Uzaktan Algılama Teknolojileri

Save this PDF as:
 WORD  PNG  TXT  JPG

Ebat: px
Şu sayfadan göstermeyi başlat:

Download "Uzaktan Algılama Teknolojileri"

Transkript

1 Uzaktan Algılama Teknolojileri Ders 12 Hiperspektral Görüntülerde Hedef ve Anomali Tespiti Alp Ertürk

2 Veriden

3 : Zorlukları Spektral değişkenlik: Spektral imzalar mevsim şartlarına, hava koşullarına, ilgili materyalin fiziksel veya kimyasal yapısındaki şartlara ve hiperspektral görüntünün alındığı alıcının yapısına göre değişim gösterebilmektedir Karışımlı pikseller: Hiperspektral görüntülerde uzamsal çözünürlük sıklıkla düşüktür. Uzamsal çözünürlüğünün yetersiz olduğu durumlarda ise bir piksel, kapladığı alanda kalan birden çok materyalin karışımı olarak yanıt vermektedir. Karışımlı pikseller ayrıca uzamsal çözünürlük yeterli olduğunda da içkin karışım şeklinde (örn. Mineraller vs.) gerçekleşebilmektedir Hedef piksellerin sayıca azlığı: Hedef içeren piksel sayısı, içermeyen piksel sayısına göre çok az olduğu için, yüksek başarımlı istatistiksel kestirimler elde etmek zorlayıcıdır.

4 vs. Sınıflandırma Sınıflandırmada, görüntüdeki tüm piksellere birer sınıf etiketi atanır. Sınıf sayısı önceden bilinmektedir. Hedef tespitinde ie tüm pikseller iki sınıfa ayrılır: hedef ve hedef olmayan. Ancak hedef tespitinin iki sınıflı bir sınıflandırma problemi olarak görülmesi önünde iki engel vardır: 1) Hedef piksel sayısı çok azdır. Bu yüzden hedef sınıfın istatistiklerini kestirecek yeterlilikte eğitim örneğine sahip olunması mümkün değildir 2) Arka-plan (hedef olmayan) piksellerin sayıca baskınlığından dolayı, sınıflandırma hatası olasılığının en küçüklenmesi iyi bir kriter değildir.

5 Hedef tespiti başarımı için şu tanımlar önemlidir: True positive: Hedef olan piksellerden hedef olarak bulunanların yüzdesi (Hit) False positive: Hedef olmayan piksellerden hedef olarak bulunanların yüzdesi (False Alarm) True negative: Hedef olmayan piksellerden hedef değil olarak bulunanların yüzdesi False negative: Hedef olan piksellerden hedef değil olarak bulunanların yüzdesi (Miss)

6 Hedef olarak tespit edildi Hedef olarak tespit edilmedi Hedef var True Positive False Negative Hedef yok False Positive True Negative True Positive ile False Negative in toplamı %100 (veya 1) False Positive ile True Negative in toplamı %100 (veya 1)

7 Bir hedef tespiti yönteminin başarımını tek eşik değeri üzerinden değerlendirmek mantıklı değildir Eşik küçüldükçe true positive arttığı gibi (false negative azalır), false positive de artar (true negative azalır). Eşik büyüdükçe false positive azaldığı gibi (true negative artar), true positive de azalır (false negative artar) Yöntemin her eşik değeri veya parametre ayarı için farklı bir true positive ve false positive oranı elde edilir.

8 Bir hedef tespiti sisteminin / yönteminin başarımını gösteren grafiksel eğriye alıcı çalışma karakteristikleri (Receiver Operating Characteristics ROC) eğrisi adı verilir. ROC eğrisi, y-ekseninde True Positive, x-ekseninde ise False Positive olacak şekilde çizdirilir Her eşik değeri taranarak ilgili true positive false positive ikilisi grafiğe eşlenerek eğri oluşturulur

9

10 ROC eğrisi sol-üst köşeye ne kadar yakınsa, yöntem o kadar başarılıdır. Bu şekilde birden fazla yöntemin başarımı karşılaştırılır Ancak her durumda bu karşılaştırmayı yapmak kolay olmamaktadır Bu durumlarda aşağıdaki metrikler kullanılır Eğrinin altındaki alan (Area Under Curve AUC) True Positive = 1 için False Positive False Positive = 0 için Tue Positive

11 Spectral Matched Filter (SMF): Temel hiperspektral hedef tespiti yöntemlerinden birisidir Eşlenik süzgeç tabanlıdır ve süzgecin işaret-gürültü oranını en büyüklemesi amaçlanır SMF x = w T x = st C 1 x s T C 1 s Bu denklemde, x test edilen piksel, s hedefin spektral imzası, C ise arkaplan kovaryans matrisidir. Bu kovaryans matrisi, imge genelinde veya test edilen piksel komşuluğunda hesaplanabilir.

12 Spectral Matched Filter (SMF): Temel hiperspektral hedef tespiti yöntemlerinden birisidir Eşlenik süzgeç tabanlıdır ve süzgecin işaret-gürültü oranını en büyüklemesi amaçlanır SMF x = w T x = st C 1 x s T C 1 s Bu denklemde, x test edilen piksel, s hedefin spektral imzası, C ise arkaplan kovaryans matrisidir. Bu kovaryans matrisi, imge genelinde veya test edilen piksel komşuluğunda hesaplanabilir.

13 clear all; close all; clc; % Hyperspectral Anomaly Detection % using RX Detector load('d:\hyperspectral Data\AVIRIS - Salinas\Salinas_corrected.mat'); hyper_data = salinas_corrected; %% Initialization hyper_data = (hyper_data-min(min(min(hyper_data))))/(max(max(max(hyper_data)))- min(min(min(hyper_data)))); figure; imshow(hyper_data(:,:,30),[]); [spat1,spat2,spec] = size(hyper_data); hyper_vector = zeros(spec,spat1*spat2); for b = 1:1:spec end hyper_vector(b,:) = reshape(hyper_data(:,:,b),1,spat1*spat2); %% The target(s) spectsigns(:,1) = squeeze(hyper_data(381,48,:));

14 %% Target detection by Simple Matched Filter (SMF) (Global) SMF_start = cputime; mean_b = squeeze(mean(mean(hyper_data)))'; Cb = cov(double(hyper_vector')); costmap_smf = zeros(spat1,spat2,size(spectsigns,2)); pixel = 0; for i = 1:1:spat1 for j = 1:1:spat2 pixel = pixel + 1; disp(pixel); x = double( squeeze(hyper_data(i,j,:)) )'; for k = 1:1:size(spectSigns,2) s = spectsigns(:,k)'; costmap_smf(i,j,k) = ( (s-mean_b)*(cb\(x - mean_b)') ) / ((s-mean_b)*(cb\(s - mean_b)') ); end end end

15 SMF_stop = cputime; disp(['smf is finished in ' num2str(smf_stop-smf_start) 'seconds.']); %% figure; imshow(costmap_smf(:,:,1)>0.4,[]);

16

17 Anomali Tespiti Hedef tespiti için hedefin spektral imzası gerekmektedir Hedefe ait spektral imzaya sahip olunmadığında veya belirgin bir hedef aranmadığın durumlarda? Anomali tespiti Anomali: Arkaplandan (veya etrafından) çok farklı yapıda spektral davranışa sahip piksel Olası anomaliler: Askeri taşıt, mayın, nadir mineral, bitki stresi,...

18 Anomali Tespiti: RX Reed-Xiaoli (RX) yöntemi, temel anomali tespiti yaklaşımıdır Global (görüntü genelinde) veya yerel olarak uygulanabilir Hedef tespitinde olduğu gibi, her piksel için bir değer elde edilir. Değerler eşiklenerek anomalidir / anomali değildir kararı verilir RX r = r μ T Σ 1 r μ Bu denklemde r test edilen piksel vektörü, μ imge genelindeki veya piksel komşuluğundaki ortalama vektörü, Σ ise imge genelinde ve piksel komşuluğunda elde edilen kovaryans matrisidir

19 Anomali Tespiti: RX clear all; close all; clc; % Hyperspectral Anomaly Detection % using RX Detector load('d:\hyperspectral Data\AVIRIS - Salinas\Salinas_corrected.mat'); hyper_data = salinas_corrected; %% Initialization hyper_data = (hyper_data-min(min(min(hyper_data)))) / (max(max(max(hyper_data))) - min(min(min(hyper_data)))); figure;imshow(hyper_data(:,:,120),[]); [spat1,spat2,spec] = size(hyper_data); hyper_vector = zeros(spec,spat1*spat2); for b = 1:1:spec end hyper_vector(b,:) = reshape(hyper_data(:,:,b),1,spat1*spat2);

20 Anomali Tespiti: RX %% Global RX Detector RX = zeros(spat1,spat2); index = 0; mean_global = squeeze(mean(mean(hyper_data))); cov_global = cov(hyper_vector'); for index1 = 1:1:spat1 for index2 = 1:1:spat2 index = index+1; disp(index); r = squeeze(hyper_data(index1,index2,:)); RX(index1,index2) = (r-mean_global)'*((cov_global *eye(spec,spec))\(r-mean_global)); end end RX = (RX-min(min(RX)))/(max(max(RX))-min(min(RX))); figure; imshow(rx,[]); anomalies = (RX>0.7); figure; imshow(anomalies,[]);

21 Anomali Tespiti: RX

22 Sorular?????

Uzaktan Algılama Teknolojileri

Uzaktan Algılama Teknolojileri Uzaktan Algılama Teknolojileri Ders 10 Hiperspektral Görüntülerde Öznitelik Çıkarımı ve Boyut Azaltımı Alp Ertürk alp.erturk@kocaeli.edu.tr Öznitelik Çıkarımı Veriden ayırt edici yapıda nitelikler çıkarma

Detaylı

Uzaktan Algılama Teknolojileri

Uzaktan Algılama Teknolojileri Uzaktan Algılama Teknolojileri Ders 11 Hiperspektral Görüntülerde Kümeleme ve Sınıflandırma Alp Ertürk alp.erturk@kocaeli.edu.tr Sınıflandırma Sınıflandırma işleminin amacı, her piksel vektörüne bir ve

Detaylı

Uzaktan Algılama Teknolojileri

Uzaktan Algılama Teknolojileri Uzaktan Algılama Teknolojileri Ders 4 Pasif - Aktif Alıcılar, Çözünürlük ve Spektral İmza Alp Ertürk alp.erturk@kocaeli.edu.tr Pasif Aktif Alıcılar Pasif alıcılar fiziksel ortamdaki bilgileri pasif olarak

Detaylı

Uzaktan Algılama Teknolojileri

Uzaktan Algılama Teknolojileri Uzaktan Algılama Teknolojileri Ders 4 Pasif - Aktif Alıcılar, Çözünürlük ve Spektral İmza Kavramları Alp Ertürk alp.erturk@kocaeli.edu.tr Pasif Aktif Alıcılar Pasif alıcılar fiziksel ortamdaki bilgileri

Detaylı

Bilgisayarla Görüye Giriş

Bilgisayarla Görüye Giriş Bilgisayarla Görüye Giriş Ders 7 SIFT ve Öznitelik Eşleme Alp Ertürk alp.erturk@kocaeli.edu.tr Panorama Oluşturma Görüntü mozaikleme, panorama oluşturma gibi tüm uygulamalar için öncelikle ilgili görüntülerin

Detaylı

Uzaktan Algılama Teknolojileri

Uzaktan Algılama Teknolojileri Uzaktan Algılama Teknolojileri Ders 8 Multispektral Görüntüleme ve Uygulamaları Alp Ertürk alp.erturk@kocaeli.edu.tr Multispektral Görüntüleme Her piksel için birkaç adet spektral kanalda ölçüm değeri

Detaylı

Bilgisayarla Görüye Giriş

Bilgisayarla Görüye Giriş Bilgisayarla Görüye Giriş Ders 10 Nesne / Yüz Tespiti ve Tanıma Alp Ertürk alp.erturk@kocaeli.edu.tr Nesne Tespiti Belirli bir nesnenin sahne içindeki konumunun tespitidir Tespit edilecek nesne önceden

Detaylı

Bilgisayarla Görüye Giriş

Bilgisayarla Görüye Giriş Bilgisayarla Görüye Giriş Ders 12 Video, Optik Akış ve Takip Alp Ertürk alp.erturk@kocaeli.edu.tr Video Video, farklı zamanlarda alınan çerçeveler dizisidir Videolar, iki boyut uzamsal, üçüncü boyut zaman

Detaylı

doğrudur? Veya test, sağlıklı dediği zaman hangi olasılıkla doğrudur? Bu soruların yanıtları

doğrudur? Veya test, sağlıklı dediği zaman hangi olasılıkla doğrudur? Bu soruların yanıtları DÖNEM III HALK SAĞLIĞI-ADLİ TIP-BİYOİSTATİSTİK-TIP TARİHİ VE ETİK Ders Kurulu Başkanı : Prof. Dr. Günay SAKA TANI TESTLERİ (30.04.2014 Çrş. Y. ÇELİK) Duyarlılık (Sensitivity) ve Belirleyicilik (Specificity)

Detaylı

Bilgisayarla Görüye Giriş

Bilgisayarla Görüye Giriş Bilgisayarla Görüye Giriş Ders 6 Kenar, Köşe, Yuvarlak Tespiti Alp Ertürk alp.erturk@kocaeli.edu.tr KENAR TESPİTİ Kenar Tespiti Amaç: Görüntüdeki ani değişimleri / kesintileri algılamak Şekil bilgisi elde

Detaylı

Bilgisayarla Görüye Giriş

Bilgisayarla Görüye Giriş Bilgisayarla Görüye Giriş Ders 5 Görüntü Süzgeçleme ve Gürültü Giderimi Alp Ertürk alp.erturk@kocaeli.edu.tr Motivasyon: Gürültü Giderimi Bir kamera ve sabit bir sahne için gürültüyü nasıl azaltabiliriz?

Detaylı

Görüntü Sınıflandırma

Görüntü Sınıflandırma Görüntü Sınıflandırma Chapter 12 https://www.google.com.tr/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja&uact=8&ved=0 CBwQFjAA&url=http%3A%2F%2Ffaculty.une.edu%2Fcas%2Fszeeman%2Frs%2Flect%2FCh%2 52012%2520Image%2520Classification.ppt&ei=0IA7Vd36GYX4Uu2UhNgP&usg=AFQjCNE2wG

Detaylı

Bilgisayarla Görüye Giriş

Bilgisayarla Görüye Giriş Bilgisayarla Görüye Giriş Ders 9 Stereo Görüntüleme Alp Ertürk alp.erturk@kocaeli.edu.tr Tek Kamera Geometrisi??? x Tek Kamera Geometrisi Tek Kamera Geometrisi İğne Deliği Kamera Modeli ) /, / ( ),, (

Detaylı

Uzaktan Algılama Teknolojileri

Uzaktan Algılama Teknolojileri Uzaktan Algılama Teknolojileri Ders 1 - Giriş Alp Ertürk alp.erturk@kocaeli.edu.tr Öğretim Üyesi Bilgileri İsim: Alp ERTÜRK E-mail: alp.erturk@kocaeli.edu.tr Görüşme Saatleri: Belirlenecek (Ders ile ilgili

Detaylı

Hızlı Düzey Küme Yöntemine Bağlı Retinal Damar Bölütlemesi. Bekir DİZDAROĞLU. KTÜ Bilgisayar Mühendisliği Bölümü

Hızlı Düzey Küme Yöntemine Bağlı Retinal Damar Bölütlemesi. Bekir DİZDAROĞLU. KTÜ Bilgisayar Mühendisliği Bölümü Bekir DİZDAROĞLU KTÜ Bilgisayar Mühendisliği Bölümü bekir@ktu.edu.tr 1/29 Tıbbi imge bölütleme klasik yaklaşımları a) Piksek tabanlı b) Kenar tabanlı c) Bölge tabanlı d) Watershed (sınır) tabanlı e) Kenar

Detaylı

ROC (RECEIVER OPERATING CHARACTERISTIC) EĞRĠSĠ YÖNTEMĠ ĠLE TANI TESTLERĠNĠN PERFORMANSLARININ DEĞERLENDĠRĠLMESĠ

ROC (RECEIVER OPERATING CHARACTERISTIC) EĞRĠSĠ YÖNTEMĠ ĠLE TANI TESTLERĠNĠN PERFORMANSLARININ DEĞERLENDĠRĠLMESĠ ROC (RECEIVER OPERATING CHARACTERISTIC EĞRĠSĠ YÖNTEMĠ ĠLE TANI TESTLERĠNĠN PERFORMANSLARININ DEĞERLENDĠRĠLMESĠ Ayça Deniz Ertorsun, Burak Bağ, Güldeniz Uzar, Mehmet Ali Turanoğlu Danışman: Dr. A. Canan

Detaylı

Yrd. Doç. Dr. Caner ÖZCAN

Yrd. Doç. Dr. Caner ÖZCAN Yrd. Doç. Dr. Caner ÖZCAN Grafik Programlama Bilgisayar kullanılırken monitörlerde iki tür ekran moduyla karşılaşılır. Bu ekran modları Text modu ve Grafik modu dur. Text modunda ekran 25 satır ve 80 sütundan

Detaylı

Uzaktan Algılama Teknolojileri

Uzaktan Algılama Teknolojileri Uzaktan Algılama Teknolojileri Ders 7 Aktif Alıcılar ve Uygulamaları (SONAR, RADAR, SAR, LiDAR) Alp Ertürk alp.erturk@kocaeli.edu.tr SONAR (SOund Navigation And Ranging) Ses dalgaları ölçümüne dayanır

Detaylı

Uzaktan Algılama Teknolojileri

Uzaktan Algılama Teknolojileri Uzaktan Algılama Teknolojileri Ders 3 Uzaktan Algılama Temelleri Alp Ertürk alp.erturk@kocaeli.edu.tr Elektromanyetik Spektrum Elektromanyetik Spektrum Görünür Işık (Visible Light) Mavi: (400 500 nm) Yeşil:

Detaylı

Tanı Testlerinin Değerlendirilmesi. ROC Analizi. Prof.Dr. Rian DİŞÇİ

Tanı Testlerinin Değerlendirilmesi. ROC Analizi. Prof.Dr. Rian DİŞÇİ Tanı Testlerinin Değerlendirilmesi ROC Analizi Prof.Dr. Rian DİŞÇİ İstanbul Üniversitesi, Onkoloji Enstitüsü Kanser Epidemiyolojisi Ve Biyoistatistik Bilim Dalı Tanı Testleri Klinik çalışmalarda, özellikle

Detaylı

3. Ders Çok Boyutlu (Değişkenli) Veri Analizi

3. Ders Çok Boyutlu (Değişkenli) Veri Analizi 3. Ders Çok Boyutlu (Değişkenli) Veri Analizi Veri: Boy ölçüleri (boy-kol-omuz-kalça-bacak uzunluğu) Ölçü birimi: cm boy kol omuz kalca bacak 18 77 98 12 11 163 66 72 9 97 183 73 99 113 91 16 86 7 95 12

Detaylı

ORM 7420 USING SATELLITE IMAGES IN FOREST RESOURCE PLANNING

ORM 7420 USING SATELLITE IMAGES IN FOREST RESOURCE PLANNING ORM 7420 USING SATELLITE IMAGES IN FOREST RESOURCE PLANNING Asst. Prof. Dr. Uzay KARAHALİL Week IV NEDEN UYDU GÖRÜNTÜLERİ KULLANIRIZ? Sayısaldır (Dijital), - taramaya gerek yoktur Hızlıdır Uçuş planı,

Detaylı

Uzaktan Algılama Uygulamaları

Uzaktan Algılama Uygulamaları Aksaray Üniversitesi Uzaktan Algılama Uygulamaları Doç.Dr. Semih EKERCİN Harita Mühendisliği Bölümü sekercin@aksaray.edu.tr 2010-2011 Bahar Yarıyılı Uzaktan Algılama Uygulamaları GÖRÜNTÜ İŞLEME TEKNİKLERİ

Detaylı

Uzaktan Algılama Teknolojileri

Uzaktan Algılama Teknolojileri Uzaktan Algılama Teknolojileri Ders 5 Önemli Alıcıların Karakteristikleri ve Uydu Misyonları Alp Ertürk alp.erturk@kocaeli.edu.tr Alıcı Karakteristikleri IKONOS Fırlatma tarihi: Eylül 1999 Yörünge: 681

Detaylı

Konular VERİ MADENCİLİĞİ. Örnek Tabanlı Yöntemler. En Yakın Komşu Sınıflandırıcı. En Yakın Komşu Yöntemi. Farklı Sınıflandırma Yöntemleri

Konular VERİ MADENCİLİĞİ. Örnek Tabanlı Yöntemler. En Yakın Komşu Sınıflandırıcı. En Yakın Komşu Yöntemi. Farklı Sınıflandırma Yöntemleri Konular VERİ MADENCİLİĞİ Farklı Sınıflandırma Yöntemleri Yrd. Doç. Dr. Şule Gündüz Öğüdücü Örnek tabanlı yöntemler ken Yakın Komşu Yöntemi Genetik Algoritmalar Bulanık Küme Sınıflandırıcılar Öngörü Eğri

Detaylı

GÖRÜNTÜ İŞLEME HAFTA 1 1.GİRİŞ

GÖRÜNTÜ İŞLEME HAFTA 1 1.GİRİŞ GÖRÜNTÜ İŞLEME HAFTA 1 1.GİRİŞ GÖRÜNTÜ İŞLEME Hafta Hafta 1 Hafta 2 Hafta 3 Hafta 4 Hafta 5 Hafta 6 Hafta 7 Hafta 8 Hafta 9 Hafta 10 Hafta 11 Hafta 12 Hafta 13 Hafta 14 Konu Giriş Digital Görüntü Temelleri-1

Detaylı

Uzaktan Algılama (3) Öğr. Gör. Dr. Özgür ZEYDAN http://cevre.beun.edu.tr/zeydan/ Renk Teorileri

Uzaktan Algılama (3) Öğr. Gör. Dr. Özgür ZEYDAN http://cevre.beun.edu.tr/zeydan/ Renk Teorileri Uzaktan Algılama (3) Öğr. Gör. Dr. Özgür ZEYDAN http://cevre.beun.edu.tr/zeydan/ Renk Teorileri Eklemeli renk teorisi Çıkarmalı renk teorisi 1 RGB (Red Green - Blue) Kavramı Red Green - Blue RGB-Mixer

Detaylı

2015/2016 Bahar Yarıyılı Bitirme Çalışması Konuları. (Doç.Dr. M. Kemal GÜLLÜ)

2015/2016 Bahar Yarıyılı Bitirme Çalışması Konuları. (Doç.Dr. M. Kemal GÜLLÜ) 2015/2016 Bahar Yarıyılı Bitirme Çalışması Konuları (Doç.Dr. M. Kemal GÜLLÜ) 1. Ses temelli malzeme tanıma Malzemelerin çarpma etkisi ile çıkarttıkları seslerin mikrofon ile bir PC ye alınması ve işaretten

Detaylı

Konular VERİ MADENCİLİĞİ. Örnek Tabanlı Yöntemler. En Yakın Komşu Sınıflandırıcı. En Yakın Komşu Yöntemi. Farklı Sınıflandırma Yöntemleri

Konular VERİ MADENCİLİĞİ. Örnek Tabanlı Yöntemler. En Yakın Komşu Sınıflandırıcı. En Yakın Komşu Yöntemi. Farklı Sınıflandırma Yöntemleri VERİ MADENCİLİĞİ Farklı Sınıflandırma Yöntemleri Yrd. Doç. Dr. Şule Gündüz Öğüdücü Örnek tabanlı yöntemler ken Yakın Komşu Yöntemi Genetik Algoritmalar Karar Destek Makinaları Bulanık Küme Sınıflandırıcılar

Detaylı

BÖLÜM 9 NORMAL DAĞILIM

BÖLÜM 9 NORMAL DAĞILIM 1 BÖLÜM 9 NORMAL DAĞILIM Normal dağılım; 'normal dağılım eğrisi (normaly distribution curve)' ile kavramlaştırılan hipotetik bir evren dağılımıdır. 'Gauss dağılımı' ya da 'Gauss eğrisi' olarak da bilinen

Detaylı

UYDU GÖRÜNTÜLERİ VE SAYISAL UZAKTAN ALGILAMA

UYDU GÖRÜNTÜLERİ VE SAYISAL UZAKTAN ALGILAMA UYDU GÖRÜNTÜLERİ VE SAYISAL UZAKTAN ALGILAMA Son yıllarda teknolojinin gelişmesi ile birlikte; geniş alanlarda, kısa zaman aralıklarında ucuz ve hızlı sonuç alınabilen uzaktan algılama tekniğinin, yenilenebilir

Detaylı

HAFTALIK PİYASA GÖZLEM RAPORU

HAFTALIK PİYASA GÖZLEM RAPORU 2014/05 (27 Ocak 2 Şubat) - SAYI 32 EİGM HAFTALIK PİYASA GÖZLEM RAPORU 0 Bu raporda Gün Öncesi Piyasası nda fiyat oluşumu ve Dengeleme Güç Piyasası nda verilen talimatlar incelenmektedir. Yönetici Özeti

Detaylı

Uzaktan Algılama Teknolojileri

Uzaktan Algılama Teknolojileri Uzaktan Algılama Teknolojileri Ders 2 MATLAB ve Görüntü İşleme Alp Ertürk alp.erturk@kocaeli.edu.tr MATLAB Matrix Laboratory nin kısaltmasıdır Bir çok uygulamada kolaylık sağlayacak özelleşmiş parçaları

Detaylı

SÜREKLİ SAKLI MARKOV MODELLERİ İLE METİNDEN BAĞIMSIZ KONUŞMACI TANIMA PARAMETRELERİNİN İNCELENMESİ

SÜREKLİ SAKLI MARKOV MODELLERİ İLE METİNDEN BAĞIMSIZ KONUŞMACI TANIMA PARAMETRELERİNİN İNCELENMESİ Uludağ Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, Cilt 12, Sayı 1, 2007 SÜREKLİ SAKLI MARKOV MODELLERİ İLE METİNDEN BAĞIMSIZ KONUŞMACI TANIMA PARAMETRELERİNİN İNCELENMESİ Cemal HANİLÇİ Figen

Detaylı

Hiperspektral Görüntünlülerde Tek Sınıf Destek Vektör Makinası ve Destek Vektör Veri Tanımlaması Yöntemlerinin Performans Karşılaştırması

Hiperspektral Görüntünlülerde Tek Sınıf Destek Vektör Makinası ve Destek Vektör Veri Tanımlaması Yöntemlerinin Performans Karşılaştırması Hiperspektral Görüntünlülerde Tek Sınıf Destek Vektör Makinası ve Destek Vektör Veri Tanımlaması Yöntemlerinin Performans Karşılaştırması The Performance Evaluation of One Class Support Vector Machine

Detaylı

İstatistik. Temel Kavramlar Dr. Seher Yalçın 1

İstatistik. Temel Kavramlar Dr. Seher Yalçın 1 İstatistik Temel Kavramlar 26.12.2016 Dr. Seher Yalçın 1 Evren (Kitle/Yığın/Popülasyon) Herhangi bir gözlem ya da inceleme kapsamına giren obje ya da bireylerin oluşturduğu bütüne ya da gruba Evren veya

Detaylı

ORTALAMA ÖLÇÜLERİ. Ünite 6. Öğr. Gör. Ali Onur CERRAH

ORTALAMA ÖLÇÜLERİ. Ünite 6. Öğr. Gör. Ali Onur CERRAH ORTALAMA ÖLÇÜLERİ Ünite 6 Öğr. Gör. Ali Onur CERRAH Araştırma sonucunda elde edilen nitelik değişkenler hakkında tablo ve grafikle bilgi sahibi olunurken, sayısal değişkenler hakkında bilgi sahibi olmanın

Detaylı

RASGELE SÜREÇLER İ.Ü. ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ İLETİŞİM LABORATUVARI ARALIK, 2007

RASGELE SÜREÇLER İ.Ü. ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ İLETİŞİM LABORATUVARI ARALIK, 2007 RASGELE SÜREÇLER İ.Ü. ELEKTRİK ELEKTRONİK MÜHENDİSLİĞİ İLETİŞİM LABORATUVARI ARALIK, 007 1 Tekdüze Dağılım Bir X rasgele değişkenin, a ve b arasında tekdüze dağılımlı olabilmesi için olasılık yoğunluk

Detaylı

Görüntü Segmentasyonu (Bölütleme)

Görüntü Segmentasyonu (Bölütleme) Görüntü Segmentasyonu (Bölütleme) Segmentasyon, görüntüyü aynı cinsten obje ve bölgelere ayırmaktır. 20 Aralık 2014 Cumartesi 1 Görüntü Segmentasyonu 20 Aralık 2014 Cumartesi 2 Gestalt kanunları Görüntü

Detaylı

Yrd. Doç. Dr. Saygın ABDİKAN Öğretim Yılı Bahar Dönemi

Yrd. Doç. Dr. Saygın ABDİKAN Öğretim Yılı Bahar Dönemi Dijital Görüntü İşleme (JDF338) Yrd. Doç. Dr. Saygın ABDİKAN 2015-2016 Öğretim Yılı Bahar Dönemi 1 Ön İşleme-Radyometrik Düzeltme Atmosferik Düzeltme Atmosferik etkilerin giderilmesinde kullanılan radyometrik

Detaylı

UA Teknikleri Kullanılarak Taşkın Alanlarının Belirlenmesi ve Bölgesel Taşkın Frekans Analizinin Batı Karadeniz Bölgesinde Uygulanması

UA Teknikleri Kullanılarak Taşkın Alanlarının Belirlenmesi ve Bölgesel Taşkın Frekans Analizinin Batı Karadeniz Bölgesinde Uygulanması UA Teknikleri Kullanılarak Taşkın Alanlarının Belirlenmesi ve Bölgesel Taşkın Frekans Analizinin Batı Karadeniz Bölgesinde Uygulanması Prof. Dr. A. Ünal Şorman Orta Doğu Teknik Üniversitesi, Đnşaat Mühendisliği

Detaylı

Emrah Kurtoğlu Gamze Dinçar Liva Gizem Göze Ali Kadir Ulu

Emrah Kurtoğlu Gamze Dinçar Liva Gizem Göze Ali Kadir Ulu 1302120002 1302130068 1302150039 1302150049 Emrah Kurtoğlu Gamze Dinçar Liva Gizem Göze Ali Kadir Ulu 17.10.2016 SPEKTRAL İMGELER Bir malzeme için yansıyan, yutulan veya iletilen ışınım miktarları dalga

Detaylı

CBS Veri. CBS Veri Modelleri. Prof.Dr. Emin Zeki BAŞKENT. Karadeniz Teknik Üniversitesi Orman Fakültesi 2010, EZB

CBS Veri. CBS Veri Modelleri. Prof.Dr. Emin Zeki BAŞKENT. Karadeniz Teknik Üniversitesi Orman Fakültesi 2010, EZB Modelleri Prof.Dr. Emin Zeki BAŞKENT Karadeniz Teknik Üniversitesi Orman Fakültesi Objelerin temsili Raster -- Grid Piksel Konum ve değeri Uydu görüntüleri ve hava fotoları bu formatta Vector -- Linear

Detaylı

8.Hafta. Değişkenlik Ölçüleri. Öğr.Gör.Muhsin ÇELİK. Uygun değişkenlik ölçüsünü hesaplayıp yorumlayabilecek,

8.Hafta. Değişkenlik Ölçüleri. Öğr.Gör.Muhsin ÇELİK. Uygun değişkenlik ölçüsünü hesaplayıp yorumlayabilecek, İSTATİSTİK 8.Hafta Değişkenlik Ölçüleri Hedefler Bu üniteyi çalıştıktan sonra; Uygun değişkenlik ölçüsünü hesaplayıp yorumlayabilecek, Serilerin birbirlerine değişkenliklerini yorumlayabileceksiniz. 2

Detaylı

Yrd. Doç. Dr. Saygın ABDİKAN Öğretim Yılı Bahar Dönemi

Yrd. Doç. Dr. Saygın ABDİKAN Öğretim Yılı Bahar Dönemi Dijital Görüntü İşleme (JDF338) Yrd. Doç. Dr. Saygın ABDİKAN 2014-2015 Öğretim Yılı Bahar Dönemi 1 Görüntü Sınıflandırma Sınıflandırma nedir Sınıflandırma türleri Kontrolsüz/Kontrollü (Denetimli, Eğitimli)

Detaylı

Aracı Kurumlar İçin EX-API İzleme ve Raporlama Uygulaması APIMON for IT MATRİKS Bilgi Dağıtım Hizmetleri

Aracı Kurumlar İçin EX-API İzleme ve Raporlama Uygulaması APIMON for IT MATRİKS Bilgi Dağıtım Hizmetleri Aracı Kurumlar İçin EX-API İzleme ve Raporlama Uygulaması APIMON for IT APIMON for IT Nedir? APIMon-IT; aracı kurum yetkililerinin, EXAPI, VOBAPI gibi emir iletim kanallarını gerçek zamanlı olarak takip

Detaylı

Aşağı Link MC-CDMA Sistemlerinde Kullanılan PIC Alıcının EM-MAP Tabanlı Olarak İlklendirilmesi

Aşağı Link MC-CDMA Sistemlerinde Kullanılan PIC Alıcının EM-MAP Tabanlı Olarak İlklendirilmesi IEEE 15. Sinyal İşleme ve İletişim Uygulamaları Kurultayı - 2007 Aşağı Link MC-CDMA Sistemlerinde Kullanılan PIC Alıcının EM-MAP Tabanlı Olarak İlklendirilmesi Hakan Doğan 1,Erdal Panayırcı 2, Hakan Ali

Detaylı

Bilgisayarla Görüye Giriş

Bilgisayarla Görüye Giriş Bilgisayarla Görüye Giriş Ders 4 İkili Görüntüler, Topoloji ve Morfoloji Alp Ertürk alp.erturk@kocaeli.edu.tr İkili (binary) görüntüler Gri skala veya renkli bir görüntünün eşiklenmesi ile elde edilirler.

Detaylı

İÇİNDEKİLER 1. GİRİŞ...

İÇİNDEKİLER 1. GİRİŞ... İÇİNDEKİLER 1. GİRİŞ... 1 1.1. Regresyon Analizi... 1 1.2. Uygulama Alanları ve Veri Setleri... 2 1.3. Regresyon Analizinde Adımlar... 3 1.3.1. Problemin İfadesi... 3 1.3.2. Konu ile İlgili Potansiyel

Detaylı

İstatistik ve Olasılık

İstatistik ve Olasılık İstatistik ve Olasılık - I Prof. Dr. İrfan KAYMAZ Tanım Tahmin (kes1rim veya öngörü): Mevcut bilgi ve deneylere dayanarak olayın bütünü hakkında bir yargıya varmak7r. ü Bu anlamda, anakütleden çekilen

Detaylı

İÇİNDEKİLER ÖN SÖZ...

İÇİNDEKİLER ÖN SÖZ... İÇİNDEKİLER ÖN SÖZ... v GİRİŞ... 1 1. İSTATİSTİK İN TARİHÇESİ... 1 2. İSTATİSTİK NEDİR?... 3 3. SAYISAL BİLGİDEN ANLAM ÇIKARILMASI... 4 4. BELİRSİZLİĞİN ELE ALINMASI... 4 5. ÖRNEKLEME... 5 6. İLİŞKİLERİN

Detaylı

KANITA DAYALI LABORATUVAR TIBBI İLE İLİŞKİLİ HESAPLAMALAR. Doç.Dr. Mustafa ALTINIŞIK ADÜTF Biyokimya AD 2005

KANITA DAYALI LABORATUVAR TIBBI İLE İLİŞKİLİ HESAPLAMALAR. Doç.Dr. Mustafa ALTINIŞIK ADÜTF Biyokimya AD 2005 KANITA DAYALI LABORATUVAR TIBBI İLE İLİŞKİLİ HESAPLAMALAR Doç.Dr. Mustafa ALTINIŞIK ADÜTF Biyokimya AD 2005 1 Kanıta dayalı tıp Kanıta dayalı tıp, hekimlerin günlük kararlarını, mevcut en iyi kanıtın ışığında,

Detaylı

Hipotez Testleri. Mühendislikte İstatistik Yöntemler

Hipotez Testleri. Mühendislikte İstatistik Yöntemler Hipotez Testleri Mühendislikte İstatistik Yöntemler Hipotez Testleri Parametrik Testler ( z ve t testleri) Parametrik Olmayan Testler (χ 2 Testi) Hipotez Testleri Ana Kütle β( µ, σ ) Örnek Kütle b ( µ

Detaylı

Bilgisayarla Görüye Giriş

Bilgisayarla Görüye Giriş Bilgisayarla Görüye Giriş Ders 2 Görüntü Oluşumu Alp Ertürk alp.erturk@kocaeli.edu.tr Sadece bir nesnenin önüne fotoğraf filmi koyarak mantıklı bir görüntü elde edebilir miyiz? Slide by Steve Seitz İğne

Detaylı

Grafik Komutları. Grafik Türleri plot: çizgisel grafikler bar: sütun bar şeklindeki grafikler stem: sütun çizgisel grafikler pie: pasta grafikleri

Grafik Komutları. Grafik Türleri plot: çizgisel grafikler bar: sütun bar şeklindeki grafikler stem: sütun çizgisel grafikler pie: pasta grafikleri Matlab Grafikler Grafik Türleri Grafik Komutları Grafik Türleri plot: çizgisel grafikler bar: sütun bar şeklindeki grafikler stem: sütun çizgisel grafikler pie: pasta grafikleri Yardımcı Komutlar hold

Detaylı

Parti Bazında Kabul Örneklemesi

Parti Bazında Kabul Örneklemesi KABUL ÖRNEKLEMESİ Hammadde, yarı mamul veya bitmiş (son) ürünün kabul / red kararının verilebilmesi için kullanılan bir yaklaşımdır. Kabul örneklemesi sadece partinin kabul / red kararı için kullanılır,

Detaylı

SÜREKLİ ŞANS DEĞİŞKENLERİ. Üstel Dağılım Normal Dağılım

SÜREKLİ ŞANS DEĞİŞKENLERİ. Üstel Dağılım Normal Dağılım SÜREKLİ ŞANS DEĞİŞKENLERİ Üstel Dağılım Normal Dağılım 1 Üstel Dağılım Meydana gelen iki olay arasındaki geçen süre veya bir başka ifadeyle ilgilenilen olayın ilk defa ortaya çıkması için geçen sürenin

Detaylı

Cebirsel Fonksiyonlar

Cebirsel Fonksiyonlar Cebirsel Fonksiyonlar Yazar Prof.Dr. Vakıf CAFEROV ÜNİTE 4 Amaçlar Bu üniteyi çalıştıktan sonra; polinom, rasyonel ve cebirsel fonksiyonları tanıyacak ve bu türden bazı fonksiyonların grafiklerini öğrenmiş

Detaylı

Hatalar Bilgisi ve İstatistik Ders Kodu: Kredi: 3 / ECTS: 5

Hatalar Bilgisi ve İstatistik Ders Kodu: Kredi: 3 / ECTS: 5 Ders Kodu: 0010070021 Kredi: 3 / ECTS: 5 Yrd. Doç. Dr. Serkan DOĞANALP Necmettin Erbakan Üniversitesi Harita Mühendisliği Bölümü Konya 07.01.2015 1 Giriş 2 Giriş Matematiksel istatistiğin konusu yığın

Detaylı

Görüntü Segmentasyonu (Bölütleme) Dijital Görüntü İşleme Fevzi Karslı, KTÜ Segmentasyon, görüntüyü aynı cinsten obje ve bölgelere ayırmaktır.

Görüntü Segmentasyonu (Bölütleme) Dijital Görüntü İşleme Fevzi Karslı, KTÜ Segmentasyon, görüntüyü aynı cinsten obje ve bölgelere ayırmaktır. Görüntü Segmentasyonu (Bölütleme) Segmentasyon, görüntüyü aynı cinsten obje ve bölgelere ayırmaktır. 16 Ocak 2014 Perşembe 1 Görüntü Segmentasyonu 16 Ocak 2014 Perşembe 2 Görüntüden Objelere Bir objeyi

Detaylı

1. Değişik yeryüzü kabuk tiplerinin spektral yansıtma eğrilerinin durumu oranlama ile ortaya çıkarılabilmektedir.

1. Değişik yeryüzü kabuk tiplerinin spektral yansıtma eğrilerinin durumu oranlama ile ortaya çıkarılabilmektedir. ORAN GÖRÜNTÜLERİ Oran Görüntüsü Oran görüntülerini değişik şekillerde tanımlamak mümkündür; Bir görüntünün belirli bandındaki piksel parlaklık değerleri ile bunlara karşılık gelen ikinci bir banddaki piksel

Detaylı

İÇİNDEKİLER ÖNSÖZ Bölüm 1 KÜMELER Bölüm 2 SAYILAR

İÇİNDEKİLER ÖNSÖZ Bölüm 1 KÜMELER Bölüm 2 SAYILAR İÇİNDEKİLER ÖNSÖZ III Bölüm 1 KÜMELER 11 1.1. Küme 12 1.2. Kümelerin Gösterimi 13 1.3. Boş Küme 13 1.4. Denk Küme 13 1.5. Eşit Kümeler 13 1.6. Alt Küme 13 1.7. Alt Küme Sayısı 14 1.8. Öz Alt Küme 16 1.9.

Detaylı

C++ Dersi: Nesne Tabanlı Programlama 2. Baskı

C++ Dersi: Nesne Tabanlı Programlama 2. Baskı C++ Dersi: Nesne Tabanlı Programlama 2. Baskı ³ Bölüm 19: Standart Şablon Kütüphanesi (vector) İçerik 19.1 Standart Şablon Kütüphanesi (STL) 19.2 vector SınıK 19.3 vectortanımı 19.4 vector Elemanlarına

Detaylı

Sahne Geçişlerinin Geometrik Tabanlı olarak Saptanması

Sahne Geçişlerinin Geometrik Tabanlı olarak Saptanması Sahne Geçişlerinin Geometrik Tabanlı olarak Saptanması 1 Giriş Binnur Kurt, H. Tahsin Demiral, Muhittin Gökmen İstanbul Teknik Üniversitesi, Bilgisayar Mühendisliği Bölümü, Maslak, 80626 İstanbul {kurt,demiral,gokmen}@cs.itu.edu.tr

Detaylı

RENK BİLEŞENLERİ YARDIMIYLA HAREKETLİ HEDEFLERİN GERÇEK ZAMANLI TESPİTİ

RENK BİLEŞENLERİ YARDIMIYLA HAREKETLİ HEDEFLERİN GERÇEK ZAMANLI TESPİTİ Journal of Naval Science and Engineering 2009, Vol 5, No2, pp 89-97 RENK BİLEŞENLERİ YARDIMIYLA HAREKETLİ HEDEFLERİN GERÇEK ZAMANLI TESPİTİ Öğr Kd Bnb Mustafa Yağımlı Elektrik/Elektronik Mühendisliği Bölümü,

Detaylı

ArcGIS ile Tarımsal Uygulamalar Eğitimi

ArcGIS ile Tarımsal Uygulamalar Eğitimi ArcGIS ile Tarımsal Uygulamalar Eğitimi Kursun Süresi: 5 Gün 30 Saat http://facebook.com/esriturkey https://twitter.com/esriturkiye egitim@esriturkey.com.tr ArcGIS ile Tarımsal Uygulamalar Eğitimi Genel

Detaylı

koşullar nelerdir? sağlamaktadır? 2. Harita ile kroki arasındaki fark nedir?

koşullar nelerdir? sağlamaktadır? 2. Harita ile kroki arasındaki fark nedir? 1. Bir çizimin harita özelliği taşıması için gerekli koşullar nelerdir? 2. Harita ile kroki arasındaki fark nedir? 3. Haritalar günlük hayatımızda ne gibi kolaylıklar sağlamaktadır? 4. Haritalar hangi

Detaylı

İçerik. Giriş 1/23/13. Giriş Problem Tanımı Tez Çalışmasının Amacı Metodoloji Zaman Çizelgesi. Doktora Tez Önerisi

İçerik. Giriş 1/23/13. Giriş Problem Tanımı Tez Çalışmasının Amacı Metodoloji Zaman Çizelgesi. Doktora Tez Önerisi İsmail ÇÖLKESEN 501102602 Doktora Tez Önerisi Tez Danışmanı : Prof.Dr. Tahsin YOMRALIOĞLU İTÜ Geoma*k Mühendisliği İçerik Giriş Tez Çalışmasının Amacı Zaman Çizelgesi 1 of 25 Giriş Yeryüzü ile ilgili yapılan

Detaylı

BÖLÜM 3 KURAMSAL ÇATI VE HİPOTEZ GELİŞ

BÖLÜM 3 KURAMSAL ÇATI VE HİPOTEZ GELİŞ BÖLÜM 3 KURAMSAL ÇATI VE HİPOTEZ GELİŞ İŞTİRME Araştırma rma SüreciS 1.Gözlem Genel araştırma alanı 3.Sorunun Belirlenmesi Sorun taslağının hazırlanması 4.Kuramsal Çatı Değişkenlerin açıkça saptanması

Detaylı

The Fetal Medicine Foundation

The Fetal Medicine Foundation Erken Term Dönemde İntrauterin Büyüme Geriliği Olan Fetuslarda Neonatal Asidozu Öngörmede Orta Serebral Arter Tepe Akım Hızı ve Serebroplasental Oranın Kullanımı Rauf Melekoğlu Ayşe Gülçin Baştemur Sevil

Detaylı

Sürekli Rastsal Değişkenler

Sürekli Rastsal Değişkenler Sürekli Rastsal Değişkenler Normal Dağılım: Giriş Normal Dağılım: Tamamen ortalaması ve standart sapması ile tanımlanan bir rastsal değişken, X, için oluşturulan sürekli olasılık dağılımına normal dağılım

Detaylı

KABUL EDİLEN MAKALELER

KABUL EDİLEN MAKALELER Kamuflaj Tespiti için Hiperspektral Görüntüleme Hyperspectral Imaging for Camouflage Detection Ali Can Karaca1, Alp Ertürk1, M. Kemal Güllü1, Muharrem Elmas, Sarp Ertürk1 1 Kocaeli Üniversitesi Görüntü

Detaylı

İLERİ GÖRÜNTÜ İŞLEME Ders-1

İLERİ GÖRÜNTÜ İŞLEME Ders-1 İLERİ GÖRÜNTÜ İŞLEME Ders- Elektromanyetik Spektrum Görünür Bölge 7 nm 4 nm Temel Kavramlar (Prof. Dr. Sarp ERTÜRK) 9/24/24 2 Hazırlayan: M. Kemal GÜLLÜ Sayısal İmge Gösterimi f x, y imgesi örneklendiğinde

Detaylı

İçindekiler vii Yazarların Ön Sözü xiii Çevirenin Ön Sözü xiv Teşekkürler xvi Semboller Listesi xvii. Ölçme, İstatistik ve Araştırma...

İçindekiler vii Yazarların Ön Sözü xiii Çevirenin Ön Sözü xiv Teşekkürler xvi Semboller Listesi xvii. Ölçme, İstatistik ve Araştırma... İçindekiler İçindekiler vii Yazarların Ön Sözü xiii Çevirenin Ön Sözü xiv Teşekkürler xvi Semboller Listesi xvii BÖLÜM 1 Ölçme, İstatistik ve Araştırma...1 Ölçme Nedir?... 3 Ölçme Süreci... 3 Değişkenler

Detaylı

k ise bir gerçek sayı olsun. Buna göre aşağıdaki işlemler Matlab da yapılabilir.

k ise bir gerçek sayı olsun. Buna göre aşağıdaki işlemler Matlab da yapılabilir. MATRİS TRANSPOZU: Bir matrisin satırlarını sütun, sütunlarınıda satır yaparak elde edilen matrise transpoz matris denilir. Diğer bir değişle, eğer A matrisi aşağıdaki gibi tanımlandıysa bu matrisin transpoz

Detaylı

Geliştirilmiş Fisher Ayraç Kriteri Kullanarak Hiperspektral Görüntülerde Sınıflandırma

Geliştirilmiş Fisher Ayraç Kriteri Kullanarak Hiperspektral Görüntülerde Sınıflandırma Geliştirilmiş Fisher Ayraç Kriteri Kullanarak Hiperspektral Görüntülerde Sınıflandırma Mustafa TEKE, Dr. Ufuk SAKARYA TÜBİTAK UZAY IEEE 21. Sinyal İşleme, İletişim ve Uygulamaları Kurultayı (SİU 2013),

Detaylı

H(s) B(s) V (s) Yer Kök Eğrileri. Şekil13. V s R s = K H s. B s =1için. 1 K H s

H(s) B(s) V (s) Yer Kök Eğrileri. Şekil13. V s R s = K H s. B s =1için. 1 K H s Yer Kök Eğrileri R(s) K H(s) V (s) V s R s = K H s 1 K H s B s =1için B(s) Şekil13 Kapalı çevrim sistemin kutupları 1+KH(s)=0 özyapısal denkleminden elde edilir. b s H s = a s a s K b s =0 a s K b s =0

Detaylı

R ile Programlamaya Giriş ve Uygulamalar

R ile Programlamaya Giriş ve Uygulamalar R ile Programlamaya Giriş ve Uygulamalar İçerik R ye genel bakış R dili R nedir, ne değildir? Neden R? Arayüz Çalışma alanı Yardım R ile çalışmak Paketler Veri okuma/yazma İşleme Grafik oluşturma Uygulamalar

Detaylı

BİYOMETRİK İRİS SINIFLANDIRMA SİSTEMLERİ

BİYOMETRİK İRİS SINIFLANDIRMA SİSTEMLERİ BİYOMETRİK İRİS SINIFLANDIRMA SİSTEMLERİ Emre DANDIL, K.İBRAHİM KAPLAN Akademik Bilişim 2013 İnternet ve bilgisayar teknolojilerinin etkin kullanılmaya başlanması ile birlikte, bazı kişisel bilgilere veya

Detaylı

BÜYÜK VERI UYGULAMALARı DERS 5-6. Doç. Dr. Yuriy Mishchenko

BÜYÜK VERI UYGULAMALARı DERS 5-6. Doç. Dr. Yuriy Mishchenko 1 BÜYÜK VERI UYGULAMALARı DERS 5-6 Doç. Dr. Yuriy Mishchenko PLAN Amazon ML hizmetini kullanmaya pratik giriş Baze ek gereken makine öğrenme kavramları genelleme, eğitim ve test veri kümeleri, makine öğrenme

Detaylı

SÜREKLİ OLASILIK DAĞILIŞLARI

SÜREKLİ OLASILIK DAĞILIŞLARI SÜREKLİ OLASILIK DAĞILIŞLARI Sürekli verilerin göstermiş olduğu dağılışa sürekli olasılık dağılışı denir. Sürekli olasılık dağılışlarının fonksiyonlarına yoğunluk fonksiyonu denilmekte ve bu dağılışlarla

Detaylı

Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi Pamukkale University Journal of Engineering Sciences

Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi Pamukkale University Journal of Engineering Sciences Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi Pamukkale University Journal of Engineering Sciences Kabul Edilmiş Araştırma Makalesi (Düzenlenmemiş Sürüm) Accepted Research Article (Uncorrected Version)

Detaylı

Hastalıklarda Risk Faktörleri ve Tarama Tanı ve Tedavi Etkinliği İstatistikleri. A.Ayça ÖZDEMİR

Hastalıklarda Risk Faktörleri ve Tarama Tanı ve Tedavi Etkinliği İstatistikleri. A.Ayça ÖZDEMİR Hastalıklarda Risk Faktörleri ve Tarama Tanı ve Tedavi Etkinliği İstatistikleri A.Ayça ÖZDEMİR İçerik Hastalıklarda Risk Faktörleri Geriye Dönük Case Control Odds Ratio İleriye Dönük Kohort Çalışmalarda

Detaylı

TÜRKİYE CUMHURİYETİ DEVLETİNİN temellerinin atıldığı Çanakkale zaferinin 100. yılı kutlu olsun.

TÜRKİYE CUMHURİYETİ DEVLETİNİN temellerinin atıldığı Çanakkale zaferinin 100. yılı kutlu olsun. Doç.Dr.Mehmet MISIR-2013 TÜRKİYE CUMHURİYETİ DEVLETİNİN temellerinin atıldığı Çanakkale zaferinin 100. yılı kutlu olsun. Son yıllarda teknolojinin gelişmesi ile birlikte; geniş alanlarda, kısa zaman aralıklarında

Detaylı

Seçkin BATTAL 1, Batuhan GÜLLÜDERE 1, Salih ÇELİK 1,Nusret DEMİR 4, Dilek KOÇ-SAN 3

Seçkin BATTAL 1, Batuhan GÜLLÜDERE 1, Salih ÇELİK 1,Nusret DEMİR 4, Dilek KOÇ-SAN 3 423 [1237] MULTİSPEKTRAL UYDU VE YAPAY AÇIKLIKLI RADAR VERİLERİ KULLANILARAK EBER GÖLÜNÜN ALAN VE DEĞİŞİMİNİN TESPİTİ Seçkin BATTAL 1, Batuhan GÜLLÜDERE 1, Salih ÇELİK 1,Nusret DEMİR 4, Dilek KOÇ-SAN 3

Detaylı

Dijital Kameralar (Airborne Digital Cameras)

Dijital Kameralar (Airborne Digital Cameras) Dijital Kameralar (Airborne Digital Cameras) Klasik fotogrametrik görüntü alımındaki değişim, dijital kameraların gelişimi ile sağlanmaktadır. Dijital görüntü, analog görüntü ile kıyaslandığında önemli

Detaylı

Parmak İzi Sensörleri Volkan TUNALI Giriş Güvenlik Biyometri Parmak İzi Tanıma Parmak İzi Sensörleri Sensörlerin Karakteristikleri Uygulama Alanları 2 Güvenlik Modern yaşamın ihtiyacı: Güvenlik Sisteme

Detaylı

2015/2016 Bahar Yarıyılı Bitirme Çalışması Konuları. (Doç.Dr. M. Kemal GÜLLÜ)

2015/2016 Bahar Yarıyılı Bitirme Çalışması Konuları. (Doç.Dr. M. Kemal GÜLLÜ) 2015/2016 Bahar Yarıyılı Bitirme Çalışması Konuları (Doç.Dr. M. Kemal GÜLLÜ) 1. Ses temelli malzeme tanıma Malzemelerin çarpma etkisi ile çıkarttıkları seslerin mikrofon ile bir PC ye alınması ve işaretten

Detaylı

İstatistiksel Yorumlama

İstatistiksel Yorumlama İstatistiksel Yorumlama Amaç, popülasyon hakkında yorumlamalar yapmaktadır. Populasyon Parametre Karar Vermek Örnek İstatistik Tahmin 1 Tahmin Olaylar hakkında tahminlerde bulunmak ve karar vermek zorundayız

Detaylı

Dr. Y. İlker TOPCU. Dr. Özgür KABAK web.itu.edu.tr/kabak/

Dr. Y. İlker TOPCU. Dr. Özgür KABAK web.itu.edu.tr/kabak/ Dr. Y. İlker TOPCU www.ilkertopcu.net www.ilkertopcu.org www.ilkertopcu.info facebook.com/yitopcu twitter.com/yitopcu instagram.com/yitopcu Dr. Özgür KABAK web.itu.edu.tr/kabak/ Dr. Y. İlker Topcu (www.ilkertopcu.net)

Detaylı

Görüntü İşleme. Dijital Görüntü Tanımları. Dijital görüntü ise sayısal değerlerden oluşur.

Görüntü İşleme. Dijital Görüntü Tanımları. Dijital görüntü ise sayısal değerlerden oluşur. Görüntü İşleme Görüntü işleme, dijital bir resim haline getirilmiş olan gerçek yaşamdaki görüntülerin bir girdi resim olarak işlenerek, o resmin özelliklerinin ve görüntüsünün değiştirilmesidir. Resimler

Detaylı

BÖLÜM-1.BİLİM NEDİR? Tanımı...1 Bilimselliğin Ölçütleri...2 Bilimin İşlevleri...3

BÖLÜM-1.BİLİM NEDİR? Tanımı...1 Bilimselliğin Ölçütleri...2 Bilimin İşlevleri...3 KİTABIN İÇİNDEKİLER BÖLÜM-1.BİLİM NEDİR? Tanımı...1 Bilimselliğin Ölçütleri...2 Bilimin İşlevleri...3 BÖLÜM-2.BİLİMSEL ARAŞTIRMA Belgesel Araştırmalar...7 Görgül Araştırmalar Tarama Tipi Araştırma...8

Detaylı

YÜKSEK ÇÖZÜNÜRLÜKLÜ UYDU VERİLERİ KULLANILARAK ORMAN ÖRTÜSÜNÜN SEGMENT-TABANLI SINIFLANDIRILMASI ÖZET

YÜKSEK ÇÖZÜNÜRLÜKLÜ UYDU VERİLERİ KULLANILARAK ORMAN ÖRTÜSÜNÜN SEGMENT-TABANLI SINIFLANDIRILMASI ÖZET III. Ulusal Karadeniz Ormancılık Kongresi 20-22 Mayıs 2010 Cilt: II Sayfa: 471-476 YÜKSEK ÇÖZÜNÜRLÜKLÜ UYDU VERİLERİ KULLANILARAK ORMAN ÖRTÜSÜNÜN SEGMENT-TABANLI SINIFLANDIRILMASI Muhittin İNAN 1, Hakan

Detaylı

Görüntü İşleme. K.Sinan YILDIRIM Cenk İNCE Tahir Emre KALAYCI. Ege Üniversitesi Bilgisayar Mühendisliği Bölümü 2003

Görüntü İşleme. K.Sinan YILDIRIM Cenk İNCE Tahir Emre KALAYCI. Ege Üniversitesi Bilgisayar Mühendisliği Bölümü 2003 Görüntü İşleme K.Sinan YILDIRIM Cenk İNCE Tahir Emre KALAYCI Ege Üniversitesi Bilgisayar Mühendisliği Bölümü 2003 İçerik Görüntü İşleme Nedir? Görüntü Tanımlamaları Görüntü Operasyonları Görüntü İşleme

Detaylı

HİPOTEZ TESTLERİ. Yrd. Doç. Dr. Emre ATILGAN

HİPOTEZ TESTLERİ. Yrd. Doç. Dr. Emre ATILGAN HİPOTEZ TESTLERİ Yrd. Doç. Dr. Emre ATILGAN Hipotez Nedir? HİPOTEZ: parametre hakkındaki bir inanıştır. Parametre hakkındaki inanışı test etmek için hipotez testi yapılır. Hipotez testleri sayesinde örneklemden

Detaylı

Görüntü İyileştirme Teknikleri. Hafta-8

Görüntü İyileştirme Teknikleri. Hafta-8 Görüntü İyileştirme Teknikleri Hafta-8 1 Spektral İyileştirme PCA (Principal Component Analysis) Dönüşümü. Türkçesi Ana Bileşenler Dönüşümü Decorrelation Germe Tasseled Cap RGB den IHS ye dönüşüm IHS den

Detaylı

VERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr

VERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr VERİ MADENCİLİĞİ (Sınıflandırma Yöntemleri) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma

Detaylı

Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Bilgisayarla Görme. Final

Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Bilgisayarla Görme. Final Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü Bilgisayarla Görme Final Harris ve Moravec Köşe Belirleme Metotları Selçuk BAŞAK 08501008 Not: Ödevi hazırlamak için geliştirdiğim

Detaylı

Tarımsal Meteorolojik Simülasyon Yöntemleri ve Uzaktan Algılama ile Ürün Verim Tahminleri ve Rekolte İzleme

Tarımsal Meteorolojik Simülasyon Yöntemleri ve Uzaktan Algılama ile Ürün Verim Tahminleri ve Rekolte İzleme Tarımsal Meteorolojik Simülasyon Yöntemleri ve Uzaktan Algılama ile Ürün Verim Tahminleri ve Rekolte İzleme Twente Universitesi ITC Fakultesi, Enschede, Hollanda - 2013 Dr. Ediz ÜNAL Tarla Bitkileri Merkez

Detaylı

Havacılık Meteorolojisi Ders Notları. 3. Atmosferin tabakaları

Havacılık Meteorolojisi Ders Notları. 3. Atmosferin tabakaları Havacılık Meteorolojisi Ders Notları 3. Atmosferin tabakaları Yard.Doç.Dr. İbrahim Sönmez Ondokuz Mayıs Üniversitesi Ballıca Kampüsü Havacılık ve Uzay Bilimleri Fakültesi Meteoroloji Mühendisliği Bölümü

Detaylı