Processamento de Imagens
|
|
- Carmem Lacerda Minho
- 6 Há anos
- Visualizações:
Transcrição
1 Processamento de Imagens Introdução Mylène Christine Queiroz de Farias Departamento de Engenharia Elétrica Universidade de Brasília (UnB) Brasília, DF de Março de 2016 Aula 03: Capítulo 3 Transformações Espaciais
2 Transformações Espaciais g(x, y) = T [f (x, y)] Operações Lineares: H(a f +b g) = a H(f )+b H(g) Mylène Farias (ENE-UnB) PI 22 de Março de / 64
3 Transformações Espaciais g(x, y) = T [f (x, y)] Global: Toda a imagem Vizinhança: regiões (quadrados, círculos, etc.) Pixel-a-pixel: 1 1 Mylène Farias (ENE-UnB) PI 22 de Março de / 64
4
5 Transformação s = T (r) Mylène Farias (ENE-UnB) PI 22 de Março de / 64
6 Transformação Mylène Farias (ENE-UnB) PI 22 de Março de / 64
7 Negativo s = L 1 r Mylène Farias (ENE-UnB) PI 22 de Março de / 64
8 Transformação Mylène Farias (ENE-UnB) PI 22 de Março de / 64
9 Logaritmo s = c log(1 + r) Mylène Farias (ENE-UnB) PI 22 de Março de / 64
10 Transformação Mylène Farias (ENE-UnB) PI 22 de Março de / 64
11 Função Gamma s = cr γ Mylène Farias (ENE-UnB) PI 22 de Março de / 64
12 Função Gamma Mylène Farias (ENE-UnB) PI 22 de Março de / 64
13 Função Gamma Mylène Farias (ENE-UnB) PI 22 de Março de / 64
14 Função Gamma Imagem corrigida antes da visualização Mylène Farias (ENE-UnB) PI 22 de Março de / 64
15
16
17
18 Função Lineares por partes Mylène Farias (ENE-UnB) PI 22 de Março de / 64
19
20 Fatiamento por Planos de Bits Mylène Farias (ENE-UnB) PI 22 de Março de / 64
21
22
23
24 Contraste Mylène Farias (ENE-UnB) PI 22 de Março de / 64
25 Função discreta h(r k ) = n k r k nível n k número de pixels com nível r k Normalizado total de pixels probabilidade soma = 1
26 Transformação de Histogramas A função de transformação de histograma permite uma distribuição de pixels seja transformada em outra mais interessante Utiliza-se uma função T(r) que deve obedecer as seguintes condições: 1 Ser monotonicamente crescente no intervalo de 0 r (L 1) 2 0 T (r) L 1 para 0 r (L 1) Mylène Farias (ENE-UnB) PI 22 de Março de / 64
27 Transformação de Histogramas Mylène Farias (ENE-UnB) PI 22 de Março de / 64
28 Transformação de Histogramas p r e p s são funções densidade de probabilidade(pdf); T (r) é a função transformação de uma variável (r) em outra variável (s); Mylène Farias (ENE-UnB) PI 22 de Março de / 64
29 Transformação de Histogramas p r e p s são funções densidade de probabilidade(pdf); T (r) é a função transformação de uma variável (r) em outra variável (s); Se pr(r) e T (r) são conhecidos, com T (r) contínua e diferenciável, p s (s) pode ser obtida pela seguinte relação: p s (s) = p r (r) dr ds Mylène Farias (ENE-UnB) PI 22 de Março de / 64
30 Transformação de Histogramas p r e p s são funções densidade de probabilidade(pdf); T (r) é a função transformação de uma variável (r) em outra variável (s); Se pr(r) e T (r) são conhecidos, com T (r) contínua e diferenciável, p s (s) pode ser obtida pela seguinte relação: p s (s) = p r (r) dr ds Exemplo de T (r): s = T (r) = (L 1) r 0 p r (w)dw Mylène Farias (ENE-UnB) PI 22 de Março de / 64
31 Transformação de Histogramas Considerando: r s = T (r) = (L 1) p r (w)dw 0 Mylène Farias (ENE-UnB) PI 22 de Março de / 64
32 Transformação de Histogramas Considerando: r s = T (r) = (L 1) p r (w)dw 0 ds dr = dt (r) dr Mylène Farias (ENE-UnB) PI 22 de Março de / 64
33 Transformação de Histogramas Considerando: r s = T (r) = (L 1) p r (w)dw 0 ds dr = dt (r) dr ds dr = (L 1) d r p r (w)dw = (L 1)p r (r) dr 0 Mylène Farias (ENE-UnB) PI 22 de Março de / 64
34 Transformação de Histogramas Considerando: r s = T (r) = (L 1) p r (w)dw 0 ds dr = dt (r) dr r ds dr = (L 1) d p r (w)dw = (L 1)p r (r) dr 0 p s (s) = p r (r) dr ds = p r (r) 1 p r (r)(l 1) = 1 L 1 Distribuição Uniforme Mylène Farias (ENE-UnB) PI 22 de Março de / 64
35 Transformação de Histogramas r s = T (r) = (L 1) p r (w)dw 0 Mylène Farias (ENE-UnB) PI 22 de Março de / 64
36 Transformação de Histogramas Caso Contínuo r s = T (r) = (L 1) p r (w)dw 0 Mylène Farias (ENE-UnB) PI 22 de Março de / 64
37 Transformação de Histogramas Caso Contínuo Caso Discreto Para k = 0, 1,..., L 1. r s = T (r) = (L 1) p r (w)dw 0 s k = T (r k ) = (L 1) = (L 1) = (L 1) M N k p r (r j )s k j=0 k j=0 k j=0 n j M N n j Mylène Farias (ENE-UnB) PI 22 de Março de / 64
38 Transformação de Histogramas Exemplo: Imagem de 3 bits ( L = 8) de (M N = 4096) Mylène Farias (ENE-UnB) PI 22 de Março de / 64
39 Transformação de Histogramas Exemplo: Imagem de 3 bits ( L = 8) de (M N = 4096) s 0 = T (r 0 ) = 7 s 1 = T (r 1 ) = 7 0 p r (r j ) = 7 0, 19 = 1, p r (r j ) = 7 (0, , 25) = 3, s 2 = 4, 55 5 s 3 = 5, 67 6 s 4 = 6, 23 6 s 5 = 6, 65 7 s 6 = 6, 86 7 s 7 = 7, 00 7 Mylène Farias (ENE-UnB) PI 22 de Março de / 64
40 Transformação de Histogramas Mylène Farias (ENE-UnB) PI 22 de Março de / 64
41 Transformação de Histogramas s k = T (r k ) = (L 1) M N k j=0 n j Mylène Farias (ENE-UnB) PI 22 de Março de / 64
42 Transformação de Histogramas Mylène Farias (ENE-UnB) PI 22 de Março de / 64
43 Transformação de Histogramas Mylène Farias (ENE-UnB) PI 22 de Março de / 64
44 Transformação de Histogramas Pergunta: A equalização de histograma dá sempre bons resultados? Mylène Farias (ENE-UnB) PI 22 de Março de / 64
45 Transformação de Histogramas Pergunta: A equalização de histograma dá sempre bons resultados? NÃO. Mylène Farias (ENE-UnB) PI 22 de Março de / 64
46 Especificação de Histogramas Uma imagem tem um histograma específico Seja p r (r) e p z (z) as funções de densidades de probabilidade contínuas das variáveis r e z. p z (z) é a função densidade de probabilidade especificada Seja s uma variável aleatória s = T (r) = (L 1) r 0 p r (w)dw Mylène Farias (ENE-UnB) PI 22 de Março de / 64
47 Especificação de Histogramas Obtemos uma função G: r s = T (r) = (L 1) G(z) = (L 1) z 0 0 p z (t)dt = s z = G 1 (s) = G 1 [T (r)] p r (w)dw Mylène Farias (ENE-UnB) PI 22 de Março de / 64
48 Especificação de Histogramas Mylène Farias (ENE-UnB) PI 22 de Março de / 64
49 Especificação de Histogramas 1 Obter p r (r) da imagem de entrada e calcular os valores de s: r s = T (r) = (L 1) p r (w)dw 0 2 Usar a PDF especificada para obter a função G(z): 3 Mapear de s para z z G(z) = (L 1) p z (t)dt = s 0 z = G 1 (s) Mylène Farias (ENE-UnB) PI 22 de Março de / 64
50 Especificação de Histogramas Exemplo: Assumindo valores de intensidade conínua: p r (r) = { 2r, (L 1) 2 para0 r L 1 0, caso contrário (1) Encontre a transformação que produzirá: p z (z) = { 3z 2, (L 1) 3 para0 z L 1 0, caso contrário (2) Mylène Farias (ENE-UnB) PI 22 de Março de / 64
51 Especificação de Histogramas Passos: Encontre a transformação da equalização: s = T (r) = (L 1) r = (L 1) 0 r 0 p r (w)dw 2w (L 1) 2 dw = r 2 L 1 Mylène Farias (ENE-UnB) PI 22 de Março de / 64
52 Especificação de Histogramas Passos: Encontre a transformação da equalização: s = T (r) = (L 1) r = (L 1) 0 r 0 p r (w)dw 2w (L 1) 2 dw = r 2 L 1 A transformação para o histograma: G(z) = (L 1) = (L 1) z 0 z 0 p z (t)dt 3t 2 (L 1) 3 dt = z 3 (L 1) 2 Mylène Farias (ENE-UnB) PI 22 de Março de / 64
53 Especificação de Histogramas A função transformação: z = [ (L 1) 2 s ] 1/3 = [ (L 1) 2 r 2 = [ (L 1)r 2] 1/3 L 1 ] 1/3 Logo, para obter a imagem transformada, aplica-se a função acima na variável de entrada r. Mylène Farias (ENE-UnB) PI 22 de Março de / 64
54 Especificação de Histogramas Caso discreto: Obter p r (r j ) da imagem de entrada e depois os valores de s k, arredondando os valores para os inteiros no intervalo [0, L 1]: s k = T (r k ) = (L 1) M N k j=0 n j Usar a PDF especificada para obter a função G(z q ), arredondando os valores para os inteiros no intervalo [0, L 1]: q G(z k ) = (L 1) p z (z i ) = s k i=0 Mapear os valore de s k para z q : z q = G 1 (s k ) Mylène Farias (ENE-UnB) PI 22 de Março de / 64
55 Especificação de Histogramas Na prática, não se calcula a inversa... Calcula-se todos os possíveis valores de G para q q G(z k ) = (L 1) p z (z i ) = s k i=0 Estes valores são escalonados e arredondados aos inteiros mais próximos no intervalo [0, L 1] e armazenados (tabela) Para um dado valor de s k, encontramos o valor mais próximo nesta tabela. Mylène Farias (ENE-UnB) PI 22 de Março de / 64
56 Especificação de Histogramas Caso discreto: 1 Calcule o histograma p r (r) da imagem de entrada e use-o para calcular a transformação de equalização: s k = T (r k ) = (L 1) M N k j=0 n j Arredonde os resultados, s k para inteiros no intervalos [0, L 1 2 Calcule todos os valores da transformação G para q = 0, 1,..., L 1 G(z k ) = (L 1) q p z (z i ) = s k i=0 Arredonde os resultados de G para inteiros no intervalos [0, L 1 e armazene estes resultados em uma tabela. Mylène Farias (ENE-UnB) PI 22 de Março de / 64
57 Especificação de Histogramas Caso discreto: 1 Para cada valor de s k, k = 0, 1,..., L 1, utilize os valores de G (passo 2) para encontrar o valor correspondente de z q de forma que G(z q ) esteja o mais próximo de s k. Armazene estes valores de mapeamento de s para z. 2 Construa a imagem com histograma especificado realizando primeiramente a equalização e depois o mapeamento de s k em z q. Mylène Farias (ENE-UnB) PI 22 de Março de / 64
58 Especificação de Histogramas Exemplo: Imagem de 3 bits (L = 8), (M N = 4096) Mylène Farias (ENE-UnB) PI 22 de Março de / 64
59 Especificação de Histogramas Exemplo: Mylène Farias (ENE-UnB) PI 22 de Março de / 64
60 Especificação de Histogramas Exemplo: Obter as amostras equalizadas: s 0 = 1, 33 1 s 1 = 3, 08 3 s 2 = 4, 55 5 s 3 = 5, 67 6 s 4 = 6, 23 6 s 5 = 6, 65 7 s 6 = 6, 86 7 s 7 = 7, 00 7 Calcular o valor das transformações: G(z 0 ) = 7 0 p z (z j ) = 0, 00 0 j=0 G(z 1 ) = 0, 00 G(z 2 ) = 0, 00 G(z 3 ) = 1, 05 G(z 4 ) = 2, 45 G(z 5 ) = 4, 55 G(z 6 ) = 5, 95 G(z 7 ) = 7, 00 Mylène Farias (ENE-UnB) PI 22 de Março de / 64
61 Especificação de Histogramas Exemplo: Obter as amostras equalizadas: s 0 = 1, 33 1 s 1 = 3, 08 3 s 2 = 4, 55 5 s 3 = 5, 67 6 s 4 = 6, 23 6 s 5 = 6, 65 7 s 6 = 6, 86 7 s 7 = 7, 00 7 Calcular o valor das transformações e aproximar para os inteiros mais próximos: G(z 0 ) = 7 0 p z (z j ) = 0, 00 0 j=0 G(z 1 ) = 0, 00 0 G(z 2 ) = 0, 00 0 G(z 3 ) = 1, 05 1 G(z 4 ) = 2, 45 2 G(z 5 ) = 4, 55 5 G(z 6 ) = 5, 95 6 G(z 7 ) = 7, 00 7 Mylène Farias (ENE-UnB) PI 22 de Março de / 64
62 Especificação de Histogramas Encontrar o menor valor de z q de forma que G(z q ) é mais próximo a s k. Mylène Farias (ENE-UnB) PI 22 de Março de / 64
63 Especificação de Histogramas Mylène Farias (ENE-UnB) PI 22 de Março de / 64
64 Original Mylène Farias (ENE-UnB) PI 22 de Março de / 64
65 Equalizado Mylène Farias (ENE-UnB) PI 22 de Março de / 64
66 Especificado Mylène Farias (ENE-UnB) PI 22 de Março de / 64
67 Processamento Local de Histogramas Definir uma vizinhança e mover o seu centro pixel a pixel Em cada posição, o histograma dos pontos é calculado. Tanto uma equalização de histograma ou uma especificação de histograma pode ser realizada Mapear a intensidade do pixel centralizado na vizinhança Mover-se para a próxima posição e repetir o procedimento. Mylène Farias (ENE-UnB) PI 22 de Março de / 64
68 Processamento Local de Histogramas Mylène Farias (ENE-UnB) PI 22 de Março de / 64
69 Usando a Estatística do Histograma Média da Intensidade Variância L 1 m = L 1 σ 2 = u 2 (r) = n-ésimo momento i=0 i=0 r i p(r i ) = 1 MN M 1 N 1 x=0 y=0 (r i m) 2 p(r i ) = 1 MN M 1 f (x, y) N 1 [f (x, y) m] 2 x=0 y=0 L 1 u n (r) = (r i m) n p(r i ) i=0 Mylène Farias (ENE-UnB) PI 22 de Março de / 64
70 Usando a Estatística do Histograma Médias locais da Intensidade L 1 m Sxy = r i p Sxy (r i ) i=0 Variância Local L 1 σs 2 xy = (r i m Sxy ) 2 p Sxy (r i ) S xy vizinhança. i=0 Mylène Farias (ENE-UnB) PI 22 de Março de / 64
71 Processamento Local de Histogramas Mylène Farias (ENE-UnB) PI 22 de Março de / 64
72 Processamento Local de Histogramas Mylène Farias (ENE-UnB) PI 22 de Março de / 64
Realce de imagens parte 1: operações pontuais SCC0251 Processamento de Imagens
Realce de imagens parte 1: operações pontuais SCC0251 Processamento de Imagens Prof. Moacir Ponti Jr. www.icmc.usp.br/~moacir Instituto de Ciências Matemáticas e de Computação USP 2013/1 Moacir Ponti Jr.
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Tópicos Abordagem Contínua da Equalização Equalização Exemplo de Equalização Prof. Sergio Ribeiro 2 Técnica que procura redistribuir os valores de
Leia maisUNIVERSIDADE ESTADUAL PAULISTA Campus de Sorocaba. Transformações Geométricas
UNIVERSIDADE ESTADUAL PAULISTA Campus de Sorocaba Transformações Geométricas .(x,y, P).(x,y, P) Imagem fonte Imagem transformada Deve-se notar que, como uma imagem digital é representada por uma matriz
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 maisProcessamento de Imagem. Histograma da Imagem Professora Sheila Cáceres
Processamento de Imagem Histograma da Imagem Professora Sheila Cáceres Histograma É a distribuição de frequência dos níveis de cinza da imagem onde cada entrada no eixo x representa o nível de cinza específico
Leia maisRadiométricas. Alexandre Xavier Falcão. Instituto de Computação - UNICAMP
Operações Matemáticas e Transformações Radiométricas Instituto de Computação - UNICAMP afalcao@ic.unicamp.br Operações Matemáticas Sejam Î = (D I, I ) e Ĵ = (D J, J) duas imagens cinzas de mesmo domínio,
Leia 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 maisFiltragem de Imagens no Domínio Espacial. 35M34 Sala 3D5 Bruno Motta de Carvalho DIMAp Sala 15 Ramal 227
Filtragem de Imagens no Domínio Espacial 35M34 Sala 3D5 Bruno Motta de Carvalho DIMAp Sala 15 Ramal 227 Image Enhancement 2 Image enhancement em Português significa algo como melhoria de imagens, mas o
Leia 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 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 mais7. Color Image Processing
Transformação de níveis de cinza para cor a idéia por trás desta técnica é executar 3 transformações independentes sobre níveis de cinza dos pixels de uma imagem de entrada. Cada cor é transformada independentemente
Leia maisPMR2560 Visão Computacional Conversão e Limiarização. Prof. Eduardo L. L. Cabral
PMR2560 Visão Computacional Conversão e Limiarização Prof. Eduardo L. L. Cabral Objetivos Processamento de imagens: Conversão de imagens; Histograma; Limiarização. Imagem digital Uma imagem é uma matriz
Leia maisRedes Complexas Aula 7
Redes Complexas Aula 7 Aula retrasada Lei de potência Distribuição Zeta Propriedades Distribuição Zipf Exemplo Wikipedia Aula de hoje Distribuição de Pareto Medindo lei de potência Estimando expoente Exemplos
Leia maisExercícios de programação
Exercícios de programação Estes exercícios serão propostos durante as aulas sobre o Mathematica. Caso você use outra linguagem para os exercícios e problemas do curso de estatística, resolva estes problemas,
Leia maisRealce de Imagens. Objetivo: Melhorar a qualidade visual da imagem.
T Objetivo: Melhorar a qualidade visual da imagem. g 1 g 2 Contraste entre dois objetos pode ser definido como a diferença entre os níveis de cinza médios dos objetos. Observando as imagens g 1 e g 2 é
Leia maisRealce de Imagens. Realce de Imagens
T Objetivo: Melhorar a qualidade visual da imagem. g 1 g 2 Contraste entre dois objetos pode ser definido como a diferença entre os níveis de cinza médios dos objetos. Observando as imagens g 1 e g 2 é
Leia maisRestauração de Imagens. Tsang Ing Ren - UFPE - Universidade Federal de Pernambuco CIn - Centro de Informática
Restauração de Imagens Tsang Ing Ren - tir@cin.ufpe.br UFPE - Universidade Federal de Pernambuco CIn - Centro de Informática 1 Tópicos! Introdução! Modelo de degradação/restauração! Modelo de ruído! Restauração
Leia maisIND 1115 Inferência Estatística Aula 6
Conteúdo IND 5 Inferência Estatística Aula 6 Setembro de 004 A distribuição Lognormal A distribuição Beta e sua relação com a Uniforme(0,) Mônica Barros mbarros.com mbarros.com A distribuição Lognormal
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 maisExcel INTERMEDIÁRIO Estatística. Prof. Cassiano Isler Turma 3
Excel INTERMEDIÁRIO Prof. Cassiano Isler 2017.1 - Turma 3 s s Prof. Cassiano Isler Excel INTERMEDIÁRIO - Aula 4 2 / 29 s COSTA NETO, P. L. O.. 2. ed. São Paulo: Edgard Blücher (2002). GÓMEZ, Luis Alberto.
Leia maisRestauração de Imagens
Restauração de Imagens Disciplina: Tópicos em Computação (Processamento Digital de Imagens) 1 / 30 Conceitos Preliminares O principal objetivo das técnicas de restauração é melhorar uma imagem em algum
Leia maisIntrodução ao Processamento Digital de Imagens. Aula 9 Restauração de Imagens. Prof. Dr. Marcelo Andrade da Costa Vieira
Introdução ao Processamento Digital de Imagens Aula 9 Restauração de Imagens Prof. Dr. Marcelo Andrade da Costa Vieira mvieira@sc.usp.br Realce x Restauração Realce: Processar a Imagem para obter um resultado
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 maisPROBABILIDADE E ESTATÍSTICA. Profa. Dra. Yara de Souza Tadano
PROBABILIDADE E ESTATÍSTICA Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 7 11/2014 Variáveis Aleatórias Variáveis Aleatórias Probabilidade e Estatística 3/41 Variáveis Aleatórias Colete
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes. Como devemos descrever um experimento aleatório?
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisEstudando com o MATLAB
Estudando com o MATLAB Curso de Extensão Docentes: > Fabiano Araujo Soares > Marcelino M. de Andrade Monitor: >Luan Felipe Aula 4: Aplicações - Parte II 1ª Parte - Estatística Aula 4-1ª Parte: Estatística
Leia maisUniversidade Federal do Paraná Departamento de Informática Ciência da Computação e Informática Biomédica. Tópicos em Computação
Universidade Federal do Paraná Departamento de Informática Ciência da Computação e Informática Biomédica Tópicos em Computação Robótica Competitiva e Visão Computacional Processamento de Imagens Prof.
Leia maisDistribuição Normal. Prof a Dr a Alcione Miranda dos Santos. Abril, 2011
Distribuição Normal Prof a Dr a Alcione Miranda dos Santos Universidade Federal do Maranhão Programa de Pós-Graduação em Saúde Coletiva email:alcione.miranda@gmail.com Abril, 2011 1 / 18 Sumário Introdução
Leia maisF = 1/4πɛ 0 q 1.q 2 /r 2. F = G m 1.m 2 /r 2 ENERGIA POTENCIAL 04/05/2015. Bacharelado em Engenharia Civil. Física III
ENERGIA POTENCIAL Bacharelado em Engenharia Civil Física III Prof a.: D rd. Mariana de Faria Gardingo Diniz A energia potencial é a energia que está relacionada a um corpo em função da posição que ele
Leia maisProcessos Estocásticos. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Variáveis Aleatórias Funções de Uma Variável Aleatória Funções de Várias Variáveis Aleatórias Momentos e Estatística Condicional Teorema
Leia maisDistribuições derivadas da distribuição Normal. Distribuição Normal., x real.
Distribuições derivadas da distribuição Normal Distribuição Normal Uma variável aleatória X tem distribuição normal com parâmetros µ e σ, quando sua densidade de probabilidade é f ( x) π σ e ( x µ ) σ,
Leia maisPRINCIPAIS MODELOS CONTÍNUOS
RINCIAIS MODELOS CONTÍNUOS 0 5.. Modelo uniforme Uma v.a. contínua tem distribuição uniforme com parâmetros α e β α β se sua função densidade de probabilidade é dada por, f β α 0, Notação: ~ Uα, β. 0,
Leia maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Distribuição Normal Motivação: Distribuição
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 maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Simulação de Variáveis Aleatórias Contínuas. O método da Transformada Inversa Teorema Seja U U (0,1). Para qualquer
Leia mais1 Distribuição Uniforme
Centro de Ciências e Tecnologia Agroalimentar - Campus Pombal Disciplina: Estatística Básica - 03 Aula 8 Professor: Carlos Sérgio UNIDADE 4 - Distribuições Contínuas (Notas de Aula) Distribuição Uniforme
Leia maisVARIÁVEIS ALEATÓRIAS
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA VARIÁVEIS ALEATÓRIAS Joaquim H Vianna Neto Relatório Técnico RTE-03/013 Relatório Técnico Série Ensino Variáveis
Leia maisPRE29006 LISTA DE EXERCÍCIOS #
INSTITUTO FEDERAL DE SANTA CATARINA CAMPUS SÃO JOSÉ COORDENADORIA DE ÁREA DE TELECOMUNICAÇÕES ENGENHARIA DE TELECOMUNICAÇÕES PRE9006 LISTA DE EXERCÍCIOS # 06. Eercícios. Considere uma variável aleatória
Leia maisProcessamento de histogramas
REALCE DE IMAGENS BASEADO EM HISTOGRAMAS Processamento de histogramas O que é um histograma? É uma das ferramentas mais simples e úteis para o PDI; É uma função que mostra a frequência com que cada nível
Leia maisRESTAURAÇÃO E RECONSTRUÇÃO DE IMAGENS. Nielsen Castelo Damasceno
RESTAURAÇÃO E RECONSTRUÇÃO DE IMAGENS Nielsen Castelo Damasceno Restauração de imagem Procura recuperar uma imagem corrompida com base em um conhecimento a priori do fenômeno de degradação. Restauração
Leia maisÁlgebra Linear Aplicada à Compressão de Imagens. Universidade de Lisboa Instituto Superior Técnico. Mestrado em Engenharia Aeroespacial
Álgebra Linear Aplicada à Compressão de Imagens Universidade de Lisboa Instituto Superior Técnico Uma Breve Introdução Mestrado em Engenharia Aeroespacial Marília Matos Nº 80889 2014/2015 - Professor Paulo
Leia maisEletromagnetismo I. Prof. Daniel Orquiza. Eletromagnetismo I. Prof. Daniel Orquiza de Carvalho
de Carvalho - Eletrostática Energia Eletrostática (Capítulo 4 Páginas 00 a 04) Energia potencial de um grupo de cargas pontuais. Energia de uma distribuição contínua de carga. Densidade de energia no campo
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 mais2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB.
2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB. 1) Classifique as seguintes variáveis aleatórias como discretas ou contínuas. X : o número de acidentes de automóvel por ano na rodovia BR 116. Y :
Leia maisIntrodução ao Processamento Digital de Imagens. Aula 6 Propriedades da Transformada de Fourier
Introdução ao Processamento Digital de Imagens Aula 6 Propriedades da Transformada de Fourier Prof. Dr. Marcelo Andrade da Costa Vieira mvieira@sc.usp.br Uma linha de uma imagem formada por uma sequência
Leia maisCapítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia
Departamento de Engenharia Civil Prof. Dr. Doalcey Antunes Ramos Capítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia 3.1 - Objetivos Séries de variáveis hidrológicas como precipitações,
Leia maisDistribuições Contínuas. Estatística. 7 - Distribuição de Probabilidade de Variáveis Aleatórias Contínuas UNESP FEG DPD
Estatística 7 - Distribuição de Probabilidade de Variáveis Aleatórias Contínuas 7- Distribuição Uniforme A variável aleatória contínua pode ser qualquer valor no intervalo [a,b] A probabilidade da variável
Leia maisRestauração de Imagens. 35M34 Sala 3D5 Bruno Motta de Carvalho DIMAp Sala 15 Ramal 227
Restauração de Imagens 35M34 Sala 3D5 Bruno Motta de Carvalho DIMAp Sala 15 Ramal 7 Introdução Restauração busca reconstruir ou recuperar uma imagem que foi degradada usando informações a respeito do processo
Leia maisDistribuições de Probabilidade Contínuas 1/19
all Distribuições de Probabilidade Contínuas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte
Leia maisRealce de imagens parte 2: ltragem espacial SCC5830/0251 Processamento de Imagens
Realce de imagens parte 2: ltragem espacial SCC5830/0251 Processamento de Imagens Prof. Moacir Ponti Jr. www.icmc.usp.br/~moacir Instituto de Ciências Matemáticas e de Computação USP 2013/1 Moacir Ponti
Leia mais)XQGDPHQWRVGHSUREDELOLGDGHHHVWDWtVWLFD
)XQGDPHQWRVGHUREDELOLGDGHHHVWDWtVWLFD,QWURGXomR A história da estatística pode ser dividida em três fases. De acordo com PEANHA (00), a estatística inicialmente não mantinha nenhuma relação com a probabilidade,
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte III 23 de Abril de 2012 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Calcular probabilidades aproximadas
Leia mais1 x. = π 2. pois. Probabilidade: um curso introdutório - Mônica Barros - Capítulo 7 - Soluções
Soluções - Capítulo 7 Lista semestre 000.0:, 3, 5 a, 5, 6, 7,, 4, 5 Problema Ache a mediana das densidades Qui-quadrado com e graus de liberdade. A densidade Qui-quadrado com n graus de liberdade é dada
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino 003/005 IST-Secção de Sistemas
Leia maisModelagem em Engenharia C & A Aula 5- Modelos Estatísticos/Estocásticos Aleatoriedade
Modelagem em Engenharia C & A Aula 5- Modelos Estatísticos/Estocásticos Aleatoriedade Estatística: estudo dos fenomenos a partir de seus indicadores amostrais Probabilidade: comportamento matemático de
Leia maisCap. 6 Variáveis aleatórias contínuas
Estatística para Cursos de Engenharia e Informática Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 004 Cap. 6 Variáveis aleatórias contínuas APOIO: Fundação de Apoio
Leia maisINTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO
INTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO PROCESSAMENTO DE IMAGENS Introdução Conceitos básicos Pré-processamento Realce Classificação PROCESSAMENTO DE IMAGENS Extração de Informações
Leia maisNOTAS DE AULAS DE FÍSICA MODERNA
NOTAS DE AULAS DE FÍSICA MODERNA Prof. Carlos R. A. Lima CAPÍTULO 6 MECÂNICA QUÂNTICA DE SCHRÖDINGER Edição de agosto de 2011 CAPÍTULO 6 MECÂNICA QUÂNTICA DE SCHRÖDINGER ÍNDICE 6.1- Introdução 6.2- Equação
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Função Característica 10/13 1 / 26
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Função Característica 10/13 1 / 26 Vimos que a função geradora de momentos é uma ferramenta
Leia maisà Análise de Padrões
CC-226 Introdução à Análise de Padrões Prof. Carlos Henrique Q. Forster Variáveis, Estatísticas sticas e Distribuições de Probabilidades Tópicos de hoje Definições Alguns estimadores estatísticos Distribuições
Leia maisDISTRIBUIÇÕES DE PROBABILIDADE CONJUNTAS DISTRIBUIÇÕES CONJUNTAS ROTEIRO DISTRIBUIÇÃO CONJUNTA. Estatística Aplicada à Engenharia
ROTEIRO DISTRIBUIÇÕES DE PROBABILIDADE CONJUNTAS 1. Distribuições conjuntas 2. Independência 3. Confiabilidade 4. Combinações lineares de variáveis aleatórias 5. Referências Estatística Aplicada à Engenharia
Leia maisFaculdade de Engenharia da Computação
Faculdade de Engenharia da Computação Disciplina Segurança Aplicada a Computação Aplicações de Modelos para Segurança Site : http://www1.univap.br/~wagner/ec.html Prof. Responsáveis Wagner Santos C. de
Leia maisCurso de Especialização em Teleinformática e Redes de Computadores Departamento Acadêmico de Eletrônica Universidade Tecnológica do Paraná
Curso de Especialização em Teleinformática e Redes de Computadores Universidade Tecnológica do Paraná 1 Expressões Booleanas Para o MATLAB: - 0 (zero) ou nil (nulo, vazio) indica condição falsa (F-false)
Leia mais(b) Domínio espacial Reescalamento dos níveis de cinza Integração Diferenciação
TÉCNICAS DE REALCE (IMAGE ENHANCEMENT) Objetivo São projetadas para manipular a imagem com base em características psico-físicas do SVH, podendo até distorcer a imagem através do processo de retirar informações
Leia maisAgrupamento de Escolas Eugénio de Castro Escola Básica de Eugénio de Castro Planificação Anual
CONHECIMENTO DE FACTOS E DE PROCEDIMENTOS. RACIOCÍNIO MATEMÁTICO. COMUNICAÇÃO MATEMÁTICA. RESOLUÇÃO DE PROBLEMAS Reconhecer propriedades da relação de ordem em IR. Definir intervalos de números reais.
Leia maisAULA 02 Distribuição de Probabilidade Normal
1 AULA 02 Distribuição de Probabilidade Normal Ernesto F. L. Amaral 20 de agosto de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario
Leia maisPROBABILIDADE E ESTATÍSTICA. Profa. Dra. Yara de Souza Tadano
PROBABILIDADE E ESTATÍSTICA Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 4 09/2014 Estatística Descritiva Medidas de Variação Probabilidade e Estatística 3/42 Medidas de Variação Vamos
Leia maisAULA 07 Distribuições Discretas de Probabilidade
1 AULA 07 Distribuições Discretas de Probabilidade Ernesto F. L. Amaral 31 de agosto de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de Janeiro:
Leia maisProcessamento de Sinais Multimídia
Processamento de Sinais Multimídia Introdução Mylène Christine Queiroz de Farias Departamento de Ciência da Computação Universidade de Brasília (UnB) Brasília, DF 70910-900 mylene@unb.br 22 de Março de
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade
Leia maisPROCESSAMENTO 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
Leia maisMOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ-13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisCAPÍTULO 2 OPERADORES DE CASAMENTO DE PADRÕES
CAPÍTULO 2 OPERADORES DE CASAMENTO DE PADRÕES 2.1 INTRODUÇÃO Neste capítulo são apresentados os principais operadores de casamento de padrões encontrados na literatura. No Apêndice A, encontram se mais
Leia maisIntrodução aos Proc. Estocásticos - ENG 430
Introdução aos Proc. Estocásticos - ENG 430 Fabrício Simões IFBA 16 de novembro de 2015 Fabrício Simões (IFBA) Introdução aos Proc. Estocásticos - ENG 430 16 de novembro de 2015 1 / 34 1 Motivação 2 Conceitos
Leia maisCálculo das Probabilidades I
Cálculo das Probabilidades I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Função Geradora de Momentos 10/13 1 / 19 Calculamos algumas características da
Leia maisEstatística Básica MEDIDAS RESUMO
Estatística Básica MEDIDAS RESUMO Renato Dourado Maia Instituto de Ciências Agrárias Universidade Federal de Minas Gerais Motivação Básica Se você estivesse num ponto de ônibus e alguém perguntasse sobre
Leia maisUniversidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas
Universidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas LCE0176 - Cálculo e Matemática Aplicados às Ciências Biológicas Professora: Clarice G. B. Demétrio
Leia maisEstatística e Probabilidade. Aula 11 Cap 06
Aula 11 Cap 06 Intervalos de confiança para variância e desvio padrão Confiando no erro... Intervalos de Confiança para variância e desvio padrão Na produção industrial, é necessário controlar o tamanho
Leia maisAproximação da binomial pela normal
Aproximação da binomial pela normal 1 Objetivo Verificar como a distribuição normal pode ser utilizada para calcular, de forma aproximada, probabilidades associadas a uma variável aleatória com distribuição
Leia maisOperações Pontuais. 1 operando. 2 operandos. Processamento e Análise de Imagem - A. J. Padilha - v ac
Operações Pontuais 1 operando T OP 2 operandos Pré-Processamento - 1 Operações Pontuais Nas operações pontuais, cada ponto da imagem-resultado - g(i,j) - é obtido por uma transformação T do ponto de coordenadas
Leia mais[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações
[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações Dr. Sylvio Barbon Junior PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DE ALIMENTOS - UEL 2016 Assunto Aula 4 Segmentação de Imagens 2 de
Leia maisVariáveis Aleatórias
Variáveis Aleatórias Conceitos, Discretas, Contínuas, Propriedades Itens 5. e 6. BARBETTA, REIS e BORNIA Estatística para Cursos de Engenharia e Informática. Atlas, 004 Variável aleatória Uma variável
Leia mais( x) = a. f X. = para x I. Algumas Distribuições de Probabilidade Contínuas
Probabilidade e Estatística I Antonio Roque Aula Algumas Distribuições de Probabilidade Contínuas Vamos agora estudar algumas importantes distribuições de probabilidades para variáveis contínuas. Distribuição
Leia maisTratamento da Imagem Transformações (cont.)
Universidade Federal do Rio de Janeiro - IM/DCC & NCE Tratamento da Imagem Transformações (cont.) Antonio G. Thomé thome@nce.ufrj.br Sala AEP/133 Tratamento de Imagens - Sumário Detalhado Objetivos Alguns
Leia maisDistribuição Gaussiana
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Estatística Distribuição Gaussiana Introdução à Bioestatística Turma Nutrição Aula 7: Distribuição Normal (Gaussiana) Distribuição
Leia maisDistribuições de Probabilidade
Distribuições de Probabilidade 7 6 5 4 3 2 1 0 Normal 1 2 3 4 5 6 7 8 9 10 11 Exemplos: Temperatura do ar 20 18 16 14 12 10 8 6 4 2 0 Assimetrica Positiva 1 2 3 4 5 6 7 8 9 10 11 Exemplos: Precipitação
Leia maisAnálise de dados em Fisica de Particulas
Análise de dados em Fisica de Particulas Magno V.T. Machado Instituto de Fisica - UFRGS Escola de Fisica de Particulas e Campos. Agosto 05-09, 2013 Números aleatórios e Monte Carlo Muitas aplicações computacionais
Leia maisObjetivos. fim de servir de entrada na simulação de um modelo.
Geração de variáveis aleatórias Objetivos Geração de amostras para uma distribuição em específico a fim de servir de entrada na simulação de um modelo. Ilustrar algumas técnicas usadas para geração de
Leia maisINTRODUÇÃO À TRANSFORMADA Z. Wilson Arnaldo Artuzi Junior Ricardo Rodrigo Wolf Cruz
INTRODUÇÃO À TRANSFORMADA Z Wilson Arnaldo Artui Junior Ricardo Rodrigo Wolf Cru CURITIBA 2010 Sumário 1 - Introdução...1 1.1 - Definição:...1 a) Domínio do tempo discreto n...1 b) Domínio...2 c) Par transformado...2
Leia maisProjeto de Mestrado desenvolvido pela aluna Eveline Batista Rodrigues, no Departamento de Engenharia Elétrica da Universidade de São Paulo São
Projeto de Mestrado desenvolvido pela aluna Eveline Batista Rodrigues, no Departamento de Engenharia Elétrica da Universidade de São Paulo São Carlos, sob orientação do Prof Dr Homero Schiabel. SUMÁRIO
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 maisFunções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
Funções Geradoras de Variáveis Aleatórias 1 Funções Geradoras de Variáveis Aleatórias Nos programas de simulação existe um GNA e inúmeras outras funções matemáticas descritas como Funções Geradoras de
Leia maisFigura 1. Imagem monocromática e gráfico de sua função.
Figura 1. Imagem monocromática e gráfico de sua função. d c a b Figura 2. Reticulado uniforme da representação matricial da imagem. valor médio de f f(x j) j x x j (j +1) x j x (j +1) x (a) (b) Figura
Leia maisNOTAS DE AULAS DE FÍSICA MODERNA
NOTAS DE AULAS DE FÍSICA MODERNA Prof. Carlos R. A. Lima CAPÍTULO 6 MECÂNICA QUÂNTICA DE SCHRÖDINGER Edição de janeiro de 2009 CAPÍTULO 6 MECÂNICA QUÂNTICA DE SCHRÖDINGER ÍNDICE 6.1- Introdução 6.2- Equação
Leia maisAproximação da binomial pela normal
Aproximação da binomial pela normal 1 Objetivo Verificar como a distribuição normal pode ser utilizada para calcular, de forma aproximada, probabilidades associadas a uma variável aleatória com distribuição
Leia maisg(s, X n s )ds + t f (s, X s ) 2 ds <, P-q.s. t f (s, X s )db s, t 0.
CHAPTER 3. INTEGRAIS ESTOCÁSTICOS 88 2. Quais são as propriedades destas soluções? 3. Como podemos resolver uma dada equação? O método usual para provar a existência de uma solução da equação diferencial
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte II 26 de Novembro de 2013 Distribuição Contínua Uniforme Média e Variância Objetivos Ao final deste capítulo você deve ser capaz
Leia maisVariáveis Aleatórias. Departamento de Matemática Escola Superior de Tecnologia de Viseu
Variáveis Aleatórias Departamento de Matemática Escola Superior de Tecnologia de Viseu Exemplo No lançamento de duas moedas ao ar, os resultados possíveis são: FF, FC, CF ou CC. No entanto, o nosso interesse
Leia maisHistogramas e Matching
Histogramas e Matching De1inição Histograma 1D O histograma de uma imagem em tons de cinza é uma função H(k) que produz o número de ocorrências de cada nível de cinza de uma imagem (função de distribuição
Leia mais