Processamento de Imagens COS756 / COC603
|
|
- Victoria Azenha
- 5 Há anos
- Visualizações:
Transcrição
1 Processamento de Imagens COS756 / COC603 aula 09 - curvatura Antonio Oliveira Ricardo Marroquim 1 / 1
2 aula de hoje feature detection overview curvatura espaço de escala block matching 2 / 1
3 curvatura o que é? 3 / 1
4 curvatura o que é? taxa de mudança na direção da aresta 3 / 1
5 curvatura o que é? taxa de mudança na direção da aresta onde estão nossas prováveis curvas? 3 / 1
6 curvatura o que é? taxa de mudança na direção da aresta onde estão nossas prováveis curvas? contornos definidos por arestas 3 / 1
7 curvatura o que é? taxa de mudança na direção da aresta onde estão nossas prováveis curvas? contornos definidos por arestas como encontrar bons pontos para correspondência nessas curvas? 3 / 1
8 curvatura o que é? taxa de mudança na direção da aresta onde estão nossas prováveis curvas? contornos definidos por arestas como encontrar bons pontos para correspondência nessas curvas? pontos, quinas mudança significativa na curvatura 3 / 1
9 curvatura definição linha reta? 4 / 1
10 curvatura definição linha reta? zero em todos pontos 4 / 1
11 curvatura definição linha reta? zero em todos pontos círculo 4 / 1
12 curvatura definição linha reta? zero em todos pontos círculo constante ( 0) em todos pontos 4 / 1
13 curvatura definição linha reta? zero em todos pontos círculo constante ( 0) em todos pontos possíveis definição 4 / 1
14 curvatura definição linha reta? zero em todos pontos círculo constante ( 0) em todos pontos possíveis definição 1. κ = f (x)? 4 / 1
15 curvatura definição linha reta? zero em todos pontos círculo constante ( 0) em todos pontos possíveis definição 1. κ = f (x)? problema: linha reta 4 / 1
16 curvatura definição linha reta? zero em todos pontos círculo constante ( 0) em todos pontos possíveis definição 1. κ = f (x)? problema: linha reta 2. κ = f (x)? 4 / 1
17 curvatura definição linha reta? zero em todos pontos círculo constante ( 0) em todos pontos possíveis definição 1. κ = f (x)? problema: linha reta 2. κ = f (x)? problema: círculo 4 / 1
18 curvatura definição linha reta? zero em todos pontos círculo constante ( 0) em todos pontos possíveis definição 1. κ = f (x)? problema: linha reta 2. κ = f (x)? problema: círculo vamos encontrar uma definição melhor 4 / 1
19 curvatura vetor tangente forma paramétrica (curva contínua) α(t) = x(t) + y(t) primeira derivada velocidade de mudança α(t) = ẋ(t) + ẏ(t) α(t) = ẋ 2 (t) + ẏ 2 (t) direção (ẏ(t) ) ϕ(t) = tan 1 ẋ(t) 5 / 1
20 curvatura vetor tangente diferença entre pontos no limite, movimento instantâneo (tangente) α(t) define a velocidade α(t) = dα dt = lim α(t + h) α(t) h 0 h 6 / 1
21 curvatura vetor tangente diferença entre pontos no limite, movimento instantâneo (tangente) α(t) define a velocidade uma atenção especial: α(t) = dα dt = lim α(t + h) α(t) h 0 h 6 / 1
22 curvatura vetor tangente diferença entre pontos no limite, movimento instantâneo (tangente) α(t) define a velocidade uma atenção especial: velocidade não é constante α(t) = dα dt = lim α(t + h) α(t) h 0 h 6 / 1
23 curvatura exemplo α(t) = (a cos(t), a sin(t)), 0 t 2π α(t) = ( a sin(t), a cos(t)) α(t) = a a velocidade depende do raio a do círculo reparametrizando β(s) = (a cos(s/a), a sin(s/a)) β(t) = ( sin(s/a), cos(s/a)) β(t) = 1 7 / 1
24 curvatura comprimento de arco integral de todos movimentos instantâneos (tangentes) s(t) = t 0 α(t) dt podemos definir a velocidade então como variação da curva ao longo do tempo em termos do comprimento de arco T (t) = α(t) α(t) a curvatura define mudança de direção ao longo da curva κ(s) = dt ds = dϕ(t) ds 8 / 1
25 curvatura curvatura se não temos a curva parametrizada por comprimento de arco, ainda podemos encontrar a curvatura pela regra da cadeia κ(t) = dt dt ds dt = dϕ(t) dt dt ds 9 / 1
26 curvatura curvatura se não temos a curva parametrizada por comprimento de arco, ainda podemos encontrar a curvatura pela regra da cadeia κ(t) = dt dt ds dt = dϕ(t) dt dt ds sabendo que dt ds = 1 α(t) = 1 ẋ 2 (t) + ẏ 2 (t) 1 ϕ(t) = tan (ẏ(t) ẋ(t) ) 9 / 1
27 curvatura função de curvatura (curva paramétrica) κ(t) = ẋ(t)ÿ(t) ẏ(t)ẍ(t) (ẋ 2 (t) + ẏ 2 (t)) 3/2 10 / 1
28 curvatura curvas em imagens digitais se temos a função contínua da curva, a curvatura está definida mas e a curva extraída por deteção de arestas? 11 / 1
29 curvatura curvas em imagens digitais se temos a função contínua da curva, a curvatura está definida mas e a curva extraída por deteção de arestas? utilizar diretamente a diferença de direções angulares 11 / 1
30 curvatura curvas em imagens digitais se temos a função contínua da curva, a curvatura está definida mas e a curva extraída por deteção de arestas? utilizar diretamente a diferença de direções angulares abordagem utilizando espaço de escala 11 / 1
31 curvatura direções angulares diferença de direção de aresta entre pixels vizinhos da curva κ(t) = ϕ t+1 ϕ t 1 onde ϕ t é a direção do gradiente do pixel t da curva a direção do gradiente pode ser extraída por um detetor de arestas 12 / 1
32 curvatura direções angulares alternativa: calcular ϕ t diretamente pela posição dos pixels κ(t) = y t 1 y t+1 x t 1 x t+1 problema: somente oito direções possíveis uma alternativa melhor é considerar uma diferença média κ(t) = 1 n n ϕ t+1 1 n i=1 1 i= n ϕ t+1 também pode-se utilizar pesos (Gaussiana) 13 / 1
33 curva digital extraindo o contorno após realizar a deteção de arestas o que temos? 14 / 1
34 curva digital extraindo o contorno após realizar a deteção de arestas o que temos? somente pixels marcados como arestas e valores de gradiente 14 / 1
35 curva digital extraindo o contorno após realizar a deteção de arestas o que temos? somente pixels marcados como arestas e valores de gradiente e se quisermos seguir esta curva? 14 / 1
36 curva digital extraindo o contorno após realizar a deteção de arestas o que temos? somente pixels marcados como arestas e valores de gradiente e se quisermos seguir esta curva? o que estamos fazendo é criando uma curva paramétrica se a curva possui n pixels teremos um parâmetro t[0, n 1] conseguimos caminhar na curva variando t 14 / 1
37 curva digital extraindo o contorno com o contorno, sabemos também calcular a curvatura 15 / 1
38 curva digital extraindo o contorno com o contorno, sabemos também calcular a curvatura e como encontrar os máximos (ou mínimos) locais da curvatura? 15 / 1
39 curva digital extraindo o contorno com o contorno, sabemos também calcular a curvatura e como encontrar os máximos (ou mínimos) locais da curvatura? basta seguir a curva e procurar onde a variação da curvatura muda de sinal 15 / 1
40 curva digital extraindo o contorno com o contorno, sabemos também calcular a curvatura e como encontrar os máximos (ou mínimos) locais da curvatura? basta seguir a curva e procurar onde a variação da curvatura muda de sinal então, para que serve o espaço de escala? 15 / 1
41 espaço de escala objetivo existe uma série de problemas em detetar as features por exemplo, variação no tamanho ou resolução da imagem como vimos, o detetor de Harris é invariante a rotação porém não é invariante a escala invariância a escala como realizar um operador invariante a escala? encontrar características que estejam em todas escalas 16 / 1
42 espaço de escala níveis L(x, y, σ) = G(x, y, σ) I (x, y) variando σ estamos variando a escala σ : parâmetro de escala 17 / 1
43 espaço de escala 18 / 1
44 espaço de escala evolução de uma curva curva paramétrica α(t) = (x(t), y(t)) evolução: curva em diferentes escalas α σ = (X (t, σ) + Y (t, σ)) onde X (t, σ) = x(t) g(t, σ) Y (t, σ) = y(t) g(t, σ) 19 / 1
45 espaço de escala evolução de uma curva curvatura da evolução da curva onde κ(t, σ) = Ẋ (u, σ)ÿ (u, σ) Ẍ (u, σ)ẏ (u, σ) Ẋ (u, σ)2 + Ẏ (u, σ)2 Ẋ (t, σ) = x(t) g t (t, σ) Ẍ (t, σ) = x(t) g tt (t, σ) Ẏ (t, σ) = y(t) g t (t, σ) Ÿ (t, σ) = y(t) g tt (t, σ) 20 / 1
46 espaço de escala evolução de uma curva curvatura da evolução da curva onde κ(t, σ) = Ẋ (u, σ)ÿ (u, σ) Ẍ (u, σ)ẏ (u, σ) Ẋ (u, σ)2 + Ẏ (u, σ)2 Ẋ (t, σ) = x(t) g t (t, σ) Ẍ (t, σ) = x(t) g tt (t, σ) Ẏ (t, σ) = y(t) g t (t, σ) Ÿ (t, σ) = y(t) g tt (t, σ) obs quem é g tt? 20 / 1
47 espaço de escala evolução de uma curva curvatura da evolução da curva onde κ(t, σ) = Ẋ (u, σ)ÿ (u, σ) Ẍ (u, σ)ẏ (u, σ) Ẋ (u, σ)2 + Ẏ (u, σ)2 Ẋ (t, σ) = x(t) g t (t, σ) Ẍ (t, σ) = x(t) g tt (t, σ) Ẏ (t, σ) = y(t) g t (t, σ) Ÿ (t, σ) = y(t) g tt (t, σ) obs quem é g tt? Laplaciano da Gaussiana (LoG) : chapéu mexicano 20 / 1
48 espaço de escala 21 / 1
49 espaço de escala 22 / 1
50 curva digital identificando pontos no espaço de escala os pontos identificados no níveis com σ altos também estão presentes nos níveis mais baixos 23 / 1
51 curva digital identificando pontos no espaço de escala os pontos identificados no níveis com σ altos também estão presentes nos níveis mais baixos problema: má localização com σ alto, muita suavização 23 / 1
52 curva digital identificando pontos no espaço de escala os pontos identificados no níveis com σ altos também estão presentes nos níveis mais baixos problema: má localização com σ alto, muita suavização podemos extrair os pontos no nível alto e depois buscá-los nos níveis seguintes (tracking) busca em uma pequena vizinha por um máximo de curvatura vantagens: menos sensível a ruídos menos aglomerados de pontos mais rápido (os pontos são encontrados somente no nível mais alto) 23 / 1
53 pontos de interesse com espaço de escala algoritmo 1. extrair as arestas (ex. Canny) 24 / 1
54 pontos de interesse com espaço de escala algoritmo 1. extrair as arestas (ex. Canny) 2. ligar as arestas para formar contornos (fechar pequenos buracos) 24 / 1
55 pontos de interesse com espaço de escala algoritmo 1. extrair as arestas (ex. Canny) 2. ligar as arestas para formar contornos (fechar pequenos buracos) 3. calcular as derivadas dos contornos convoluindo com as derivadas da gaussiana Ẋ (t, σ), Ẍ (t, σ), Ẏ (t, σ), Ÿ (t, σ) 24 / 1
56 pontos de interesse com espaço de escala algoritmo 1. extrair as arestas (ex. Canny) 2. ligar as arestas para formar contornos (fechar pequenos buracos) 3. calcular as derivadas dos contornos convoluindo com as derivadas da gaussiana Ẋ (t, σ), Ẍ (t, σ), Ẏ (t, σ), Ÿ (t, σ) 4. calcular a curvatura dos contornos para a escala com maior σ κ(t, σ) = Ẋ (t, σ)ÿ (t, σ) Ẍ (t, σ)ẏ (t, σ) Ẋ (t, σ)2 + Ẏ (t, σ) 2 24 / 1
57 pontos de interesse com espaço de escala algoritmo 1. extrair as arestas (ex. Canny) 2. ligar as arestas para formar contornos (fechar pequenos buracos) 3. calcular as derivadas dos contornos convoluindo com as derivadas da gaussiana Ẋ (t, σ), Ẍ (t, σ), Ẏ (t, σ), Ÿ (t, σ) 4. calcular a curvatura dos contornos para a escala com maior σ κ(t, σ) = Ẋ (t, σ)ÿ (t, σ) Ẍ (t, σ)ẏ (t, σ) Ẋ (t, σ)2 + Ẏ (t, σ) 2 5. encontrar os máximos locais 24 / 1
58 pontos de interesse com espaço de escala algoritmo 1. extrair as arestas (ex. Canny) 2. ligar as arestas para formar contornos (fechar pequenos buracos) 3. calcular as derivadas dos contornos convoluindo com as derivadas da gaussiana Ẋ (t, σ), Ẍ (t, σ), Ẏ (t, σ), Ÿ (t, σ) 4. calcular a curvatura dos contornos para a escala com maior σ κ(t, σ) = Ẋ (t, σ)ÿ (t, σ) Ẍ (t, σ)ẏ (t, σ) Ẋ (t, σ)2 + Ẏ (t, σ) 2 5. encontrar os máximos locais 6. procurar estes máximos na escala seguinte da curva 24 / 1
59 pontos de interesse com espaço de escala CSS corner detection method o algoritmo que acabamos de ver (adicionando alguns detalhes) Robust Image Corner Detection Through Curvature Scale Space Frazin Mokhtarian e Riku Suomela IEEE Transactions on Pattern Analysis and Machine Intelligence, vol 20, no 12, Dezembro / 1
60 CSS corner detection method - comparação 26 / 1
61 CSS corner detection method - comparação 27 / 1
62 Using contours to detect and localize junctions in natural images 28 / 1
63 block matching como comparar pixels? comparar janelas entre imagens alguns critérios possíveis soma do quadrado das diferenças (SSD) soma das diferenças absolutas (SAD) correlação cruzada normalizada (NCC) existem vários outros critérios / 1
64 block matching SAD soma das diferenças absolutas (sum of absolute differences) t(i, j) f (x + i, y + j) (i,j) W t é o template usado para comparação centrado no pixel em questão f é a imagem alvo onde se procura por pixel parecido 30 / 1
65 block matching SSD soma do quadrado das diferenças (sum of squared differences) (t(i, j) f (x + i, y + j)) 2 (i,j) W muito parecido com o SAD, um pouco mais custoso 31 / 1
66 block matching NCC correlação cruzada normalizada (normalized cross correlation) note que ao expandir (i,j) W (t(i, j) f (x + i, y + j)) 2 temos termos que são constantes, independendo da comparação [ t 2 (i, j) 2t(i, j)f (x + i, y + j) + f 2 (x + i, y + j) ] (i,j) W sobrando (i,j) W t(i, j)f (x + i, y + j) 32 / 1
67 block matching NCC porém, existem problemas com a expressão c(i, j) = t(i, j)f (x + i, y + j) (i,j) W priorizar regiões de alta intensidade na imagem os valores possíveis para c(i, j) depende do tamanho da janela não é invariante a mudanças de iluminação 33 / 1
68 block matching NCC equação normalizada (i,j) c(i, j) = [t(i, j) t][f (x + i, y + j) f x,y ] (i,j) [t(i, j) t] 2 (i,j) [f (x + i, y + j) f x,y ] 2 34 / 1
69 block matching limitações block matching não é invariante a escala rotação distorção perspectiva... mas é simples e funciona bem em alguns casos bem comportados veremos métodos mais robustos e eficientes mais na frente 35 / 1
Processamento de Imagens COS756 / COC603
Processamento de Imagens COS756 / COC603 aula 15 - Fluxo Ótico - parte I Antonio Oliveira Ricardo Marroquim 1 / 1 aula de hoje fluxo ótico estimando movimentos em imagens 2 / 1 motivação para que serve?
Leia maisProcessamento de Imagens COS756 / COC603
Processamento de Imagens COS756 / COC603 aula 08 - deteção de características de baixo-nível (low-level feature detection) parte II Antonio Oliveira Ricardo Marroquim 1 / 1 aula de hoje feature detection
Leia maisProcessamento de Imagens COS756 / COC603
Processamento de Imagens COS756 / COC603 aula 13 - Transformada de Hough e SIFT Antonio Oliveira Ricardo Marroquim 1 / 41 aula de hoje descritores Transformada de Hough SIFT 2 / 41 transformada de Hough
Leia maisProcessamento de Imagens COS756 / COC603
Processamento de Imagens COS756 / COC603 aula 07 - deteção de características de baixo-nível (low-level feature detection) Antonio Oliveira Ricardo Marroquim 1 / 35 aula de hoje feature detection overview
Leia maisProcessamento de Malhas Poligonais
Processamento de Malhas Poligonais Tópicos Avançados em Computação Visual e Interfaces I Prof.: Marcos Lage www.ic.uff.br/~mlage mlage@ic.uff.br Conteúdo: Notas de Aula Curvas 06/09/2015 Processamento
Leia maisAula 6. Doravante iremos dizer que r(t) é uma parametrização da curva, e t é o parâmetro usado para descrever a curva.
Curvas ou Funções Vetoriais: Aula 6 Exemplo 1. Círculo como coleção de vetores. Vetor posição de curva: r(t) = (cos t, sen t), t 2π r(t) pode ser vista como uma função vetorial: r : [, 2π] R R 2 Doravante
Leia maisAula 5 - Segmentação de Imagens
Aula 5 - Segmentação de Imagens Parte 1 Prof. Adilson Gonzaga 1 Segmentação Agrupamento de partes de uma imagem em unidades homogêneas relativamente a determinadas características. Segmentação é o processo
Leia maisSIFT - Scale Invariant Feature Transform
SIFT - Scale Invariant Feature Transform Daniel Pinto Coutinho Prof. Ricardo Marroquim 1 Introdução A detecção de pontos de interesse em uma figura é uma tarefa muito comum no campo de processamento de
Leia maisLista de Exercícios 1
UFS - PROMAT Disciplina: Geometria Diferencial Professor: Almir Rogério Silva Santos Lista de Exercícios. Seja α : I R 3 uma curva regular. (a) Mostre que α é uma reta se α (t) e α (t) são linearmente
Leia mais2 SIFT (Scale Invariant Feature Transform)
SIFT (Scale Invariant Feature Transform) O SIFT é um algoritmo de visão computacional proposto e publicado pelo pesquisador David Lowe (Lowe, 1999), professor do departamento de Ciência da Computação na
Leia maisProcessamento de Imagens CPS755
Processamento de Imagens CPS755 aula 06 - sistemas não lineares Antonio Oliveira Ricardo Marroquim 1 / 38 laboratório de processamento de imagens tópicos RANSAC métodos iterativos (não-lineares) gradientes
Leia maisMAT0326 Geometria Diferencial I
MAT6 Geometria Diferencial I Primeira Prova /9/ Soluções Questão Valor:. =.5 +.5 pontos). a. Mostre que cos arctanx) ) =. + x b. Determine uma curva plana α : R R, parametrizada por comprimento de arco,
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 6 de outubro de 2016 Segmentação de imagens A segmentação
Leia maisFiltros espaciais. Processamento e Recuperação de Imagens Médicas. Prof. Luiz Otavio Murta Jr. Depto. De Computação e Matemática (FFCLRP/USP)
Processamento e Recuperação de Imagens Médicas Prof. Luiz Otavio Murta Jr. Depto. De Computação e Matemática (FFCLRP/USP) 1 Propriedades Operadores de suavização os elementos da máscara são positivos e
Leia maisResumo: Regra da cadeia, caso geral
Resumo: Regra da cadeia, caso geral Teorema Suponha que u = u(x 1,..., x n ) seja uma função diferenciável de n variáveis x 1,... x n onde cada x i é uma função diferenciável de m variáveis t 1,..., t
Leia maisDescritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 18 Descritores Locais e Frameworks SIFT SURF Viola-Jones
Leia maisx n+1 = 1 2 x n (2 valores) Considere a equação recursiva no modelo de Fisher, Wright e Haldane
.9.8.7.6.5.4.3.2.1 1 22/11/211 1 o teste A41N1 - Análise Matemática - BIOQ Nome... N o... 1. (2 valores) Calcule a soma da série 9 1 + 9 1 + 9 1 +... 9 1 + 9 1 + 9 1 + = 9 1 1 + 1 1 + 1 1 + 1 «1 +... =
Leia maisAula 15. Derivadas Direcionais e Vetor Gradiente. Quando u = (1, 0) ou u = (0, 1), obtemos as derivadas parciais em relação a x ou y, respectivamente.
Aula 15 Derivadas Direcionais e Vetor Gradiente Seja f(x, y) uma função de variáveis. Iremos usar a notação D u f(x 0, y 0 ) para: Derivada direcional de f no ponto (x 0, y 0 ), na direção do vetor unitário
Leia maisLista de Exercícios de Cálculo Infinitesimal II
Lista de Exercícios de Cálculo Infinitesimal II 10 de Setembro de 2003 Questão 1 Determine as representações explícitas em coordenadas polares das seguintes curvas: a) O círculo de raio a centrado em (a,
Leia maisMAT Geometria Diferencial 1 - Lista 1
MAT0326 - Geometria Diferencial - Lista Monitor: Ivo Terek Couto 9 de outubro de 206 Observação. Assuma que todas as curvas e superfícies são diferenciáveis. Aquecimento Exercício. Seja α : I R R 3 uma
Leia maisCURVATURA DE CURVAS PLANAS
CURVATURA DE CURVAS PLANAS PROFESSOR RICARDO SÁ EARP (1) A tractrix. Vamos continuar com o traçado das curvas planas, agora incluindo o estudo da curvatura ao roteiro sugerido no exercício 1 da lista sobre
Leia maisDescritores de Imagem
Descritores de Imagem André Tavares da Silva 31 de março de 2014 1 Descritores de imagem (continuação) 1.1 Frameworks de detecção de objetos SIFT (scale-invariant features transform) (Lowe, 1999) SIFT
Leia maisImage Descriptors: local features
Image Descriptors: local features Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Image Descriptors: local features 2011
Leia maisProcessamento de Imagens COS756 / COC603
Processamento de Imagens COS756 / COC603 aula 16 - Fluxo Ótico - parte II Antonio Oliveira Ricardo Marroquim 1 / 1 aula de hoje fluxo ótico relembrar Lucas-Kanade Horn-Schunk suavização global alguns métodos
Leia maisNome:... Q N Assinatura:... 1 RG:... 2 N o USP:... 3 Turma: Teórica... 4 Professor: Edson Vargas... Total
1 a Prova de MAT036 - Geometria Diferencial I IME - 9/09/016 Nome:................................................... Q N Assinatura:............................................... 1 RG:......................................................
Leia mais2 o TESTE DE DE CÁLCULO DIFERENCIAL E INTEGRAL II LCEIC-Taguspark, LCERC, LCEGI, LCEE 10 de Maio de 2008 (9:00) Teste 202.
Instituto Superior Técnico Departamento de Matemática 2 o semestre 07/08 2 o TESTE DE DE CÁLCULO DIFERENCIAL E INTEGRAL II LCEIC-Taguspark, LCERC, LCEGI, LCEE 10 de Maio de 2008 (9:00) Teste 202 Nome:
Leia maisFeature Description (SIFT + SURF) Prof. Dr. Geraldo Braz Junior
Feature Description (SIFT + SURF) Prof. Dr. Geraldo Braz Junior Feature Detection 1. Encontre um conjunto de keypoints 2. Defina uma região ao redor do keypoint 3. Normalize a região 4. Extraia caracterísfcas
Leia mais2 Conceitos Básicos da Geometria Diferencial Afim
2 Conceitos Básicos da Geometria Diferencial Afim Antes de iniciarmos o estudo das desigualdades isoperimétricas para curvas convexas, vamos rever alguns conceitos e resultados da Geometria Diferencial
Leia mais2 Trabalhos Relacionados
2 Trabalhos Relacionados Este capítulo apresenta os algoritmos já existentes que são utilizados nesta dissertação para obter pontos homólogos entre duas imagens de um par estéreo. Pode-se classificar essas
Leia maisCurvas Diferenciáveis
Curvas Diferenciáveis Márcio Nascimento da Silva Departamento de Matemática Universidade Estadual Vale do Acaraú 26 de setembro de 2007 mharcius@gmail.com pré-prints do Curso de Matemática de Sobral no.
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME 1 Objetivo Parametrização de curvas Extração de
Leia mais4 SIFT (Scale Invariant Feature Transform)
4 SIFT (Scale Invariant Feature Transform) SIFT é um algoritmo de visão computacional publicado por David Lowe, em 1999 (Lowe, 1999) e patenteado nos EUA pela University of British Columbia. SIFT é composto
Leia maisProcessamento de Imagens COS756 / COC603
Processamento de Imagens COS756 / COC603 aula 03 - operações no domínio espacial Antonio Oliveira Ricardo Marroquim 1 / 38 aula de hoje operações no domínio espacial overview imagem digital operações no
Leia mais14 AULA. Vetor Gradiente e as Derivadas Direcionais LIVRO
1 LIVRO Vetor Gradiente e as Derivadas Direcionais 14 AULA META Definir o vetor gradiente de uma função de duas variáveis reais e interpretá-lo geometricamente. Além disso, estudaremos a derivada direcional
Leia maisTELEVISÃO DIGITAL LEEC 2006/2007
TELEVISÃO DIGITAL LEEC 2006/2007 DETECÇÃO DE CONTORNOS GRUPO 6: Hugo Miguel Rodrigues Gonçalves Dinis Guedes Afonso ee01171 ee01148 Introdução Este trabalho tem como objectivo a implementação de métodos
Leia mais11.5 Derivada Direcional, Vetor Gradiente e Planos Tangentes
11.5 Derivada Direcional, Vetor Gradiente e Planos Tangentes Luiza Amalia Pinto Cantão Depto. de Engenharia Ambiental Universidade Estadual Paulista UNESP luiza@sorocaba.unesp.br Estudos Anteriores Derivadas
Leia maisPlano tangente e reta normal
UNIVERSIDADE FEDERAL DO PARÁ CÁLCULO II - PROJETO NEWTON AULA 15 Assunto: Plano tangente, reta normal, vetor gradiente e regra da cadeia Palavras-chaves: plano tangente, reta normal, gradiente, função
Leia maisLista de Exercícios de Cálculo 3 Terceira Semana
Lista de Exercícios de Cálculo 3 Terceira Semana Parte A 1. Reparametrize as curvas pelo parâmetro comprimento de arco medido a partir do ponto t = 0 na direção crescente de t. (a) r(t) = ti + (1 3t)j
Leia maisTotal. UFRGS - INSTITUTO DE MATEMÁTICA Departamento de Matemática Pura e Aplicada MAT Turma A /1 Prova da área I
UFRG - INTITUTO DE MTEMÁTIC Departamento de Matemática Pura e plicada MT1168 - Turma - 19/1 Prova da área I 1-6 7 8 Total Nome: Ponto extra: ( )Wikipédia ( )presentação ( )Nenhum Tópico: Cartão: Regras
Leia maisTotal. UFRGS - INSTITUTO DE MATEMÁTICA Departamento de Matemática Pura e Aplicada MAT Turma A /1 Prova da área I
UFRGS - INSTITUTO DE MATEMÁTICA Departamento de Matemática Pura e Aplicada MAT01168 - Turma A - 019/1 Prova da área I 1-6 7 8 Total Nome: Ponto extra: ( )Wikipédia ( )Apresentação ( )Nenhum Tópico: Cartão:
Leia maisProvas de. Cálculo II 02/2008. Professor Rudolf R. Maier
Provas de Cálculo II 0/008 Professor Rudolf R. Maier UNIVERSIDADE DE BRASÍLIA Brasília, 5 de setembro de 008. a prova em CALCULO II ) Determinar as retas normais da curva y = + x que passam pela origem.
Leia maisExplicação simplificada de template matching (casamento de máscara, ou casamento de modelo)
Explicação simplificada de template matching (casamento de máscara, ou casamento de modelo) T R(x,y) I Template matching percorre a imagem I comparando template T com cada posição (x,y) de I. O resultado
Leia maisGEOMETRIC PROPERTY BASED ELLIPSE DETECTION METHOD
GEOMETRIC PROPERTY BASED ELLIPSE DETECTION METHOD Introdução A detecção de elipse, de forma robusta e confiável, é uma questão fundamental em processamento de imagens, pois que fornece uma ferramenta útil
Leia maisP2 de Cálculo a Várias Variáveis I MAT Data: 14 de maio de 2013
P2 de Cálculo a Várias Variáveis I MAT 62 20. Data: 4 de maio de 20 Nome: Assinatura: Matrícula: Turma: Questão Valor Nota Revisão.0 2 5.0 Teste 2.0 Total 0.0 Instruções Mantenha seu celular desligado
Leia maisUNIVERSIDADE FEDERAL DE OURO PRETO INSTITUTO DE CIÊNCIAS EXATAS E BIOLÓGICAS DEPARTAMENTO DE MATEMÁTICA
UNIVERSIDADE FEDERAL DE OURO PRETO INSTITUTO DE CIÊNCIAS EXATAS E BIOLÓGICAS DEPARTAMENTO DE MATEMÁTICA Sexta Lista de Exercícios de Cálculo Diferencial e Integral III - MTM124 Prof. Júlio César do Espírito
Leia maisSistema de Coordenadas Intrínsecas
Sistema de Coordenadas Intrínsecas Emílio G. F. Mercuri a a Professor do Departamento de Engenharia Ambiental, Universidade Federal do Paraná, Curitiba, Paraná Resumo Depois da introdução a cinemática
Leia maisMAT CÁLCULO 2 PARA ECONOMIA. Geometria Analítica
MT0146 - CÁLCULO PR ECONOMI SEMESTRE DE 016 LIST DE PROBLEMS Geometria nalítica 1) Sejam π 1 e π os planos de equações, respectivamente, x + y + z = e x y + z = 1. Seja r a reta formada pela interseção
Leia maisUniversidade Federal do Paraná Departamento de Informática. Reconhecimento de Padrões. Extração de Características
Universidade Federal do Paraná Departamento de Informática Reconhecimento de Padrões Extração de Características Luiz Eduardo S. Oliveira, Ph.D. http://lesoliveira.net Objetivos Entender os conceitos de
Leia maisTeoria Local das Curvas
Teoria Local das Curvas Márcio Nascimento da Silva Departamento de Matemática Universidade Estadual Vale do Acaraú de setembro de 007 mharcius@gmail.com pré-prints do Curso de Matemática de Sobral no.
Leia maisExtração de Características. Carlos Alexandre Mello
Extração de Características Carlos Alexandre Mello Pós-Graduação em Ciência da Computação Carlos Alexandre Mello cabm@cin.ufpe.br 1 Extração de Características Representação de objetos através de um conjunto
Leia maisCAPÍTULO 8 REGRA DA CADEIA (UM CASO PARTICULAR)
CAPÍTULO 8 REGRA DA CADEIA UM CASO PARTICULAR 81 Introdução Em Cálculo 1A, aprendemos que, para derivar a função hx x 2 3x + 2 37, o mais sensato é fazer uso da regra da cadeia A regra da cadeia que é
Leia mais(b) a quantidade de cloro no tanque no instante t;
NOME: Universidade Federal do Rio de Janeiro Instituto de Matemtica Departamento de Mtodos Matemticos Gabarito da a Prova de Cálculo II - 06//0 a QUESTÃO : Um tanque possui 0 litros de solução com cloro
Leia maisFunções de uma variável real a valores em R n
UNIVERSIDADE FEDERAL DO PARÁ CÁLCULO II - PROJETO NEWTON AULA 06 Assunto:Funções de uma variável real a valores em R n, domínio e imagem, limite Palavras-chaves: Funções vetoriais, domínio e imagem, trajetória,limite.
Leia maisFundamentos da Computação Gráfica
Fundamentos da Computação Gráfica Trabalho 2 Visão. Detecção de cantos. Manuel Alejandro Nodarse Moreno (1322198) Introdução. Detecção de cantos é uma abordagem utilizada em sistemas de visão computacional
Leia maisLinhas. Integrais de Linha
Instituto Superior Técnico Departamento de Matemática Secção de Álgebra e Análise Prof. Gabriel Pires Linhas. Integrais de Linha Linhas e Caminhos. Um segmento de recta 3 Consideremos o segmento de recta
Leia maisProcessamento de Imagens CPS755
Processamento de Imagens CPS755 aula 05 - sistemas lineares - parte 2 Antonio Oliveira Ricardo Marroquim 1 / 27 laboratório de processamento de imagens tópicos métodos lineares mínimos quadrados equações
Leia maisVisão Computacional CPS754
Visão Computacional CPS754 aula 11 - reconstrução 3D de câmeras Antonio Oliveira Ricardo Marroquim 1 / 1 visão computacional tópicos conhecido: conjunto de correspondências x i x não conhecido: os respectivos
Leia maisDiego Martin Mancini Orientador: Prof. Paulo A. V. de Miranda Instituto de Matemática e Estatística Universidade de São Paulo
Estudo de comparação do descritor de imagens coloridas BIC empregando diferentes abordagens de classificação de detecção de bordas: Canny e Operador Laplaciano Diego Martin Mancini Orientador: Prof. Paulo
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Tópicos Detecção de Pontos Isolados Detecção de Linhas Prof. Sergio Ribeiro 2 Operações lógicas e aritméticas orientadas a vizinhança utilizam o conceito
Leia mais2 Propriedades geométricas de curvas parametrizadas no R 4
2 Propriedades geométricas de curvas parametrizadas no R 4 Nesse capítulo trataremos dos conceitos básicos de geometria diferencial referentes à curvas parametrizadas no R 4. 2.1 Curvas Parametrizadas
Leia maisPARTE 10 REGRA DA CADEIA
PARTE 10 REGRA DA CADEIA 10.1 Introdução Em Cálculo 1A, quando queríamos derivar a função h(x = (x 2 3x + 2 37, fazíamos uso da regra da cadeia, que é uma das mais importantes regras de derivação e nos
Leia maisÁlgebra Linear em Visão Computacional
Visão geral Universidade Federal do Rio Grande do Norte Material compilado em 30 de novembro de 2016. Licença desta apresentação: http://creativecommons.org/licenses/ Introdução Conceitos básicos Operadores
Leia mais6 AULA. Equações Paramétricas LIVRO. META Estudar funções que a cada ponto do domínio associa um par ordenado
1 LIVRO Equações Paramétricas 6 AULA META Estudar funções que a cada ponto do domínio associa um par ordenado de R 2 OBJETIVOS Estudar movimentos de partículas no plano. PRÉ-REQUISITOS Ter compreendido
Leia maisTrabalho Final de Processamento de Imagens: Panografia
Trabalho Final de Processamento de Imagens: Panografia 1. Introdução Vítor Silva Sousa 1 1 Escola Politécnica Universidade Federal do Rio de Janeiro (UFRJ) Rio de Janeiro RJ Brasil vitor.silva.sousa@gmail.com
Leia mais2 A métrica de Sasaki
2 A métrica de Sasaki Para dar inicio ao estudo do fluxo geodésico em variedades de curvatura negativa ou sem pontos conjugados é preciso definir alguns conceitos básicos. O sistema de equações diferenciais
Leia maisFeature Detector. Prof. Dr. Geraldo Braz Junior
Feature Detector Prof. Dr. Geraldo Braz Junior Problema: Matching 2 Matching 3 Matching Processo de encontrar uma imagem em outra Normalmente usado para encontrar um objeto numa imagem, mas também: Reconhecimento
Leia maisCÁLCULO I Aula 08: Regra da Cadeia. Derivação Implícita. Derivada da Função Inversa.
CÁLCULO I Aula 08: Regra da Cadeia.. Função Inversa. Prof. Edilson Neri Júnior Prof. André Almeida Universidade Federal do Pará 1 2 3 Teorema (Regra da Cadeia) Sejam g(y) e y = f (x) duas funções deriváveis,
Leia maisPROFESSOR: RICARDO SÁ EARP
LISTA DE EXERCÍCIOS SOBRE TRABALHO, CAMPOS CONSERVATIVOS, TEOREMA DE GREEN, FLUXO DE UM CAMPO AO LONGO DE UMA CURVA, DIVERGÊNCIA E ROTACIONAL DE UM CAMPO NO PLANO, FUNÇÕES HARMÔNICAS PROFESSOR: RICARDO
Leia maisMultiplicadores de Lagrange
Multiplicadores de Lagrange Para motivar o método, suponha que queremos maximizar uma função f (x, y) sujeito a uma restrição g(x, y) = 0. Geometricamente: queremos um ponto sobre o gráfico da curva de
Leia maisMAT Aula 24/ Quarta 04/06/2014. Sylvain Bonnot (IME-USP)
MAT 0143 Aula 24/ Quarta 04/06/2014 Sylvain Bonnot (IME-USP) 2014 1 Volumes Ideia: cortar o objeto em cilindros de base A(x) e altura dx, e depois fazer a soma b A(x)dx, onde A(x) é a área da secção transversal.
Leia maisCálculo a Várias Variáveis I - MAT Cronograma para P2: aulas teóricas (segundas e quartas)
Cálculo a Várias Variáveis I - MAT 116 0141 Cronograma para P: aulas teóricas (segundas e quartas) Aula 10 4 de março (segunda) Aula 11 6 de março (quarta) Referências: Cálculo Vol James Stewart Seções
Leia maisProcessamento de Imagens CPS755
Processamento de Imagens CPS755 aula 03 - visualizando a planar Antonio Oliveira Ricardo Marroquim 1 / 40 laboratório de processamento de imagens tópicos visualizando a planar discussão dos primeiros 2
Leia mais3 Transformação SIFT (Scale Invariant Feature Transform)
3 Transformação SIFT (Scale Invariant Feature Transform) Este capítulo apresenta as seguintes seções: - 3.1 Uma Introdução Sobre Descritores Locais: A técnica SIFT ( Scale Invariant Feature Transform )
Leia maisGabarito da Primeira Prova MAT Tipo A
Gabarito da Primeira Prova MAT-2454 - Tipo A 10 de Outubro de 2011 -A- Questão 1. Apenas uma das funções f ou g abaixo admite plano tangente a seu gráfico no ponto P = 0,0,0): x 2 y fx,y) = x 2 +y2, se
Leia maisMovimento Circular. 1 Rotação. Aron Maciel
Movimento Circular Aron Maciel 1 Rotação Já sabemos como as leis e definições da Física funcionam no movimento retilíneo, agora, vamos investigar situações em que temos objetos rotacionando em torno de
Leia maisCálculo Diferencial e Integral C roteiro para estudo
Cálculo Diferencial e Integral C roteiro para estudo Yolanda K. Saito Furuya 31 de agosto de 2004 Este resumo contém os primeiros conceitos estudados nesta disciplina. Os exemplos foram estudados em sala
Leia maisLista de Exercícios 4 Disciplina: CDI1 Turma: 1BEEN
Lista de Exercícios 4 Disciplina: CDI1 Turma: 1BEEN Prof. Alexandre Alves Universidade São Judas Tadeu 1 Limites no infinito Exercício 1: Calcule os seguintes limites (a) (b) (c) (d) ( 1 lim 10 x + x +
Leia maisFiltros espaciais (suavizaçào)
Processamento de Imagens Médicas Filtros espaciais (suavizaçào) Prof. Luiz Otavio Murta Jr. Informática Biomédica Depto. de Física e Matemática (FFCLRP/USP) 1 Necessidade de pré-processamento 2 Propriedades
Leia maisSEL Visão Computacional. Aula 2 Processamento Espacial
Departamento de Engenharia Elétrica - EESC-USP SEL-5895 - Visão Computacional Aula 2 Processamento Espacial Prof. Dr. Adilson Gonzaga Prof. Dr. Evandro Linhari Rodrigues Prof. Dr. Marcelo Andrade da Costa
Leia maisUniversidade Federal do Rio de Janeiro - IM/DCC & NCE
Universidade Federal do Rio de Janeiro - IM/DCC & NCE Processamento de Imagens Segmentação Antonio G. Thomé thome@nce.ufrj.br Sala AEP/133 Conceituação Segmentação é uma tarefa básica no processo de análise
Leia maisDerivadas. Slides de apoio sobre Derivadas. Prof. Ronaldo Carlotto Batista. 21 de outubro de 2013
Cálculo 1 ECT1113 Slides de apoio sobre Derivadas Prof. Ronaldo Carlotto Batista 21 de outubro de 2013 AVISO IMPORTANTE Estes slides foram criados como material de apoio às aulas e não devem ser utilizados
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 3 de março de 2016 Transformação e filtragem de imagens
Leia maisMAT Cálculo Diferencial e Integral para Engenharia II 2 a Lista de Exercícios
MAT2454 - Cálculo Diferencial e Integral para Engenharia II 2 a Lista de Exercícios - 2012 1. Ache as derivadas parciais de primeira ordem das funções: ( y (a) f(x, y) = arctg (b) f(x, y) = ln(1+cos x)
Leia maisDerivadas 1
www.matematicaemexercicios.com Derivadas 1 Índice AULA 1 Introdução 3 AULA 2 Derivadas fundamentais 5 AULA 3 Derivada do produto e do quociente de funções 7 AULA 4 Regra da cadeia 9 www.matematicaemexercicios.com
Leia maisTRABALHO 1 CURSO DE VERÃO CÁLCULO I NOME DO ACADÊMICO: =, no ponto x = 2?
TRABALHO CURSO DE VERÃO CÁLCULO I NOME DO ACADÊMICO: Questão 0 Ache a derivada das seguintes funções: 0 y 0 y 5 5 y e) y y Questão 0 Qual é a derivada da função, no ponto? Questão 0 Se, calcule () f Questão
Leia maisFísica aplicada à engenharia I
Física aplicada à engenharia I Rotação - I 10.2 As Variáveis da Rotação Um corpo rígido é um corpo que gira com todas as partes ligadas entre si e sem mudar de forma. Um eixo fixo é um eixo de rotação
Leia maisReconhecimento de Formas Planas Invariante sob Transformação Afim
Carlos R. P. Dionisio Hae Yong Kim Reconhecimento de Formas Planas Invariante sob Transformação Afim Resumo Um objeto visto de diferentes pontos de vista resulta em imagens diferentemente deformadas. O
Leia mais9 AULA. Curvas Espaciais LIVRO. META Estudar as curvas no espaço (R 3 ). OBJETIVOS Descrever o movimento de objetos no espaço.
1 LIVRO Curvas Espaciais META Estudar as curvas no espaço (R 3 ). OBJETIVOS Descrever o movimento de objetos no espaço. PRÉ-REQUISITOS Funções vetoriais (Aula 08). Curvas Espaciais.1 Introdução Na aula
Leia maisPARAMETRIZAÇÃO DE CURVA:
PARAMETRIZAÇÃO DE CURVA: parametrizar uma curva C R n (n=2 ou 3), consiste em definir uma função vetorial: r : I R R n (n = 2 ou 3), onde I é um intervalo e r(i) = C. Equações paramétricas da curva C de
Leia mais2 - f: R R: y = x 2 Classicação: Nem injetora, nem sobrejetora.
Apostila de Métodos Quantitativos - UERJ Professor: Pedro Hemsley Funções: f: X Y : Associa a cada elemento do conjunto X um único elemento do conjunto Y. Existem tres tipos especícos de funções: Sobrejetora,
Leia maisTracking de movimentos usando marcadores circulares
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO - COPPE INTRODUÇÃO AO PROCESSAMENTO DE IMAGENS Tracking de movimentos usando marcadores circulares Jéssica de Abreu DRE:114069619 Junho de 2014 1 INTRODUÇÃO Com a
Leia mais12 AULA. ciáveis LIVRO. META Estudar derivadas de funções de duas variáveis a valores reais.
1 LIVRO Diferen- Funções ciáveis META Estudar derivadas de funções de duas variáveis a valores reais. OBJETIVOS Estender os conceitos de diferenciabilidade de funções de uma variável a valores reais. PRÉ-REQUISITOS
Leia mais1. Determine o domínio de F e esboce a sua imagem: 5. Determine a equação da reta tangente à trajetória da função dada no ponto dado:.
1 MAT 121-2 a Lista de Exercícios 1. Determine o domínio de F e esboce a sua imagem: (a) F(t) = (t 2, t 2 ) (b) F(t) = (5 t 2, ln(5 t 2 ), t) (c) F(t) = ( 1 t, 4 2 t 2, 2) 2. Calcule as expressões de F
Leia maisKanade-Lucas-Tomasi Tracker
COPPE-UFRJ Kanade-Lucas-Tomasi Tracker Ricardo Marroquim data entrega: pós-graduação: 18/05/2016 graduação: 27/05/2016 1 NOTAÇÕES Uma imagem é definida como uma função f (x, y), x, y Z, onde f (x, y) :
Leia maisJustifique todas as passagens. f v (0,0) = f(0,0) v.
2 ā Prova de Cálculo II para Oceanográfico - MAT145 27/10/2010 Nome : GABARITO N ō USP : Professor : Oswaldo Rio Branco de Oliveira Justifique todas as passagens Q 1 2 3 4 5 6 7 Total N 1. Dê exemplos
Leia maisEquações paramétricas das cônicas
Aula 1 Equações paramétricas das cônicas Ao estudarmos as retas no plano, vimos que a reta r que passa por dois pontos distintos P 1 = x 1, y 1 ) e P = x, y ) é dada pelas seguintes equações paramétricas:
Leia maisCÁLCULO I. Conhecer a interpretação geométrica da derivada em um ponto. y = f(x 2 ) f(x 1 ). y x = f(x 2) f(x 1 )
CÁLCULO I Prof. Marcos Diniz Prof. André Almeida Prof. Edilson Neri Júnior Aula n o 0: Taxa de Variação. Derivadas. Reta Tangente. Objetivos da Aula Denir taxa de variação média e a derivada como a taxa
Leia maisGeometria Analítica II - Aula 4 82
Geometria Analítica II - Aula 4 8 IM-UFF K. Frensel - J. Delgado Aula 5 Esferas Iniciaremos o nosso estudo sobre superfícies com a esfera, que já nos é familiar. A esfera S de centro no ponto A e raio
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 2 Processamento Espacial (Parte 2)
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 2 Processamento Espacial (Parte 2) Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga mvieira@sc.usp.br
Leia mais