização) nas tarefas de análise 31 / 92
32 Sumário 1 Processo de Visualização 2 Semiologia de Símbolos Gráficos 3 As Oito Variáveis Visuais 4 Taxonomias 5 Referências 32 / 92
33 As Oito Variáveis Visuais Uma maneira de codificar dados em uma representação gráfica é mapear diferentes itens e seus atributos em diferentes marcadores gráficos 33 / 92
34 As Oito Variáveis Visuais Uma maneira de codificar dados em uma representação gráfica é mapear diferentes itens e seus atributos em diferentes marcadores gráficos Elementos gráficos têm propriedades: cor, tamanho, etc. (variáveis visuais) É possível codificar até oito variáveis visuais 1 posição (disposição espacial) 2 formato (marcador) 3 tamanho 4 brilho 5 cor 6 orientação 7 textura 8 movimento 34 / 92
35 Posição Posição (1D, 2D ou 3D) é a variável gráfica mais importante A interpretação de uma visualização começa pela leitura do arranjo espacial Figura: Exemplos de representação com sobreposição (a) e com melhor espalhamento (b). 35 / 92
36 Marcador ou Formato Qualquer elemento gráfico pode ser usado como um marcador, incluindo símbolos letras e palavras Figura: Exemplos de marcadores gráficos. 36 / 92
37 Marcador ou Forma Marcadores devem ser o mais diferentes possível entre si, de modo a serem facilmente distinguíveis Os diferentes marcadores devem ter área e complexidade similares para evitar que um predomine sobre os demais 37 / 92
38 Tamanho (Comprimento, Área e Volume) Posição e formato são as variáveis determinantes, as demais apenas afetam a aparência dessas representações, por exemplo, o tamanho ou cor dos marcadores 38 / 92
39 Tamanho (Comprimento, Área e Volume) Tamanho pode mapear variáveis contínuas e categóricas. No segundo caso, melhor considerar poucas categorias Figura: Tamanho do marcador utilizado para mapear um atributo contínuo (preço do carro). 39 / 92
40 Brilho Pode-se utilizar um número grande de valores de Brilho (ou luminância), mas nem todos os valores serão distinguidos Deve-se considerar somente um conjunto reduzido de valores de brilho 40 / 92
41 Brilho Figura: Exemplo da utilização de brilho para mapear um atributo contínuo (tamanho do carro). 41 / 92
42 Cor Cor é definida em termos da saturação e tonalidade Tonalidade (matiz) é determinado pelo comprimento da onda dominante Figura: Tonalidade definida na horizontal, saturação na vertical. 42 / 92
43 Cor Cor é definida em termos da saturação e tonalidade Tonalidade (matiz) é determinado pelo comprimento da onda dominante Saturação é a concentração de tonalidade, relativamente ao cinza (pureza da cor) Figura: Tonalidade definida na horizontal, saturação na vertical. 43 / 92
44 Cor Mapa de cores (colormap): define como os valores são mapeados em cores Pode ser empregado para mapear atributos contínuos ou nominais (poucos valores) 44 / 92
45 Cor Figura: Exemplo de uso de cor para mapear um atributo contínuo (comprimento do carro). 45 / 92
46 Orientação Orientação ou direção de um marcador é processada pré-atentivamente Não é aplicável a todos os marcadores: mais adequado aos que apresentam um único eixo natural 46 / 92
47 Orientação Figura: Exemplo de uso de orientação para mapear um atributo contínuo (preço médio do carro). 47 / 92
48 Textura Textura pode ser interpretada como a combinação de diversas variáveis gráficas, como formato, cor e orientação 48 / 92
49 Textura Figura: Exemplo do uso de textura para mapear um atributo categórico (tipo de carro). 49 / 92
50 Movimento Movimento pode ser associado a qualquer das outras variáveis visuais Importante para indicar variação temporal 50 / 92
51 Movimento Movimento pode ser associado a qualquer das outras variáveis visuais Importante para indicar variação temporal G. Robertson, R. Fernandez, D. Fisher, B. Lee, J. Stasko. Effectiveness of Animation in Trend Visualization. IEEE Transactions on Visualization and Computer Graphics, vol. 14, no. 6, pp , November/December, / 92
52 Sumário 1 Processo de Visualização 2 Semiologia de Símbolos Gráficos 3 As Oito Variáveis Visuais 4 Taxonomias 5 Referências 52 / 92
53 Taxonomia Tipos de Dados por Tarefas Shneiderman [Shneiderman, 1996] propôs uma taxonomia para visualização em termos de dados e tarefas 53 / 92
54 Taxonomia Tipos de Dados por Tarefas Shneiderman [Shneiderman, 1996] propôs uma taxonomia para visualização em termos de dados e tarefas Os tipos de dados são linear unidimensional 54 / 92
55 Taxonomia Tipos de Dados por Tarefas Shneiderman [Shneiderman, 1996] propôs uma taxonomia para visualização em termos de dados e tarefas Os tipos de dados são linear unidimensional mapa bidimensional 55 / 92
56 Taxonomia Tipos de Dados por Tarefas Shneiderman [Shneiderman, 1996] propôs uma taxonomia para visualização em termos de dados e tarefas Os tipos de dados são linear unidimensional mapa bidimensional mundo tridimensional 56 / 92
57 Taxonomia Tipos de Dados por Tarefas Shneiderman [Shneiderman, 1996] propôs uma taxonomia para visualização em termos de dados e tarefas Os tipos de dados são linear unidimensional mapa bidimensional mundo tridimensional temporal 57 / 92
58 Taxonomia Tipos de Dados por Tarefas Shneiderman [Shneiderman, 1996] propôs uma taxonomia para visualização em termos de dados e tarefas Os tipos de dados são linear unidimensional mapa bidimensional mundo tridimensional temporal multidimensional 58 / 92
59 Taxonomia Tipos de Dados por Tarefas Shneiderman [Shneiderman, 1996] propôs uma taxonomia para visualização em termos de dados e tarefas Os tipos de dados são linear unidimensional mapa bidimensional mundo tridimensional temporal multidimensional árvore 59 / 92
60 Taxonomia Tipos de Dados por Tarefas Shneiderman [Shneiderman, 1996] propôs uma taxonomia para visualização em termos de dados e tarefas Os tipos de dados são linear unidimensional mapa bidimensional mundo tridimensional temporal multidimensional árvore rede 60 / 92
61 Taxonomia Tipos de Dados por Tarefas Os tipos de tarefas, mais centradas nas atividades de um analista, são Visão geral - obter uma visão geral dos dados 61 / 92
62 Taxonomia Tipos de Dados por Tarefas Os tipos de tarefas, mais centradas nas atividades de um analista, são Visão geral - obter uma visão geral dos dados Zoom - ganhar uma visão detalhada de uma região específica 62 / 92
63 Taxonomia Tipos de Dados por Tarefas Os tipos de tarefas, mais centradas nas atividades de um analista, são Visão geral - obter uma visão geral dos dados Zoom - ganhar uma visão detalhada de uma região específica Filtro - filtrar elementos não interessantes (reduz tamanho da busca) 63 / 92
64 Taxonomia Tipos de Dados por Tarefas Os tipos de tarefas, mais centradas nas atividades de um analista, são Visão geral - obter uma visão geral dos dados Zoom - ganhar uma visão detalhada de uma região específica Filtro - filtrar elementos não interessantes (reduz tamanho da busca) Detalhes-sob-demanda - selecionar um item ou grupo para obter detalhes quando necessário 64 / 92
65 Taxonomia Tipos de Dados por Tarefas Os tipos de tarefas, mais centradas nas atividades de um analista, são Visão geral - obter uma visão geral dos dados Zoom - ganhar uma visão detalhada de uma região específica Filtro - filtrar elementos não interessantes (reduz tamanho da busca) Detalhes-sob-demanda - selecionar um item ou grupo para obter detalhes quando necessário Relacionar - identificar relações entre itens 65 / 92
66 Taxonomia Tipos de Dados por Tarefas Os tipos de tarefas, mais centradas nas atividades de um analista, são Visão geral - obter uma visão geral dos dados Zoom - ganhar uma visão detalhada de uma região específica Filtro - filtrar elementos não interessantes (reduz tamanho da busca) Detalhes-sob-demanda - selecionar um item ou grupo para obter detalhes quando necessário Relacionar - identificar relações entre itens História - manter histórico para permitir retroceder 66 / 92
67 Taxonomia Tipos de Dados por Tarefas Os tipos de tarefas, mais centradas nas atividades de um analista, são Visão geral - obter uma visão geral dos dados Zoom - ganhar uma visão detalhada de uma região específica Filtro - filtrar elementos não interessantes (reduz tamanho da busca) Detalhes-sob-demanda - selecionar um item ou grupo para obter detalhes quando necessário Relacionar - identificar relações entre itens História - manter histórico para permitir retroceder Extrair - extrair itens ou atributos para facilitar outros usos 67 / 92
68 Taxonomia Tipos de Dados por Tarefas Os tipos de tarefas, mais centradas nas atividades de um analista, são Visão geral - obter uma visão geral dos dados Zoom - ganhar uma visão detalhada de uma região específica Filtro - filtrar elementos não interessantes (reduz tamanho da busca) Detalhes-sob-demanda - selecionar um item ou grupo para obter detalhes quando necessário Relacionar - identificar relações entre itens História - manter histórico para permitir retroceder Extrair - extrair itens ou atributos para facilitar outros usos 68 / 92
69 Taxonomia Tipos de Dados por Tarefas Os tipos de tarefas, mais centradas nas atividades de um analista, são Visão geral - obter uma visão geral dos dados Zoom - ganhar uma visão detalhada de uma região específica Filtro - filtrar elementos não interessantes (reduz tamanho da busca) Detalhes-sob-demanda - selecionar um item ou grupo para obter detalhes quando necessário Relacionar - identificar relações entre itens História - manter histórico para permitir retroceder Extrair - extrair itens ou atributos para facilitar outros usos Segundo Shneiderman, uma ferramenta efetiva deveria prover tudo! 69 / 92
70 Taxonomia de Keim Keim [Keim, 2002] propôs uma classificação baseada em três eixos tipos de dados técnicas de visualização métodos de interação/distorção 70 / 92
71 Taxonomia de Keim Os dados são classificados em unidimensionais - dados temporais, preços de ações, etc. 71 / 92
72 Taxonomia de Keim Os dados são classificados em unidimensionais - dados temporais, preços de ações, etc. bidimensionais - mapas, plantas, etc. 72 / 92
73 Taxonomia de Keim Os dados são classificados em unidimensionais - dados temporais, preços de ações, etc. bidimensionais - mapas, plantas, etc. multidimensionais - planilhas eletrônicas, tabelas relacionais, etc. 73 / 92
74 Taxonomia de Keim Os dados são classificados em unidimensionais - dados temporais, preços de ações, etc. bidimensionais - mapas, plantas, etc. multidimensionais - planilhas eletrônicas, tabelas relacionais, etc. texto e hipertexto - notícias, documentos web, etc. 74 / 92
75 Taxonomia de Keim Os dados são classificados em unidimensionais - dados temporais, preços de ações, etc. bidimensionais - mapas, plantas, etc. multidimensionais - planilhas eletrônicas, tabelas relacionais, etc. texto e hipertexto - notícias, documentos web, etc. hierarquia e grafos - tráfego de rede/telefonia, modelos de sistemas dinâmicos, etc. 75 / 92
76 Taxonomia de Keim Os dados são classificados em unidimensionais - dados temporais, preços de ações, etc. bidimensionais - mapas, plantas, etc. multidimensionais - planilhas eletrônicas, tabelas relacionais, etc. texto e hipertexto - notícias, documentos web, etc. hierarquia e grafos - tráfego de rede/telefonia, modelos de sistemas dinâmicos, etc. algoritmos e software - software, memória, etc. 76 / 92
77 Taxonomia de Keim As técnicas de visualização são classificadas em Displays 2D/3D padrão - gráficos xy, xyz, gráficos de linhas, etc. 77 / 92
78 Taxonomia de Keim As técnicas de visualização são classificadas em Displays 2D/3D padrão - gráficos xy, xyz, gráficos de linhas, etc. Displays geometricamente transformados - matrizes de scatterplots, coordenadas paralelas, etc. 78 / 92
79 Taxonomia de Keim As técnicas de visualização são classificadas em Displays 2D/3D padrão - gráficos xy, xyz, gráficos de linhas, etc. Displays geometricamente transformados - matrizes de scatterplots, coordenadas paralelas, etc. Display iconográficos - star icons, Chernoff faces, stick figure icons, etc. 79 / 92
80 Taxonomia de Keim As técnicas de visualização são classificadas em Displays 2D/3D padrão - gráficos xy, xyz, gráficos de linhas, etc. Displays geometricamente transformados - matrizes de scatterplots, coordenadas paralelas, etc. Display iconográficos - star icons, Chernoff faces, stick figure icons, etc. Display denso de pixels - padrões recursivos, segmento de círculos, etc. 80 / 92
81 Taxonomia de Keim As técnicas de visualização são classificadas em Displays 2D/3D padrão - gráficos xy, xyz, gráficos de linhas, etc. Displays geometricamente transformados - matrizes de scatterplots, coordenadas paralelas, etc. Display iconográficos - star icons, Chernoff faces, stick figure icons, etc. Display denso de pixels - padrões recursivos, segmento de círculos, etc. Displays empilhados - dimensional stacking, treemaps, cone trees, etc. 81 / 92
82 Taxonomia de Keim As técnicas de distorção e interação são classificadas em Projeção Dinâmica - grand tour, XGobi, etc. 82 / 92
83 Taxonomia de Keim As técnicas de distorção e interação são classificadas em Projeção Dinâmica - grand tour, XGobi, etc. Filtros interativos - magic lenses, InforCrystal, etc. 83 / 92
84 Taxonomia de Keim As técnicas de distorção e interação são classificadas em Projeção Dinâmica - grand tour, XGobi, etc. Filtros interativos - magic lenses, InforCrystal, etc. Zoom interativo - TableLens, IVEE/Spotfire, etc. 84 / 92
85 Taxonomia de Keim As técnicas de distorção e interação são classificadas em Projeção Dinâmica - grand tour, XGobi, etc. Filtros interativos - magic lenses, InforCrystal, etc. Zoom interativo - TableLens, IVEE/Spotfire, etc. Distorção interativa - distorções esféricas e hiperbólicas, displays bifocais, perpective wall, fisheye lens, etc. 85 / 92
86 Taxonomia de Keim As técnicas de distorção e interação são classificadas em Projeção Dinâmica - grand tour, XGobi, etc. Filtros interativos - magic lenses, InforCrystal, etc. Zoom interativo - TableLens, IVEE/Spotfire, etc. Distorção interativa - distorções esféricas e hiperbólicas, displays bifocais, perpective wall, fisheye lens, etc. Linking and brushing interativo - múltiplos scatterplots, coordenadas paralelas, etc. 86 / 92
87 Taxonomia de Keim 87 / 92
88 Sumário 1 Processo de Visualização 2 Semiologia de Símbolos Gráficos 3 As Oito Variáveis Visuais 4 Taxonomias 5 Referências 88 / 92
89 Referências Ward, M., Grinstein, G. G., Keim, D. Interactive data visualization foundations, techniques, and applications. Natick, Mass., A K Peters, Keim, D. A. (2002). Information visualization and visual data mining. IEEE Transactions on Visualization and Computer Graphics, 8:1 8. Shneiderman, B. (1996). The eyes have it: A task by data type taxonomy for information visualizations. In Proceedings of the 1996 IEEE Symposium on Visual Languages, pages 336, Washington, DC, USA. IEEE Computer Society. 89 / 92
Fundamentos em Visualização
Fundamentos em Visualização SCC5836 Visualização Computacional Prof. Fernando V. Paulovich http://www.icmc.usp.br/~paulovic paulovic@icmc.usp.br Instituto de Ciências Matemáticas e de Computação (ICMC)
Processo de Visualização - Modelo de Referência (Card et al. 1999) Maria Cristina F. de Oliveira Rosane Minghim. Classificação (Keim 1996, 2000)
Técnicas e Taxonomias de Visualização de Informação Processo de Visualização - Modelo de Referência (Card et al. 1999) Parte II (2010) Maria Cristina F. de Oliveira Rosane Minghim Classificação (Keim 1996,
Técnicas de Visualização para Árvores, Grafos e Redes
Técnicas de Visualização para Árvores, Grafos e Redes SCC5836 Visualização Computacional Prof. Fernando V. Paulovich http://www.icmc.usp.br/~paulovic paulovic@icmc.usp.br Instituto de Ciências Matemáticas
Introdução à Mineração de Dados com Aplicações em Ciências Espaciais
Introdução à Mineração de Dados com Aplicações em Ciências Espaciais Escola de Verão do Laboratório Associado de Computação e Matemática Aplicada Rafael Santos Dia 4: 1 /57 Programa Dia 1: Apresentação
Pós-Graduação em Ciência da Computação CCM Sistemas de Banco de Dados
Pós-Graduação em Ciência da Computação CCM 202 - Sistemas de Banco de Dados Mineração Visual de Dados (Visual Data Mining) Cledson Diego de Marchi 26/07/11 1 Considerações Iniciais Pontos Relevantes; Motivação
Visualização de Texto e Documento
Visualização de Texto e Documento SCC5836 Visualização Computacional Prof. Fernando V. Paulovich http://www.icmc.usp.br/~paulovic paulovic@icmc.usp.br Instituto de Ciências Matemáticas e de Computação
Computaçã. Visão Geral. Sistema Gráfico. Computação Gráfica. Pixels. Sistema Gráfico e o Frame Buffer. Introdução à Computação Gráfica
Visão Geral Computaçã ção o Gráfica Introduçã ção, conceitos básicosb sicos, áreas relacionadas Introdução à Computação Gráfica Como funciona um sistema gráfico Como imagens são representadas Áreas relacionadas,
Percepção Humana e Processamento de Informação
Percepção Humana e Processamento de Informação SCC5836 Visualização Computacional Prof. Fernando V. Paulovich http://www.icmc.usp.br/~paulovic paulovic@icmc.usp.br Instituto de Ciências Matemáticas e de
Percepção Humana e Processamento de Informação
Percepção Humana e Processamento de Informação SCC5836 Visualização Computacional Prof. Fernando V. Paulovich http://www.icmc.usp.br/~paulovic paulovic@icmc.usp.br Instituto de Ciências Matemáticas e de
Computação 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
Introdução Geral a Computação Gráfica. Universidade Católica de Pelotas Curso de Engenharia da Computação Disciplina de Computação Gráfica
Introdução Geral a Computação Gráfica Universidade Católica de Pelotas Curso de Engenharia da Computação Disciplina de 2 Introdução Geral a O que é CG? Áreas de Atuação Definição, Arte e Matemática Mercado
Técnicas de Visualização para Dados Espaciais
Técnicas de Visualização para Dados Espaciais SCC5836 Visualização Computacional Prof. Fernando V. Paulovich http://www.icmc.usp.br/~paulovic paulovic@icmc.usp.br Instituto de Ciências Matemáticas e de
Visualização Computacional
Visualização Computacional Séries Temporais Rafael Umino Nakanishi Universidade de São Paulo Instituto de Ciências Matemáticas e Computação Novembro de 2013 Rafael Umino Nakanishi (USP-ICMC) Visualização
Visualização de Informação Parte I (2010)
Visualização de Informação Parte I (2010) Rosane Minghim Danilo Medeiros Eler Visualização de Informação Área que estuda a representação visual de dados mais abstratos, tais como Grafos Árvores Texto Registros
Técnicas de Visualização para Dados Espaciais
Técnicas de Visualização para Dados Espaciais SCC5836/SCC0252 Visualização Computacional Profa. Maria Cristina cristina@icmc.usp.br Instituto de Ciências Matemáticas e de Computação (ICMC) Universidade
Técnicas de Visualização para Dados Multivariados
Técnicas de Visualização para Dados Multivariados SCC5836 Visualização Computacional Prof. Fernando V. Paulovich http://www.icmc.usp.br/~paulovic paulovic@icmc.usp.br Instituto de Ciências Matemáticas
PROCESSAMENTO DIGITAL DE IMAGENS
UNIVERSIDADE DE SÃO PAULO ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ DEPARTAMENTO DE ENGENHARIA DE BIOSSISTEMAS DISCIPLINA: LEB450 TOPOGRAFIA E GEOPROCESSAMENTO II PROF. DR. CARLOS ALBERTO VETTORAZZI
Visão Computacional. Alessandro L. Koerich. Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR)
Visão Computacional Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Processamento da Informação Capturei uma Imagem! E agora? Assumindo que
Visão Computacional e Aplicações
Visão Computacional e Aplicações João do E. S. Batista Neto Instituto de Ciências Matemáticas e de Computação ICMC-USP Domício Pinheiro Agência Estado fica á r G o utaçã p m o C Vis ã oc om pu t ac ion
Processamento de Imagens e Aplicações
Processamento de Imagens e Aplicações João do E. S. Batista Neto Instituto de Ciências Matemáticas e de Computação ICMC-USP Domício Pinheiro Agência Estado fica á r G o utaçã p m o C Vis ão Co mp u t ac
Resumo. Computação Gráfica: Uma Proposta de Plano Pedagógico. Áreas Correlatas. Definição. Uma Visão Integrada da C.G.
Computação Gráfica: Uma Proposta de Plano Pedagógico Luiz Velho Definições Metodologia Estrutura Avaliação Discussão Resumo IMPA - Instituto de Matemática Pura e Aplicada Definição Computação Gráfica:
FACTORES DA PERCEPÇÃO VISUAL HUMANA NA VISUALIZAÇÃO DE DADOS
13 15 Junho de 2007. Porto, Portugal. FACTORES DA PERCEPÇÃO VISUAL HUMANA Dulclerci Sternadt Alexandre, João Manuel R. S. Tavares FEUP Faculdade de Engenharia da Universidade do Porto, PORTUGAL LOME Laboratório
Prof. Fernando V. Paulovich 3 de agosto de SCC Computação Gráca
Dispositivos de Saída e SCC0250 - Computação Gráca Prof. Fernando V. Paulovich http://www.icmc.usp.br/~paulovic paulovic@icmc.usp.br Instituto de Ciências Matemáticas e de Computação (ICMC) Universidade
Computação Gráfica. Prof. André Yoshimi Kusumoto
Computação Gráfica Prof. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Representação da Imagem A representação vetorial das imagens é principalmente empregada para a definição e modelagem dos objetos
Introdução ao Processamento e Síntese de imagens - Projeções
Introdução ao Processamento e Síntese de imagens - Projeções Júlio Kiyoshi Hasegawa Fontes: Esperança e Cavalcanti (22) (UFRJ) e Traina e Oliveira (24) (USP) Antonio Maria Garcia Tommaselli - notas de
COMPUTAÇÃO GRÁFICA. Ana Paula Mandelli
COMPUTAÇÃO GRÁFICA Ana Paula Mandelli anapaula_mandelli@hotmail.com Ementa Princípios de Design gráfico. Funcionalidades básicas. Técnicas aplicadas ao Design Gráfico. Ilustrações. Tratamento de Imagens.
Uma introdução à visualização de informações
Uma introdução à visualização de informações Hugo A. D. do Nascimento Cristiane B. R. Ferreira Resumo Visualização de Informações é uma área emergente da Ciência que estuda formas de apresentar dados abstratos
CARTOGRAFIA TEMÁTICA. Prof. Luciene S. Delazari Departamento de Geomática Curso de Engenharia Cartográfica e de Agrimensura
CARTOGRAFIA TEMÁTICA Prof. Luciene S. Delazari Departamento de Geomática Curso de Engenharia Cartográfica e de Agrimensura - 2019 COMUNICAÇÃO CARTOGRÁFICA transmissor sinal receptor cartógrafo MAPA usuário
As imagens. As imagens. Representação digital de imagens. As imagens Wilson de Pádua Paula Filho 1
As As As Dispositivos gráficos Resolução espacial de : pixel - unidade de imagem, usada para medir resolução gráfica; visão humana - cerca de 3000 x 3000 pixels; fotografia - até 8000 x 8000 pixels. 2001
Interação Humano-Computador Apresentação e Visualização das Informações PROFESSORA CINTIA CAETANO
Interação Humano-Computador Apresentação e Visualização das Informações PROFESSORA CINTIA CAETANO Introdução Design da comunicação sobre IHC 2 Introdução Técnicas para comunicação de IHC Exemplos de técnicas
Árvores e Hierarquias
Universidade Federal da Bahia Departamento de Ciência da Computação MATB25 Tópicos em Engenharia de Software Professor: Manoel Mendonça. Semestre: 2010.1 Árvores e Hierarquias Elane Pereira Gustavo Ramos
Visualização de Informação: Processo, Técnicas e Ferramentas
Faculdade de Ciências e Tecnologia Departamento de Matemática e Computação Bacharelado em Ciência da Computação Visualização de Informação: Processo, Técnicas e Ferramentas Prof. Dr. (rogerio@fct.unesp.br)
PROCESSAMENTO DIGITAL DE IMAGENS (SERP11) TRANSFORMAÇÕES LINEARES: COMPONENTES PRINCIPAIS, TASSELED CAP, IHS. Daniel C. Zanotta
PROCESSAMENTO DIGITAL DE IMAGENS (SERP11) TRANSFORMAÇÕES LINEARES: COMPONENTES PRINCIPAIS, TASSELED CAP, IHS Daniel C. Zanotta ANÁLISE POR PRINCIPAIS COMPONENTES Conceitos básicos Espalhamento bi-dimensional:
Interfaces de Resultado de Busca Visualização de Resultados de Busca
Interfaces de Resultado de Busca Visualização de Resultados de Busca 1 Para onde vamos Introdução A busca por informação é um processo impreciso; O usuário de um sistema de recuperação de informação geralmente
MAPA CONCEITUAL E A MODELAGEM CONCEITUAL DE SISTEMAS DE HIPERTEXTO
hipertexto MAPA CONCEITUAL E A MODELAGEM CONCEITUAL DE SISTEMAS DE HIPERTEXTO Profa. Gercina Lima 2 DEFINIÇÕES: Modelagem conceitual para sistemas de O mapeamento conceitual envolve a identificação de
Algoritmo para Construção do Diagrama de Voronoi com abordagem de Divisão e Conquista
Algoritmo para Construção do Diagrama de Voronoi com abordagem de Divisão e Conquista Augusto Luengo Pereira Nunes 1 1 Instituto de Informática Universidade Federal do Rio Grande do Sul (UFRGS) Caixa Postal
Coordenação Dinâmica de Visualizações de Dados Multidimensionais
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL INSTITUTO DE INFORMÁTICA PROGRAMA DE PÓS-GRADUAÇÃO EM COMPUTAÇÃO RAQUEL MAINARDI PILLAT Coordenação Dinâmica de Visualizações de Dados Multidimensionais Dissertação
Aula /2 Sistemas de coordenadas Window x Viewport
http://computacaografica.ic.uff.br/conteudocap2.html Aula 8 2018/2 Sistemas de coordenadas Window x Viewport Sistemas de Coordenadas O Sistema de Coordenadas nos dá uma referência sobre o tamanho e a posição
SEL-0339 Introdução à Visão Computacional. Aula 3 Processamento de Imagens Coloridas
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 3 Processamento de Imagens Coloridas Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga mvieira@sc.usp.br
Introdução ao Processamento de Imagens Digitais Aula 01
Introdução ao Processamento de Imagens Digitais Aula 01 Douglas Farias Cordeiro Universidade Federal de Goiás 06 de julho de 2015 Mini-currículo Professor do curso Gestão da Informação Formação: Graduação
Cor SCC0251 Processamento de Imagens
Cor SCC0251 Processamento de Imagens Prof. Moacir Ponti Jr. www.icmc.usp.br/~moacir Instituto de Ciências Matemáticas e de Computação USP 2012/1 Moacir Ponti Jr. (ICMCUSP) Cor 2012/1 1 / 39 Sumário 1 Introdução
Visualização de Informação, Mineração Visual e Analítica Visual: um Breve Panorama. Panorama. Motivação. Visualização. Visualização como Artefato
Desafio de Informação, Mineração Visual e Analítica Visual: um Breve Panorama Maria Cristina F. de Oliveira Depto. de Ciências de Computação ICMC, USP agosto 2007 É preciso tornar os dados acessíveis e
INTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO
INTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO PROCESSAMENTO DE IMAGENS Introdução Conceitos básicos Pré-processamento Realce Classificação PROCESSAMENTO DE IMAGENS Extração de Informações
Processamento e Análise de Imagens
Processamento e Análise de Imagens Prof. Moacir Ponti www.icmc.usp.br/~moacir Instituto de Ciências Matemáticas e de Computação USP 2017/1 Moacir Ponti Jr. (ICMCUSP) Processamento e Análise de Imagens
Processamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Prof. Sergio Ribeiro Tópicos Transformações de Intensidade Transformações Logarítmicas Comparação entre Diversas Técnicas 2 Transformações de Intensidade
FCTUNIVERSIDADE NOVA DE LISBOA!
MAPEAMENTO DE TEXTURAS Computação Gráfica e Interfaces Sumário Mapeamento de texturas em superlcies Mapeamento das projecções Outras técnicas com texturas MAPEAMENTO DE TEXTURAS Enquadramento Varrimento
Fundamentos dos Dados
Fundamentos dos Dados SCC5836 Visualização Computacional Prof. Fernando V. Paulovich http://www.icmc.usp.br/~paulovic paulovic@icmc.usp.br Instituto de Ciências Matemáticas e de Computação (ICMC) Universidade
Fundamentos dos Dados
Fundamentos dos Dados SCC5836 Visualização Computacional Prof. Fernando V. Paulovich http://www.icmc.usp.br/~paulovic paulovic@icmc.usp.br Instituto de Ciências Matemáticas e de Computação (ICMC) Universidade
Capítulo 3 Primeiros Passos em OpenGL Função Desenha Função Teclado Função Inicializa Programa Principal...
Sumário Prefácio...15 Capítulo 1 Introdução...17 Capítulo 2 Instalação...22 2.1 Visão Geral das Bibliotecas OpenGL...22 2.2 Bibliotecas Necessárias para Execução...24 2.3 Bibliotecas Necessárias para Compilação...24
Processamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Objetivos e Introdução Prof. Sergio Ribeiro Tópicos Introdução Percepção por Máquina Imagens e Computação Gráfica Complexidade de um Sistema Elementos
Plano de Ensino de Disciplina Ciência da Computação 2º / 2016
Plano de Ensino de Disciplina Ciência da Computação 2º / 2016 Disciplina: Computação Gráfica e Processamento de Imagens Código: 016031 Série: 8 0 Semestre Carga Horária Semanal: 04 aulas Carga Horária
AS 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
Introdução 03/05/2017
Visualização de Resultados de Busca Introdução A busca por informação é um processo impreciso; O usuário de um sistema de recuperação de informação geralmente possui apenas uma vaga noção de como recuperar
Computação Gráfica. Engenharia de Computação. CEFET/RJ campus Petrópolis. Prof. Luis Retondaro. Aula 6. Projeções
Computação Gráfica Engenharia de Computação CEFET/RJ campus Petrópolis Prof. Luis Retondaro Aula 6 Projeções 2 Projeções Geométricas Projeções permitem a visualização bidimensional de objetos tridimensionais.
1 Geometria Descritiva 1 Aula 03/04 Fundamentos da GD - Prof. Luciano GEOMETRIA DESCRITIVA
1 Geometria Descritiva 1 Aula 03/04 Fundamentos da GD - Prof. Luciano GEOMETRIA DESCRITIVA Área da geometria que estuda as relações entre os elementos geométricos e o espaço tridimensional. Breve histórico
Aprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 02 Representação dos dados Pré-processamento Max Pereira Tipo de Dados Os atributos usados para descrever objetos de dados podem ser de diferentes tipos: Quantitativos
Aquisição e Integração de Dados
Aquisição e Integração de Dados - Noções de cartografia - Transformações geométricas - Generalização cartográfica - Edição vetorial INPE - Divisão de Processamento de Imagens INPE BANCO DE DADOS GEOGRÁFICOS
Reconhecimento de texturas utilizando padrão binário local e classificador knn.
Reconhecimento de texturas utilizando padrão binário local e classificador knn. Vinicius Santos Andrade 1 Resumo. Através de uma imagem é possível obter inúmeras informações. Portanto, é cada vez mais
Computação Gráfica 09
Universidade Federal do Vale do São Francisco Curso de Engenharia da Computação Computação Gráfica 09 Prof. Jorge Cavalcanti jorge.cavalcanti@univasf.edu.br www.univasf.edu.br/~jorge.cavalcanti www.twitter.com/jorgecav
Aula 7 Medidas de Distância. Profa. Elaine Faria UFU
Aula 7 Medidas de Distância Profa. Elaine Faria UFU - 2017 Agradecimentos Este material é baseado No livro Tan et al, 2006 Nos slides do prof Andre C. P. L. F. Carvalho Agradecimentos Ao professor André
Técnicas de Mapeamento
Técnicas de Mapeamento Mapeamento de Texturas Environment Mapping Bump Mapping Displacement Mapping Normal Mapping Marcelo Walter - UFPE 1 revisto out/2008 Mapeamento de Texturas 2 1 Detalhes sem detalhes
Introdução à Computação Gráfica. Claudio Esperança Paulo Roma Cavalcanti
Introdução à Computação Gráfica Claudio Esperança Paulo Roma Cavalcanti Estrutura do Curso Ênfase na parte prática Avaliação através de trabalhos de implementação C / C++ OpenGL c/ GLUT Grau (nota) baseado
10 Visualização em 3D - Projeções
INSTITUTO DE CIÊNCIAS MATEMÁTICAS E DE COMPUTAÇÃO DEPARTAMENTO DE CIÊNCIAS DE COMPUTAÇÃO E ESTATÍSTICA 10 Visualização em 3D - Projeções Após a criação de cenas e objetos tridimensionais o próximo passo
INF Fundamentos da Computação Gráfica Professor: Marcelo Gattass Aluno: Rogério Pinheiro de Souza
INF2608 - Fundamentos da Computação Gráfica Professor: Marcelo Gattass Aluno: Rogério Pinheiro de Souza Trabalho 02 Visualização de Imagens Sísmicas e Detecção Automática de Horizonte Resumo Este trabalho
Características Básicas dos Mapas
Características Básicas dos Mapas Localização e Atributos Localização: dada por suas posições no espaço (coordenadas) bidimensional ou tridimensional. Atributos: qualidades ou magnitudes, ou variável temática,
Processamento 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
Processamento de Imagens usando Grafos (MAC6903)
Processamento de Imagens usando Grafos (MAC6903) Prof. Dr. Paulo A. V. de Miranda pmiranda@vision.ime.usp.br Instituto de Matemática e Estatística (IME), Universidade de São Paulo (USP) P.A.V. Miranda
Processamento Digital de Imagens
1 Ciência da Computação Processamento Digital de Imagens Objetivos e Prof. Sergio Ribeiro Tópicos Percepção por Máquina Imagens e Computação Gráfica, Armazenamento e Exibição Processamento Digital de Imagens
Características da cor
Características da cor Qualquer cor particular pode ser obtida a partir da combinação de VERMELHO AZUL VERDE (Primárias aditivas) (no caso de transmissão) Isto é, uma fonte de luz vermelha, uma fonte de
Introdução. 1 Introdução
Introdução 1 Introdução O efeito visual de sombras em uma cena 3D é muito enriquecedor. Sem ele, quando a imagem é projetada na tela bidimensional do computador para visualização, perdem-se informações
Algoritmo CLIQUE (Clustering In QUEst)
Algoritmo CLIQUE (Clustering In QUEst) Marcelo Camacho de Souza Nº USP: 3199616 Roteiro Algoritmo CLIQUE Exemplo Prático Complexidade Computacional Vantagens e Desvantagens Autores (IBM Almaden Research
Transformada de Fourier: fundamentos matemáticos, implementação e aplicações musicais
Transformada de Fourier: fundamentos matemáticos, implementação e aplicações musicais MAC 0337 Computação Musical Jorge H. Neyra-Araoz IME USP 22/11/2007 Resumo Série de Fourier para funções periódicas
Projeto de símbolos. Cartografia Prof. Dr. Raoni W. D. Bosquilia
Projeto de símbolos Cartografia Prof. Dr. Raoni W. D. Bosquilia Há diferença? Cartografia Conceituação Os símbolos cartográficos aumentam o nível informativo dos mapas Representam a localização e as características
Computação Gráfica. Computação Gráfica. Visão Geral. Sistema Gráfico. Introdução à Computação Gráfica e areas relacionadas
Visão Geral Computação Gráfica Cenário e Histórico Introdução à Computação Gráfica e areas relacionadas Histórico Aplicações Perfil da disciplina Bibliografia Maria Cristina F. de Oliveira Rosane Minghim
Árvore de componentes Aula 8
Árvore de componentes Aula 8 Prof. Dr. Paulo A. V. de Miranda Instituto de Matemática e Estatística (IME), Universidade de São Paulo (USP) pmiranda@vision.ime.usp.br Decomposição por limiarização Uma imagem
Computação Gráfica. Prof. MSc André Yoshimi Kusumoto
Computação Gráfica Prof. MSc André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Primitivas gráficas em duas dimensões Matrizes em Computação Gráfica Todas as transformações geométricas podem ser representadas
11/09/2018. Onde estamos
Onde estamos 1 Para onde vamos Interface de Resultados de busca 2 Introdução A busca por informação é um processo impreciso; O usuário de um sistema de recuperação de informação geralmente possui apenas
1 Representação Gráfica Aula 09/10 Espaço e Perspectiva - Prof. Luciano ESPAÇO E DIMENSÃO
1 Representação Gráfica Aula 09/10 Espaço e Perspectiva - Prof. Luciano ESPAÇO E DIMENSÃO As dimensões são as grandezas métricas que definem o espaço e os elementos visuais. O espaço pode ser definido
Visualização de Estruturas Hierárquicas por meio de Técnicas de Realidade Virtual
Visualização de Estruturas Hierárquicas por meio de Técnicas de Realidade Virtual Daniel S. D. Caetano, Fernando E. R. Mattioli, Lucas P. Vasconcelos, Keynes M. Kanno, Lázaro V. O. Lima, Alexandre Cardoso,
Visualização de Informação Parte III. Multi-dimensional Visualization: Visual Mining of Text, Images and other Multi-dimensioanl entities.
Visualização de Informação Parte III Multi-dimensional Visualization: Visual Mining of Text, Images and other Multi-dimensioanl entities. Rosane Minghim + The team Instituto de Ciências Matemáticas e de
Shading (sombreamento) & Smooth Shading
Shading (sombreamento) & Smooth Shading Sistemas Gráficos/ Computação Gráfica e Interfaces 1 Shading & Smooth Shading Objectivo: calcular a cor de cada ponto das superfícies visíveis. Solução brute-force:
António Costa. Paulo Roma Cavalcanti
Introdução à Computação Gráfica Preâmbulo Adaptação: Autoria: João Paulo Pereira António Costa Claudio Esperança Paulo Roma Cavalcanti Computação Gráfica Modelos Matemáticos Análise (reconhecimento de
TE073 PDS II Programa de Graduação em Engenharia Elétrica
TE073 PDS II Programa de Graduação em Engenharia Elétrica Prof. Alessandro Zimmer zimmer@eletrica.ufpr.br www.eletrica.ufpr.br/~zimmer/te073 Processamento Digital de Imagens PDI: Segmentação Os algoritmos
Aula 6 Mineração Streams Representação dos Dados. Profa. Elaine Faria UFU
Aula 6 Mineração Streams Representação dos Dados Profa. Elaine Faria UFU - 2017 Agradecimentos Este material é baseado No livro Tan et al, 2006 Nos slides do prof. Andre C. P. L. F. Carvalho Agradecimentos
AS MÁQUINAS DE MEDIR POR COORDENADAS (MMC)
AS MÁQUINAS DE MEDIR POR COORDENADAS (MMC) ERROS ERROS ERRO DE ABBÈ ERROS ERROS GEOMÉTRICOS Erros de Translação Retilineidade horizontal YAW Retilineidade vertical Erro de posição Erros de Rotação Erro
Computação Gráfica e Processamento de Imagens. - Sistemas 3D (conceitos básicos) Prof. Julio Arakaki
Computação Gráfica e Processamento de Imagens - Sistemas 3D (conceitos básicos) Prof. Julio Arakaki Sistemas tri-dimensionais (3D) Conceitos de sistemas tri-dimensionais Os objetos são construídos através
Introdução ao Processamento Gráfico
Introdução ao Processamento Gráfico Leandro Tonietto Processamento Gráfico - Unisinos ltonietto@unisinos.br http://www.inf.unisinos.br/~ltonietto ago-09 Sumário Introdução e conceitos Resumo das linhas
Formação de Imagens de SAR
Formação de Imagens de SAR Natural Resources Ressources naturelles Canada Canada Formação de Imagens de SAR -Tópicos- Princípios e Geometria de SAR Equação de Radar Antenas, Polarização, Ganho da antena,
Rastreamento de Objetos Baseado em Grafos. Casamento Inexato entre Grafos Relacionais com Atributos
Rastreamento de Objetos Baseado em Casamento Inexato entre Grafos Relacionais com Atributos Exame de Qualificação de Mestrado Ana Beatriz Vicentim Graciano Orientador: Roberto M. Cesar Jr. Colaboradora:
vértices dessas células. Exemplos de malhas estruturadas e não-estruturadas são apresentados na Figura 2.
1 Introdução O termo visualização corresponde, no contexto desta dissertação, aos métodos que permitem a extração de informações relevantes a partir de conjuntos de dados complexos, com o auxílio de técnicas
PROCESSAMENTO 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
Introdução à Visualização de Informações
Carla Maria Dal Sasso Freitas 1, Olinda Mioka Chubachi 1,2, Paulo Roberto Gomes Luzzardi 1,3, Ricardo Andrade Cava 1,3,4 Resumo: Visualização de Informações é uma área de aplicação de técnicas de computação
Aula 8 - Reconhecimento e Interpretação. Prof. Adilson Gonzaga
Aula 8 - Reconhecimento e Interpretação Prof. Adilson Gonzaga Elementos de Visão Computacional: Visão Computacional Processamento de Baio Nível Processamento de Nível Intermediário Processamento de Alto
Introdução. SCC5921 Metodologia de Pesquisa em Visualização e Imagens. Prof. Fernando V. Paulovich
Introdução SCC5921 Metodologia de Pesquisa em Visualização e Imagens Prof. Fernando V. Paulovich http://www.icmc.usp.br/~paulovic paulovic@icmc.usp.br Instituto de Ciências Matemáticas e de Computação
Geometria 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
Introdução ao Processamento de Imagens. Profa. Dra. Soraia Raupp Musse Thanks to Prof. Dr. Cláudio Rosito Jung
Introdução ao Processamento de Imagens Profa. Dra. Soraia Raupp Musse Thanks to Prof. Dr. Cláudio Rosito Jung Introdução Processamento de Imagens: processamento de sinais bidimensionais (ou n-dimensionais).
Mapeamento do uso do solo
Multidisciplinar Mapeamento do uso do solo para manejo de propriedades rurais Allan Arnesen Frederico T. Genofre Marcelo Pedroso Curtarelli CAPÍTULO 4 Técnicas de classificação de imagens e processamento
Computação Gráfica - 13
Universidade Federal do Vale do São Francisco Curso de Engenharia da Computação Computação Gráfica - 13 Prof. Jorge Cavalcanti jorge.cavalcanti@univasf.edu.br www.univasf.edu.br/~jorge.cavalcanti www.twitter.com/jorgecav