Uzaktan Algılama Teknolojileri
|
|
- Iskander Gökçe
- 7 yıl önce
- İzleme sayısı:
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 Ders 10 Hiperspektral Görüntülerde Öznitelik Çıkarımı ve Boyut Azaltımı Alp Ertürk alp.erturk@kocaeli.edu.tr Öznitelik Çıkarımı Veriden ayırt edici yapıda nitelikler çıkarma
DetaylıUzaktan 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
DetaylıUzaktan 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
DetaylıUzaktan 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
DetaylıBilgisayarla 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
DetaylıUzaktan 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
DetaylıBilgisayarla 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
DetaylıTANI TESTLERINE GIRIŞ & ROC ANALİZİ
TANI TESTLERINE GIRIŞ & ROC ANALİZİ Yrd.Doç.Dr. Selçuk Korkmaz Trakya Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı Turcosa Analitik Çözümlemeler selcukorkmaz@gmail.com ÇOCUK NEFROLOJİ DERNEĞİ
DetaylıBilgisayarla 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
Detaylıdoğrudur? 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)
DetaylıTANI TESTLERİNİN İSTATİSTİKSEL DEĞERLENDİRİLMESİ
TANI TESTLERİNİN İSTATİSTİKSEL DEĞERLENDİRİLMESİ İÇERİK Tanı testi Altın Standart Test Tanı Testi ile Altın Standart Testin Karşılaştırması İstatistiksel Değerlendirme Duyarlık, Seçicilik,Yanlış Negatif
DetaylıBilgisayarla 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
DetaylıBilgisayarla 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?
DetaylıGörüntü 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
DetaylıBilgisayarla 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 ) /, / ( ),, (
DetaylıUzaktan 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
DetaylıUzaktan Algılama (3) Yrd. Doç. Dr. Özgür ZEYDAN Renk Teorileri
Uzaktan Algılama (3) Yrd. Doç. 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
DetaylıHızlı 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
DetaylıYrd. 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
DetaylıUzaktan 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
DetaylıUzaktan 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:
DetaylıBLG325.1 SINYAL ISLEME DERSİ BİLGİ PAKETİ. Haftalık Ders Planı
Düzey : Lisans Ders Kodu : BLG325.1 Ders Adı : SINYAL ISLEME BLG325.1 SINYAL ISLEME DERSİ BİLGİ PAKETİ lık Ders Planı 1 : İşaret ve sistem tanımı, ayrık zamanlı ve sürekli zamanlı sistemler, ayrık değerli
DetaylıKISIM 5 COĞRAFİ BİLGİ SİSTEMİ (GIS) ANALİZİ KISIM 5: GIS ANALİZİ 1
KISIM 5 COĞRAFİ BİLGİ SİSTEMİ (GIS) ANALİZİ KISIM 5: GIS ANALİZİ 1 GIS ANALİZİ GIS Analizi, üretme, işleme ve mekansal veriyi sorgulama kısımlarını kapsar 1. Veri üretme Görüntüyü sınıflandırma (Unsupervised)
DetaylıEğitim seti (training set) sınıflandırma modelinin elde edileceği kayıtları içerir
sınıflandırma: temel kavramlar, karar ağaçları ve model değerlendirme Sınıflandırma : Tanım Eğitim seti (training set) sınıflandırma modelinin elde edileceği kayıtları içerir Eğitim setindeki her kayıt
DetaylıROC (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
DetaylıTanı 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
Detaylı3. 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
DetaylıORM 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,
DetaylıUzaktan 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
DetaylıUzaktan 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
DetaylıGörüntü İşleme Ders-7 AND, NAND. % bir görüntüde küçük bir alanın kesilip çıkartılması. >> y=imread('headquarters-2and.jpg');
Görüntü İşleme Ders-7 AND, NAND % bir görüntüde küçük bir alanın kesilip çıkartılması. >> x=imread('headquarters-2.jpg'); >> y=imread('headquarters-2and.jpg'); >> x=rgb2gray(x); >> y=rgb2gray(y); >> imshow(y)
DetaylıKonular 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
DetaylıGÖRÜNTÜ 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
DetaylıUzaktan 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
DetaylıBÖLÜM 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
Detaylı2015/2016 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
DetaylıKonular 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
DetaylıHİPERSPEKTRAL GÖRÜNTÜLEMENİN SAVUNMA TEKNOLOJİLERİ UYGULAMALARI VE SPEKTRAL EĞRİLTME SAYESİNDE YÜKSEK TANIMA BAŞARIMI
HİPERSPEKTRAL GÖRÜNTÜLEMENİN SAVUNMA TEKNOLOJİLERİ UYGULAMALARI VE SPEKTRAL EĞRİLTME SAYESİNDE YÜKSEK TANIMA BAŞARIMI Begüm Demir (a), Sarp Ertürk (b) (a) KOÜ, Elektronik ve Haberleşme Müh. Böl., 41040,
DetaylıUYDU 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
DetaylıHAFTALIK 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
DetaylıSÜREKLİ 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
DetaylıHiperspektral 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
Detaylıİstatistik. 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
DetaylıORTALAMA 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
DetaylıRASGELE 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
DetaylıGörüntü 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
DetaylıYrd. 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
DetaylıKOCAELİ ÜNİVERSİTESİ ELEKTRONİK VE HABERLEŞME MÜHENDİSLİĞİ BÖLÜMÜ 2018/2019 GYY BİTİRME ÇALIŞMASI ÖNERİ FORMU. (Doç.Dr. M.
KOCAELİ ÜNİVERSİTESİ ELEKTRONİK VE HABERLEŞME MÜHENDİSLİĞİ BÖLÜMÜ 2018/2019 GYY BİTİRME ÇALIŞMASI ÖNERİ FORMU (Doç.Dr. M. Kemal GÜLLÜ) Derinlik kamerası ile alınan modellerin birleştirilmesi Derinlik kamerası,
DetaylıUzaktan 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
DetaylıUA 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
Detaylı8.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
DetaylıAracı 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
DetaylıYrd. 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)
DetaylıAşağı 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
DetaylıBilgisayarla 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.
DetaylıİÇİNDEKİLER 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
DetaylıYrd. Doç. Dr. Saygın ABDİKAN Öğretim Yılı Bahar Dönemi
Dijital Görüntü İşleme (JDF338) Yrd. Doç. Dr. Saygın ABDİKAN 2014-2015 Öğretim Yılı Bahar Dönemi 1 Ön İşleme-Radyometrik Düzeltme Atmosferik Düzeltme Atmosferik etkilerin giderilmesinde kullanılan radyometrik
DetaylıKANITA 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,
DetaylıİÇİNDEKİLER 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
Detaylıİstatistik 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
DetaylıHipotez 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
DetaylıBilgisayarla 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
DetaylıParti 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,
DetaylıCebirsel 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
DetaylıAKÜ TEKNOLOJİ FAKÜLTESİ MEKATRONİK MÜHENDİSLİĞİ BÖLÜMÜ
GÖRÜNTÜ İŞLEME DERS-9 YARDIMCI NOTLARI -2018 Hızlı Fourier Dönüşümü Matlab Örnekleri: fftshow() fonksiyonu function [ ] = fftshow(f) fl=log(1+abs(f)); fm=max(fl(:)); figure,imshow(im2uint8(fl/fm)); end
DetaylıGrafik 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
DetaylıHatalar 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
DetaylıSÜREKLİ 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
DetaylıGörüntü 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
Detaylı1. 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
DetaylıİÇİNDEKİLER 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.
DetaylıEmrah 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
DetaylıSahne 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
DetaylıRENK 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,
DetaylıC++ 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
DetaylıCBS 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
Detaylıkoşullar 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
DetaylıArcGIS 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
DetaylıDERS BİLGİLERİ Ders Kodu Yarıyıl T+U Saat Kredi AKTS Çok Değişkenli İstatistik EKO428 Bahar Ön Koşul Dersin Dili
DERS BİLGİLERİ Ders Kodu Yarıyıl T+U Saat Kredi AKTS Çok Değişkenli İstatistik EKO428 Bahar 3+0 3 3 Ön Koşul Yok Dersin Dili Türkçe Dersin Seviyesi Lisans Dersin Türü Seçmeli Dersi Veren Öğretim Elemanı
DetaylıGörüntü 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
Detaylıİçerik. 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
Detaylıİstatistik Giriş ve Temel Kavramlar. BBY606 Araştırma Yöntemleri Güleda Doğan
İstatistik Giriş ve Temel Kavramlar BBY606 Araştırma Yöntemleri Güleda Doğan Ders İçeriği İstatistik (tanımı, amacı) Dar anlamda istatistik Betimsel istatistik ve çıkarsamalı istatistik Temel kavramlar
DetaylıBÖLÜM 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
DetaylıThe 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
Detaylıİçindekiler 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
DetaylıSürekli 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
DetaylıİLERİ 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
DetaylıKABUL 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
Detaylık 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
DetaylıÖ. Kayman *, F. Sunar *
SPEKTRAL İNDEKSLERİN LANDSAT TM UYDU VERİLERİ KULLANILARAK ARAZİ ÖRTÜSÜ/KULLANIMI SINIFLANDIRMASINA ETKİSİ: İSTANBUL, BEYLİKDÜZÜ İLÇESİ, ARAZİ KULLANIMI DEĞİŞİMİ Ö. Kayman *, F. Sunar * * İstanbul Teknik
DetaylıGeliştirilmiş 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),
DetaylıSAR GÖRÜNTÜLERİ İÇİN BÖLGE TABANLI BİR HEDEF TESPİT YÖNTEMİ A REGION BASED TARGET DETECTION METHOD FOR SAR IMAGES
SAR GÖRÜNTÜLERİ İÇİN BÖLGE TABANLI BİR HEDEF TESPİT YÖNTEMİ A REGION BASED TARGET DETECTION METHOD FOR SAR IMAGES Fatih Nar 1, Can Demirkesen 1, Osman Erman Okman 1, Müjdat Çetin 2 1. Uzay ve SavunmaTeknolojileri
DetaylıR 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
DetaylıKÖMÜR YÜZDÜRME-BATIRMA DENEYLERİ
İSTANBUL ÜNİVERSİTESİ MADEN MÜHENDİSLİĞİ BÖLÜMÜ KÖMÜR HAZIRLAMA DERSİ KÖMÜR YÜZDÜRME-BATIRMA DENEYLERİ Doç. Dr. Kenan ÇİNKU Araş. Gör. Dr. İsmail DEMİR Kömür Temiz Kömür (Organik Malzeme) Nem İnorganik
DetaylıYrd. Doç. Dr. Saygın ABDİKAN Öğretim Yılı Bahar Dönemi
Dijital Görüntü İşleme (JDF338) Yrd. Doç. Dr. Saygın ABDİKAN 2015-2016 Öğretim Yılı Bahar Dönemi 1 Görüntü Zenginleştirme Mekânsal Dönüşümler Mekânsal dönüşümler, uzaktan algılama görüntülerindeki bilgiyi
DetaylıBİYOMETRİK 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
DetaylıH(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
DetaylıBÜYÜK 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
DetaylıPamukkale 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)
DetaylıÖrneklem Dağılımları & Hipotez Testleri Örneklem Dağılımı
Örneklem Dağılımları & Hipotez Testleri Örneklem Dağılımı Ortalama veya korelasyon gibi istatistiklerin dağılımıdır Çıkarımsal istatistikte örneklem dağılımı temel fikirlerden biridir. Çıkarımsal istatistik
Detaylı