Bilgisayarla Görüye Giriş
|
|
- Derya Menderes
- 7 yıl önce
- İzleme sayısı:
Transkript
1 Bilgisayarla Görüye Giriş Ders 10 Nesne / Yüz Tespiti ve Tanıma Alp Ertürk alp.erturk@kocaeli.edu.tr
2 Nesne Tespiti Belirli bir nesnenin sahne içindeki konumunun tespitidir Tespit edilecek nesne önceden bilinmelidir En temel yaklaşım nesnenin bir taslağının alınması ve taslak eşleme yapılmasıdır Taslak eşleme için çok çeşitli metrikler bulunmaktadır: çapraz korelasyon, normalize çapraz korelasyon, faz korelasyonu, fourier-mellin dönüşümü,...
3 Nesne Tespiti: Taslak Eşleme Hedef Görüntü Normalize çapraz korelasyon sonucu Nesne
4 Nesne Tespiti: Taslak Eşleme Zor / karmaşık sahnelerde taslak eşleme yaklaşımının başarımı ciddi şekilde düşmektedir.
5 Nesne Tespiti Zorlukları: Görüş Açısı Farkı
6 Nesne Tespiti Zorlukları: Aydınlatma Farkı
7 Nesne Tespiti Zorlukları: Oklüzyon
8 Nesne Tespiti Zorlukları: Ölçek Farkı
9 Nesne Tespiti Zorlukları: Deformasyon
10 Nesne Tespiti Zorlukları: Sınıf İçi Farklılıklar
11 Nesne Tespiti Temsil Bir nesne kategorisinin nasıl temsil edileceği Öğrenme Eğitim verisine göre tespit yönteminin nasıl oluşturulacağı Tespit / Tanıma Yeni verilerde tespit yönteminin çalışması
12 Nesne Temsili Üretken / ayrımcı / hibrit
13 Nesne Temsili Üretken / ayrımcı / hibrit Sadece görünüm / konum ve görünüm
14 Nesne Temsili Üretken / ayrımcı / hibrit Sadece görünüm / konum ve görünüm Değişmezlikler: Bakış açısı, aydınlatma, oklüzyon, ölçek,... Parça tabanlı / global Öznitelik tabanlı / tüm pikselleri kullanan
15 Nesne Öğrenme Nesne kategorilerinin nasıl modelleneceği belirgin olmadığından dolayı, Nesnelerin farklarını manuel olarak belirtmek yerine, birbirinden ayıran yanlarını öğrenmek Eğitim üretici veya ayrıştırıcı olabilir
16 İstatistiksel Nesne Tespiti p( zebra image) vs. p( no zebra imag e) Bayes kuralı: p( zebra image) p( no zebra image) p( image zebra) p( image no zebra) p( zebra) p( no zebra) Sonsal oran Olabilirlik oranı Önsel oran
17 İstatistiksel Nesne Tespiti Bayes kuralı: p( zebra image) p( no zebra image) p( image zebra) p( image no zebra) p( zebra) p( no zebra) Sonsal oran Olabilirlik oranı Önsel oran Ayrıştırıcı yöntemler sonsal oranı, üretici yöntemler olabilirlik oranını ve önsel oranı modeller
18 İstatistiksel Nesne Tespiti: Ayrıştırıcı p( zebra image) p( no zebra image) modellenir Karar sınırı Zebra Zebra değil
19 İstatistiksel Nesne Tespiti: Üretici p( image zebra) ve p( image no zebra) modellenir p( image zebra) Düşük Yüksek p( image no zebra) Orta Orta Düşük
20 Nesne Tanıma
21 Nesne Tanıma Nesnenin sadece konumunun tespiti ile ilgilenmemektedir Nesnenin diğer (benzer) nesneler de ayrılması gerekmektedir Araba tespiti yerine belirli bir araba modelinin / markasının tespiti, Yüz tespiti yerine belirli bir kişinin yüzünün tespiti,...
22 Slide: S. Savarese
23
24
25 Nesne Temsili İlgi noktaları / bölgeleri (öznitelikler) Tespit DoG Harris Laplacian... Adaptasyon Dönme, ölçekleme Afin Tanımlama SIFT Renk histogramları
26
27
28
29 Nesne Temsili
30 Model Öğrenme 3B model oluştur: Nesnenin N farklı görüş açısından N görüntüsü Ard arda gelen görüntülerden anahtar nokta eşleştirme Hareket kaynaklı afin yapıyı kullanarak 3B konum ve kamera yönelim ve konumları tespiti Bağlantılı bileşenlerin bulunması Demet ayarlaması ile model iyileştirmesi Sıfır eğiklik ve kare piksel varsayımları altında modelin Öklid yapıya geliştirilmesi
31 Model Öğrenme
32 Model Öğrenme
33 Tanıma Model ile test edilen görüntü (öznitelikleri) arasındaki eşleşmelere bakılır
34 Tanıma Model ile test edilen görüntü (öznitelikleri) arasındaki eşleşmelere bakılır Hipotez: N eşleşmeden dönüşüm hipotezi oluşturulur (Afin kamera için N = 2)
35 Tanıma Model ile test edilen görüntü (öznitelikleri) arasındaki eşleşmelere bakılır Hipotez: N eşleşmeden dönüşüm hipotezi (M) oluşturulur (Afin kamera için N = 2) Doğrulama: Diğer eşleşen 3B noktalar M dönüşümü ile test imgesine yansıtılır, oluşan hataya bakılır Amaç, en iyi uyum gösteren modeli bulmaktır.
36 Tanıma
37 Tanıma Yüksek eşleşme hatası
38 Tanıma Düşük eşleşme hatası
39 Nesne Tanıma
40 Nesne Tanıma
41 Nesne Tanıma
42 Yüz Tespiti ve Tanıma
43 Yüz Tespiti ve Tanıma
44 Yüz Tespiti ve Tanıma Tespit Tanıma Sally
45 Yüz Tespiti ve Tanıma
46 Eigenface ile Yüz Tanıma Yüzleri ifade etmek için daha düşük boyutlu bir uzay tespit edilebileceği varsayımından yola çıkar Uzayı belirlerken en yüksek değişintiye (ing: variance) sahip k (k<d) yönü bulmak için temel bileşenler analizi (ing: principal component analysis PCA) kullanılır Her yüz, elde edilen öznitelik uzayındaki ( yüz uzayı ) koordinatları ile ifade edilir Yüz uzayı nda en yakın komşuluk (ing: nearest neighbor) ile tanıma yapılır
47 Eigenface ile Yüz Tespiti: PCA PCA: N veri noktası (xi) ni daha küçük boyutta ifade etmek / öznitelikler çıkarmak içindir İlintili olan noktaları ilintisiz eksenler ile ifade etmeye dayanır Elde edilen özniteliklerin (u) verideki en fazla değişintiyi (variance) barındırması istenir
48 Eigenface ile Yüz Tespiti: PCA Geometrik olarak düşünürsek: p boyutlu veri noktaları içeren uzayı, yeni eksenlere döndürür Eksenler, ilki en yüksek değişintiye sahip olacak, ikinci ondan sonraki en yüksek değişintiye sahip olacak,..., eksen p ise en düşük değişintiye sahip olacak şekilde sıralanmış olmalıdır Eksen çiftleri arası kovaryans sıfır olmalıdır Değişinti gittikçe azaldığı için tüm eksenler yerine sadece belirli sayıda kullanılarak boyut azaltımı sağlanır
49 Eigenface ile Yüz Tanıma Yüzleri ifade etmek için daha düşük boyutlu bir uzay tespit edilebileceği varsayımından yola çıkar Uzayı belirlerken en yüksek değişintiye (ing: variance) sahip k (k<d) yönü bulmak için temel bileşenler analizi (ing: principal component analysis PCA) kullanılır Her yüz, elde edilen öznitelik uzayındaki ( yüz uzayı ) koordinatları ile ifade edilir Yüz uzayı nda en yakın komşuluk (ing: nearest neighbor) ile tanıma yapılır
50 Eigenface ile Yüz Tanıma Eğitim kümesi:
51 Eigenface ile Yüz Tanıma Ortalama yüz ve yüksek değişintiye sahip özvektörler:
52 Eigenface ile Yüz Tanıma Bir yüzün yüz uzayında ifadesi: x = µ + w 1 u 1 + w 2 u 2 + w 3 u 3 + w 4 u 4 +
53 Eigenface ile Yüz Tanıma Etiketli eğitim görüntüleri için, Ortalama µ ve kovaryans matrisi Σ hesapla k temel bileşen tespit et (Σ nın özvektörleri) Her eğitim görüntüsü x i yi temel bileşenlerin taradığı alt-uzaya izdüşür Yeni (test) görüntüsü için, Eğitim görüntüleri üzerinden tespit edilen alt-uzaya izdüşür Opsiyonel: İzdüşüm sonrası geri oluşturma hatasına bakarak görüntünün gerçekten yüz olup olmadığını tespit et k boyutlu alt-uzayda en yakın eğitim görüntüsünün etiketini yeni görüntüye ata
54 Viola-Jones ve Adaboost ile Yüz Tanıma Gerçek zamanlı nesne tespiti amacıyla geliştirilmiştir Eğitim aşaması yavaş, tespit aşaması hızlıdır Öznitelikleri hızlı değerlendirmek için integral görüntüleri kullanılır Öznitelik seçimi için Boosting Yüz olmayan pencerelerin hızlı reddi için Attentional cascade
55 Viola-Jones ve Adaboost ile Yüz Tanıma Öznitelik tespiti için dikdörtgenel doğrusal süzgeçler kullanılır Çıktı değeri beyaz alanda kalan piksellerin değerlerinin toplamından siyah alanda kalan piksellerin değerlerinin toplamının farkıdır
56 Viola-Jones ve Adaboost ile Yüz Tanıma Öznitelik tespiti için dikdörtgenel doğrusal süzgeçler kullanılır Çıktı değeri beyaz alanda kalan piksellerin değerlerinin toplamından siyah alanda kalan piksellerin değerlerinin toplamının farkıdır
57 Viola-Jones ve Adaboost ile Yüz Tanıma
58 Viola-Jones ve Adaboost ile Yüz Tanıma
59 İntegral görüntüler İntegral görüntü ile her (x,y) pikseli için, (x,y) nin solunda ve üstünde kalan tüm piksel değerlerinin toplamı hesaplanır (x,y) Görüntü üzerinden tek geçişte hesaplanması mümkündür
60 İntegral görüntüler Kümülatif satır toplamı: s(x,y) = s(x-1,y) + i(x,y) İntegral görüntü: ii(x,y) = ii(x,y-1) + s(x,y) ii(x, y-1) s(x-1, y) i(x, y)
61 İntegral görüntüler üzerinden işlem A, B, C, D integral görüntünün bir dikdörtgen kenarlarındaki değerleri ise D B Dikdörtgenin içinde kalan orijinal görüntü piksel değerlerinin toplamı A-B-C+D C A şeklinde hesaplanır.
62 Öznitelik seçimi boyutunda tespit bölgesi için olası dikdörtgen özniteliklerin sayısı ~ 160,000!
63 Öznitelik seçimi boyutunda tespit bölgesi için olası dikdörtgen özniteliklerin sayısı ~ 160,000! Her özniteliği kullanarak sonuç çıkartmak pratik değil! Tüm olası öznitelikler arasından küçük bir alt-küme kullanılarak iyi bir sınıflandırıcı oluşturmak için: Boosting
64 Boosting Boosting, zayıf öğrenicileri daha başarılı bir sınıflandırıcı oluşturmak amacıyla birleştirme tabanlı bir yaklaşımdır Eğitim aşaması birden çok boosting yinelemesi içerir Her yinelemede, önceki zayıf öğreniciler için zorlayıcı olan örneklere odaklanan zayıf bir öğrenici seçilir Zorlayıcılık, eğitim örneklerine verilen ağırlıklar ile hesaplanır
65 Boosting Boosting eğitim aşaması: Öncelikli olarak her eğitim örneğine eşit ağırlık atanır Her yinelemede, En düşük ağırlıklandırılmış eğitici hatasını veren zayıf öğrenici bulunur Mevcut zayıf öğrenici ile yanlış sınıflandırılan eğitim örneklerinin ağırlıkları artırılır Öncelikli olarak her eğitim örneğine eşit ağırlık atanır Tüm zayıf öğrenicilerin doğrusal bileşimi ile nihai sınıflandırıcı oluşturulur. Öğrenicilerin ağırlıkları başarımları ile doğru orantılıdır
66 Boosting Zayıf Sınıflandırıcı 1
67 Boosting Ağırlıklar artırıldı
68 Boosting Zayıf Sınıflandırıcı 2
69 Boosting Ağırlıklar artırıldı
70 Boosting Zayıf Sınıflandırıcı 3
71 Boosting Nihai sınıflandırıcı, zayıf sınıflandırıcıların doğrusal bileşimidir
72 Viola-Jones için Boosting Dikdörtgen özniteliklere bağlı zayıf sınıflandırıcılar oluşturulur h ( x) t 1 0 if p t f ( x) otherwise t p t t Boosting in her dönüşünde, Her örnek için dikdörtgen süzgeç değerlendirilir Ağırlıklandırılmış eğitim hatasına bağlı olarak en iyi süzgeç / eşik kombinasyonu seçilir Örnekler tekrar ağırlandırılır
73 Attentional Cascade Negatif alt-pencerelerin çoğunu reddedip neredeyse tüm pozitif alt-pencereleri tespit eden basit sınıflandırıcılarla başlama mantığına dayanmaktadır İlk sınıflandırıcının pozitif cevabı ikinci ve daha kompleks bir sınıflandırıcının kullanılmasını tetikler, ve bu şekilde devam eder Cascade yapı boyunca herhang bir noktadaki negatif sonuç altpencerenin reddedilmesini sağlar Görüntü Alt Penceresi Sınıflandırıcı 1 T T Sınıflandırıcı 2 Sınıflandırıcı 3 T YÜZ F Yüz Değil F Yüz Değil F Yüz Değil
74 Attentional Cascade Yapının tespit oranı ve hatalı pozitif oranı, aşamalara ait oranların çarpılması sonucu elde edilir 0.9 tespit oranı ve 10-6 hatalı pozitif oranı, 10 aşamalı cascade bir yapı ile, eğer her aşamanın 0.99 tespit oranı ve 0.3 civarı hatalı pozitif oranı varsa elde edilebilir ( , ) Görüntü Alt Penceresi Sınıflandırıcı 1 T T Sınıflandırıcı 2 Sınıflandırıcı 3 T YÜZ F Yüz Değil F Yüz Değil F Yüz Değil
75 Yüz Tespit / Tanıma Sonuçları
76 "The Nikon S60 detects up to 12 faces."
77 Yüz Profil Tespiti
78 Yüz Profil Tespiti
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
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 9 Stereo Görüntüleme Alp Ertürk alp.erturk@kocaeli.edu.tr Tek Kamera Geometrisi??? x Tek Kamera Geometrisi Tek Kamera Geometrisi İğne Deliği Kamera Modeli ) /, / ( ),, (
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?
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
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 8 Multispektral Görüntüleme ve Uygulamaları Alp Ertürk alp.erturk@kocaeli.edu.tr Multispektral Görüntüleme Her piksel için birkaç adet spektral kanalda ölçüm değeri
DetaylıUzaktan 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
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.
DetaylıHafta 09 -Topluluk Yöntemleri - Boyut Azaltma - Anomali Tespiti
Hafta 09 -Topluluk Yöntemleri - Boyut Azaltma - Anomali Tespiti BGM 565 - Siber Güvenlik için Makine Öğrenme Yöntemleri Bilgi Güvenliği Mühendisliği Yüksek Lisans Programı Dr. Ferhat Özgür Çatak ozgur.catak@tubitak.gov.tr
DetaylıYıldız 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
DetaylıMEH535 Örüntü Tanıma. 6. Boyut Azaltımı (Dimensionality Reduction)
MEH535 Örüntü anıma 6. Boyut Azaltımı (Dimensionality Reduction) Doç.Dr. M. Kemal GÜLLÜ Elektronik ve Haberleşme Mühendisliği Bölümü web: http://akademikpersonel.kocaeli.edu.tr/kemalg/ E-posta: kemalg@kocaeli.edu.tr
DetaylıBu bölümde; Çok ölçütlü karar verme yöntemlerinden biri olan TOPSİS yöntemi anlatılacaktır.
ÇOK ÖLÇÜTLÜ KARAR VERME TOPSIS (Technique For Order Preference By Similarity To Ideal Solution) PROF. DR. İBRAHİM ÇİL 1 Bu bölümde; Çok ölçütlü karar verme yöntemlerinden biri olan TOPSİS yöntemi anlatılacaktır.
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
DetaylıAkış YILDIZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ
Akış Makine Öğrenmesi nedir? Günlük Hayatımızdaki Uygulamaları Verilerin Sayısallaştırılması Özellik Belirleme Özellik Seçim Metotları Bilgi Kazancı (Informaiton Gain-IG) Sinyalin Gürültüye Oranı: (S2N
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),
DetaylıBoosting. Birol Yüceoğlu Migros T.A.Ş.
Boosting Birol Yüceoğlu Migros T.A.Ş. www.veridefteri.com biroly@migros.com.tr İçerik Karar ağaçları Bagging Boosting Ana fikir Boosting vs. Bagging LightGBM Scikit-learn AdaBoost Calibration Gradient
Detaylı7. BÖLÜM İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI .= 1 1 + + Genel: Vektörler bölümünde vektörel iç çarpım;
İÇ ÇARPIM UZAYLARI 7. BÖLÜM İÇ ÇARPIM UZAYLARI Genel: Vektörler bölümünde vektörel iç çarpım;.= 1 1 + + Açıklanmış ve bu konu uzunluk ve uzaklık kavramlarını açıklamak için kullanılmıştır. Bu bölümde öklit
DetaylıYer Sezimi ve Özet Bölüt Çizgeleri
Akıllı Sistemler Laboratuarı Elektrik-Elektronik Mühendisliği, Boğaziçi Üniversitesi TORK 2015 Türkiye Robotbilim Konferansı Önceki Çalışmalar Bölge Bitişiklilik Çizgeleri Çizge Eşleme lar Önceki Çalışmalar
DetaylıBüyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data)
Büyük Veri İçin İstatistiksel Öğrenme (Statistical Learning for Big Data) M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Bu dersin sunumları, The Elements of Statistical Learning: Data
DetaylıUzaktan Algılama Teknolojileri
Uzaktan Algılama Teknolojileri Ders 12 Hiperspektral Görüntülerde Hedef ve Anomali Tespiti Alp Ertürk alp.erturk@kocaeli.edu.tr Veriden : Zorlukları Spektral değişkenlik: Spektral imzalar mevsim şartlarına,
Detaylıİçindekiler. Ön Söz... xiii
İçindekiler Ön Söz.................................................... xiii Bölüm 1 İstatistiğe Giriş....................................... 1 1.1 Giriş......................................................1
DetaylıVERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Kümeleme) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Kümeleme İşlemleri Kümeleme Tanımı Kümeleme Uygulamaları Kümeleme Yöntemleri Kümeleme (Clustering) Kümeleme birbirine
DetaylıMOD419 Görüntü İşleme
MOD419 Görüntü İşleme Ders Kitabı: Digital Image Processing by Gonzalez and Woods Puanlama: %30 Lab. %20 Vize %10 Quizes %40 Final %60 devam mecburiyeti Görüntü İşleme ye Giriş Görüntü İşleme Nedir? Özellikle
DetaylıÖZDEĞERLER- ÖZVEKTÖRLER
ÖZDEĞERLER- ÖZVEKTÖRLER GİRİŞ Özdeğerler, bir matrisin orijinal yapısını görmek için kullanılan alternatif bir yoldur. Özdeğer kavramını açıklamak için öncelikle özvektör kavramı ele alınsın. Bazı vektörler
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
DetaylıSIFT Metodu ile Hedef Takibi
SIFT Metodu ile Hedef Takibi Nazım ÖZGEN 1,.Müzeyyen SARITAŞ 1 Hava Kuvvetleri Komutanlığı, Çankaya, ANKARA nzmzgn@gmail.com Gazi Üniversitesi, Elektrik-Elektronik Mühendisliği Böl., Maltepe-ANKARA muzeyyen@gazi.edu.tr
DetaylıFotogrametrinin Optik ve Matematik Temelleri
Fotogrametrinin Optik ve Matematik Temelleri Resim düzlemi O : İzdüşüm (projeksiyon ) merkezi P : Arazi noktası H : Asal nokta N : Nadir noktası c : Asal uzaklık H OH : Asal eksen (Alım ekseni) P OP :
DetaylıTOPSIS yönteminin adımları 5 Adım 1. Normalize karar matrisinin oluşturulması 6 Karar matrisinin normalizasyonu aşağıdaki formül kullanılarak yapılır:
Giriş 2 TOPSIS Bölüm 5 TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) 1981 yılında Hwang ve Yoon tarafından geliştirilmiştir. Uygulanması basit, ulaşılan sonuçlar çok gerçekçidir.
DetaylıÇekişmeli Üretici Ağlar Kullanarak Dış Mekan Görüntülerinin Geçici Niteliklerini Düzenleme
Çekişmeli Üretici Ağlar Kullanarak Dış Mekan Görüntülerinin Geçici Niteliklerini Düzenleme Adjusting Transient Attributes of Outdoor Images using Generative Adversarial Networks Levent Karacan, Aykut Erdem,
DetaylıYüz Bulma ve Tanıma Sistemi
Yüz Bulma ve Tanıma Sistemi M. AKÇAY 1, Naciye Nur SARIBEY 2 1,2 Dumlupınar Üniversitesi, Bilgisayar Mühendisliği Bölümü, KÜTAHYA Makcay26@dpu.edu.tr, nnursaribey@gmail.com Özet: Günümüzde yüz tanıma sistemlerine
DetaylıHafta 5 Uzamsal Filtreleme
BLM429 Görüntü İşlemeye Giriş Hafta 5 Uzamsal Filtreleme Yrd. Doç. Dr. Caner ÖZCAN If the facts don't fit the theory, change the facts. ~Einstein İçerik 3. Yeğinlik Dönüşümleri ve Uzamsal Filtreleme Temel
DetaylıÖrneklemden elde edilen parametreler üzerinden kitle parametreleri tahmin edilmek istenmektedir.
ÇIKARSAMALI İSTATİSTİKLER Çıkarsamalı istatistikler, örneklemden elde edilen değerler üzerinde kitleyi tanımlamak için uygulanan istatistiksel yöntemlerdir. Çıkarsamalı istatistikler; Tahmin Hipotez Testleri
DetaylıMIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009
MIT OpenCourseWare http://ocw.mit.edu 14.30 Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009 Bu materyale atıfta bulunmak ve kullanım koşulları için http://ocw.mit.edu/terms sayfasını ziyaret ediniz.
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
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Sınıflandırıcıların Değerlendirilmesi Skorlar Karışıklık matrisi Accuracy Precision Recall
DetaylıBüyük boyutun laneti (Curse of Dimensionality)
Büyük boyutun laneti (Curse of Dimensionality) p Veri boyutu arttıkça örnekler (noktalar) uzay içinde çok fazla dağınık hale gelir. p Noktaların yoğunluğu ya da aralarındaki uzaklık bir çok problem için
DetaylıKolektif Öğrenme Metotları
Kolektif Öğrenme Metotları Kolektif öğrenme algoritmalarına genel bakış 1-Bagging 2-Ardışık Topluluklarla Öğrenme (Boosting) 3-Rastsal Altuzaylar 4-Rastsal Ormanlar 5-Aşırı Rastsal Ormanlar 6-Rotasyon
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
Detaylı2.1 Gri Düzey Eş Oluşum Matrisi ( GLCM) Gri düzey eş oluşum matrisi Haralick tarafından öne sürülmüştür [1]. Đstatistiksel doku analizi yöntemidir.
ÇELĐK YÜZEYLERĐN SINIFLANDIRILMASI * Cem ÜNSALAN ** Aytül ERÇĐL * Ayşın ERTÜZÜN *Boğaziçi Üniversitesi, Elektrik-Elektronik Mühendisliği Bölümü unsalan@boun.edu.tr **Boğaziçi Üniversitesi, Endüstri Mühendisliği
DetaylıBÖLÜM-II ERDAS IMAGINE TEMEL KISIM1: IMAGINE VIEWER 1
BÖLÜM-II ERDAS IMAGINE TEMEL KISIM1: IMAGINE VIEWER 1 KISIM 1 ERDAS IMAGINE VIEWER KULLANIMI KISIM1: IMAGINE VIEWER 2 GİRİŞ TERMİNOLOJİ GÖRÜNTÜ NEDİR? UZAKTAN ALGILAMA GÖRÜNTÜLERİN GÖRÜNÜŞÜ GEOMETRİK DÜZELTME
DetaylıKUADRATİK FORM. Tanım: Kuadratik Form. Bir q(x 1,x 2,,x n ) fonksiyonu
KUADRATİK FORMLAR KUADRATİK FORM Tanım: Kuadratik Form Bir q(x,x,,x n ) fonksiyonu q x : n şeklinde tanımlı ve x i x j bileşenlerinin doğrusal kombinasyonu olan bir fonksiyon ise bir kuadratik formdur.
DetaylıBölüm 6 Görüntü Onarma ve Geriçatma
BLM429 Görüntü İşlemeye Giriş Bölüm 6 Görüntü Onarma ve Geriçatma Dr. Öğr. Üyesi Caner ÖZCAN Gördüğümüz şeyler tek başlarına ne gördüğümüz değildir... Hislerimizin algı yeteneğinden ayrı olarak nesnelerin
DetaylıMAK 210 SAYISAL ANALİZ
MAK 210 SAYISAL ANALİZ BÖLÜM 6- İSTATİSTİK VE REGRESYON ANALİZİ Doç. Dr. Ali Rıza YILDIZ 1 İSTATİSTİK VE REGRESYON ANALİZİ Bütün noktalardan geçen bir denklem bulmak yerine noktaları temsil eden, yani
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
DetaylıVERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr İçerik Sınıflandırma yöntemleri Karar ağaçları ile sınıflandırma Entropi Kavramı ID3 Algoritması C4.5
DetaylıÖrüntü Tanıma (EE 448) Ders Detayları
Örüntü Tanıma (EE 448) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Örüntü Tanıma EE 448 Bahar 3 0 0 3 5 Ön Koşul Ders(ler)i Dersin Dili Dersin Türü Dersin
DetaylıDeneysel Yöntem. Yaşar Tonta H.Ü. BBY yunus.hacettepe.edu.tr/~tonta/courses/fall2007/sb5002/ SB5002 SLIDE 1
Deneysel Yöntem Yaşar Tonta H.Ü. BBY tonta@hacettepe.edu.tr yunus.hacettepe.edu.tr/~tonta/courses/fall2007/sb5002/ SB5002 SLIDE 1 Babbie, Bölüm 8: Deneyler Deneye uygun konular Klasik deney Deneklerin
DetaylıZahmetsiz örüntü tanıma: Nokta bulutlarının karşılaştırılması yoluyla veri-tabanlı ve parametresiz istatistiksel öğrenme
Zahmetsiz örüntü tanıma: Nokta bulutlarının karşılaştırılması yoluyla veri-tabanlı ve parametresiz istatistiksel öğrenme Doç. Dr. Bilge Karaçalı Biyomedikal Veri İşleme Laboratuvarı Elektrik-Elektronik
Detaylı2.1 Bir Sınıfı Örneklerinden Öğrenme... 15 2.2 Vapnik-Chervonenkis (VC) Boyutu... 20 2.3 Olası Yaklaşık Doğru Öğrenme... 21
İçindekiler Önsöz İkinci Basım için Önsöz Türkçe Çeviri için Önsöz Gösterim xiii xv xvii xix 1 Giriş 1 1.1 Yapay Öğrenme Nedir?......................... 1 1.2 Yapay Öğrenme Uygulamalarına Örnekler...............
DetaylıYrd. Doç. Dr. Aycan M. MARANGOZ. BEÜ MÜHENDİSLİK FAKÜLTESİ GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ JDF336 FOTOGRAMETRİ II DERSi NOTLARI
FOTOGRAMETRİ II FOTOGRAMETRİK DEĞERLENDİRME - TEK RESİM DEĞERLENDİRMESİ BEÜ MÜHENDİSLİK FAKÜLTESİ GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ JDF336 FOTOGRAMETRİ II DERSi NOTLARI http://geomatik.beun.edu.tr/marangoz/
DetaylıBu bölümde Coulomb yasasının bir sonucu olarak ortaya çıkan Gauss yasasının kullanılmasıyla simetrili yük dağılımlarının elektrik alanlarının çok
Gauss Yasası Bu bölümde Coulomb yasasının bir sonucu olarak ortaya çıkan Gauss yasasının kullanılmasıyla simetrili yük dağılımlarının elektrik alanlarının çok daha kullanışlı bir şekilde nasıl hesaplanabileceği
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
DetaylıTeknik Belge WDR. WDR: Wide Dynamic Range Geniş Dinamik Aralık nedir? Niçin Önemlidir? elektronik-guvenlik.com SECURITURK
Teknik Belge: WDR: Wide Dynamic Range nedir? Niçin Önemlidir? 1 / 10 Teknik Belge WDR WDR: Wide Dynamic Range Geniş Dinamik Aralık nedir? Niçin Önemlidir? 2018 elektronik-guvenlik.com Teknik Belge: WDR:
DetaylıYOĞUN GÖRÜNTÜ EŞLEME ALGORİTMALARI İLE ÜRETİLEN YÜKSEK ÇÖZÜNÜRLÜKLÜ SAYISAL YÜZEY MODELİ ÜRETİMİNDE KALİTE DEĞERLENDİRME VE DOĞRULUK ANALİZİ
YOĞUN GÖRÜNTÜ EŞLEME ALGORİTMALARI İLE ÜRETİLEN YÜKSEK ÇÖZÜNÜRLÜKLÜ SAYISAL YÜZEY MODELİ ÜRETİMİNDE KALİTE DEĞERLENDİRME VE DOĞRULUK ANALİZİ Naci YASTIKLI a, Hüseyin BAYRAKTAR b a Yıldız Teknik Üniversitesi,
DetaylıGörüntü 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
DetaylıBULANIK MANTIK ile KONTROL
BULANIK MANTIK ile KONTROL AFYON KOCATEPE ÜNİVERSİTESİ Bulanık mantığın temel prensipleri: Bulanık küme sözel değişkenleri göstermek için kullanılır. Az sıcak, biraz soğuk gibi bulanık mantık üyelik fonksiyonları
DetaylıCebir 1. MIT Açık Ders Malzemeleri
MIT Açık Ders Malzemeleri http://ocw.mit.edu 18.701 Cebir 1 2007 Güz Bu malzemeden alıntı yapmak veya Kullanım Şartları hakkında bilgi almak için http://ocw.mit.edu/terms ve http://tuba.acikders.org.tr
DetaylıBoyut: Belirli bir doğrultuda ölçülmüş bir büyüklüğü ifade etmek için kullanılan geometrik bir terim.
FRAKTALLAR 1 2 * 3 Boyut: Belirli bir doğrultuda ölçülmüş bir büyüklüğü ifade etmek için kullanılan geometrik bir terim. Bir nokta «sıfır boyutlu» ludur. Doğrusal nokta toplulukları «bir boyutlu» bir doğru
DetaylıKümülatif Dağılım Fonksiyonları. F X (x) = P (X x) = P X (x) = P (X x) = p X (x ) f X (x) = df X(x) dx
Kümülatif Dağılım Fonksiyonları Herhangi bir rastgele değişken için kümülatif dağılım fonksiyonu/cumulative distribution function (KDF/CDF) şu şekilde tanımlanır. F X (x) = P (X x) = x f X (x ) dx Sürekli
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 Zenginleştirme Spektral Dönüşümler Spektral dönüşümler Kontrast zenginleştirme Doğrusal/Lineer
Detaylı9. SINIF Geometri TEMEL GEOMETRİK KAVRAMLAR
TEMEL GEOMETRİK KAVRAMLAR 9. SINIF Geometri Amaç-1: Nokta, Doğru, Düzlem, Işın ve Uzayı Kavrayabilme. 1. Nokta, doğru, düzlem ve uzay kavramlarım açıklama. 2. Farklı iki noktadan geçen doğru sayışım söyleme
DetaylıMath 103 Lineer Cebir Dersi Final Sınavı
Haliç Üniversitesi, Uygulamalı Matematik Bölümü Math 3 Lineer Cebir Dersi Final Sınavı 3 Araliık 7 Hazırlayan: Yamaç Pehlivan Başlama saati: : Bitiş Saati: 3:4 Toplam Süre: Dakika Lütfen adınızı ve soyadınızı
DetaylıREGRESYON ANALİZİ VE UYGULAMA. Yrd. Doç. Dr. Hidayet Takcı
REGRESYON ANALİZİ VE UYGULAMA Yrd. Doç. Dr. Hidayet Takcı htakci@cumhuriyet.edu.tr Sunum içeriği Bu sunumda; Lojistik regresyon konu anlatımı Basit doğrusal regresyon problem çözümleme Excel yardımıyla
DetaylıTemel Kavramlar. (r) Sıfırdan farklı kompleks sayılar kümesi: C. (i) Rasyonel sayılar kümesi: Q = { a b
Bölüm 1 Temel Kavramlar Bu bölümde bağıntı ve fonksiyon gibi bazı temel kavramlar üzerinde durulacak, tamsayıların bazı özellikleri ele alınacaktır. Bu çalışma boyunca kullanılacak bazı kümelerin gösterimleri
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
DetaylıBölüm 2: Kuvvet Vektörleri. Mühendislik Mekaniği: Statik
Bölüm 2: Kuvvet Vektörleri Mühendislik Mekaniği: Statik Hedefler Kuvvetleri toplama, bileşenlerini ve bileşke kuvvetlerini Paralelogram Kuralı kullanarak belirleme. Diktörtgen (Cartesian) koordinat sistemi
DetaylıAKÜ TEKNOLOJİ FAKÜLTESİ MEKATRONİK MÜHENDİSLİĞİ BÖLÜMÜ
GÖRÜNTÜ İŞLEME DERS-12 YARDIMCI NOTLARI -2018 ÇALIŞMA SORULARI Soru 1: (256x256) boyutlarında gri seviye bir görüntü dosyası olan cameraman.tif dosyasını Matlab ortamında 4 eşit parçaya bölünüz. Her bir
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimsiz Öğrenmenin Temelleri Kümeleme Uzaklık Fonksiyonları Öklid Uzaklığı Manhattan
DetaylıBilgisayarla Fotogrametrik Görme
Bilgisayarla Fotogrametrik Görme Dijital Görüntü ve Özellikleri Yrd. Doç. Dr. Mustafa DİHKAN 1 Dijital görüntü ve özellikleri Siyah-beyaz resimler için değer elemanları 0-255 arasındadır. 256 farklı durum
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
DetaylıMühendislik Mekaniği Statik. Yrd.Doç.Dr. Akın Ataş
Mühendislik Mekaniği Statik Yrd.Doç.Dr. Akın Ataş Bölüm 2 Kuvvet Vektörleri Kaynak: Mühendislik Mekaniği: Statik, R.C.Hibbeler, S.C.Fan, Çevirenler: A. Soyuçok, Ö.Soyuçok. 2 Kuvvet Vektörleri Bu bölümde,
DetaylıDijital (Sayısal) Fotogrametri
Dijital (Sayısal) Fotogrametri Dijital fotogrametri, cisimlere ait iki boyutlu görüntü ortamından üç boyutlu bilgi sağlayan, sayısal resim veya görüntü ile çalışan fotogrametri bilimidir. Girdi olarak
DetaylıYazarlar hakkında Editör hakkında Teşekkür
İÇİNDEKİLER Yazarlar hakkında Editör hakkında Teşekkür XIII XIV XV Giriş 1 Kitabın amaçları 1 Öğretmen katkısı 2 Araştırma katkısı 2 Yansıma için bir ara 3 Sınıf etkinlikleri 3 Terminoloji üzerine bir
DetaylıBölüm 7 Renkli Görüntü İşleme
BLM429 Görüntü İşlemeye Giriş Bölüm 7 Renkli Görüntü İşleme Dr. Öğr. Üyesi Caner ÖZCAN Genç sanatçının, rengin sadece tanımlayıcı değil aynı zamanda kişisel ifade anlamına geldiğini anlaması renge dokunmasından
DetaylıTanımlar, Geometrik ve Matemetiksel Temeller. Yrd. Doç. Dr. Saygın ABDİKAN Yrd. Doç. Dr. Aycan M. MARANGOZ. JDF329 Fotogrametri I Ders Notu
FOTOGRAMETRİ I Tanımlar, Geometrik ve Matemetiksel Temeller Yrd. Doç. Dr. Saygın ABDİKAN Yrd. Doç. Dr. Aycan M. MARANGOZ JDF329 Fotogrametri I Ders Notu 2015-2016 Öğretim Yılı Güz Dönemi İçerik Tanımlar
DetaylıGörüntü 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
DetaylıCCD KAMERA KULLANARAK SAYISAL GÖRÜNTÜ İŞLEME YOLUYLA GERÇEK ZAMANLI GÜVENLİK UYGULAMASI
CCD KAMERA KULLANARAK SAYISAL GÖRÜNTÜ İŞLEME YOLUYLA GERÇEK ZAMANLI GÜVENLİK UYGULAMASI Serhan COŞAR serhancosar@yahoo.com Oğuzhan URHAN urhano@kou.edu.tr M. Kemal GÜLLÜ kemalg@kou.edu.tr İşaret ve Görüntü
DetaylıEME 3117 SİSTEM SIMÜLASYONU. Girdi Analizi. Özet İstatistikler ve Histogram (Minitab)(1) Örnek: Eczane İçin Servis Süreleri
EME 3117 1 2 Girdi Analizi SİSTEM SIMÜLASYONU Modellenecek sistemi (prosesi) dokümante et. Veri toplamak için bir plan geliştir. Veri topla. Verilerin grafiksel ve istatistiksel analizini yap. Girdi Analizi-I
DetaylıBilgisayar Grafikleri
Bilgisayar Grafikleri Konular: Cismin Tanımlanması Bilindiği gibi iki boyutta noktalar x ve y olmak üzere iki boyutun koordinatları şeklinde ifade edilirler. Üç boyutta da üçüncü boyut olan z ekseni üçücü
DetaylıYrd. Doç. Dr. Aycan M. MARANGOZ. BEÜ MÜHENDİSLİK FAKÜLTESİ GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ JDF329 FOTOGRAMETRİ I DERSi NOTLARI
FOTOGRAMETRİ I GEOMETRİK ve MATEMATİK TEMELLER Yrd. Doç. Dr. Aycan M. MARANGOZ BEÜ MÜHENDİSLİK FAKÜLTESİ GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ JDF329 FOTOGRAMETRİ I DERSi NOTLARI http://geomatik.beun.edu.tr/marangoz/
DetaylıMEH535 Örüntü Tanıma
MEH535 Örünü Tanıma 4. Paramerik Sınıflandırma Doç.Dr. M. Kemal GÜLLÜ Elekronik ve Haberleşme Mühendisliği Bölümü web: hp://akademikpersonel.kocaeli.edu.r/kemalg/ E-posa: kemalg@kocaeli.edu.r Paramerik
DetaylıAMAÇ Araçlardaki Kamera Sistemleri
SUNU PLANI AMAÇ OPEN CV GÖRÜNTÜ EŞİKLEME KENAR BULMA ŞEKİL BULMA GÖRÜNTÜ GENİŞLETME VE BOZMA GÖRÜNTÜ DOLDURMA AFFİNE DÖNÜŞÜMÜ PERSPEKTİF DÖNÜŞÜM KUŞ BAKIŞI GÖRÜNTÜ DÖNÜŞÜMÜ AMAÇ Araçlardaki Kamera Sistemleri
DetaylıGörüntü İşleme Dersi Ders-8 Notları
Görüntü İşleme Dersi Ders-8 Notları GRİ SEVİYE DÖNÜŞÜMLERİ Herhangi bir görüntü işleme operasyonu, görüntüdeki pikselin gri seviye değerlerini dönüştürme işlemidir. Ancak, görüntü işleme operasyonları;
DetaylıBilgisayar ne elde eder (görüntüden)? Dijital Görüntü İşleme Fevzi Karslı, KTÜ. 08 Ekim 2013 Salı 51
Bilgisayar ne elde eder (görüntüden)? 08 Ekim 2013 Salı 51 Zorluk 1: bakış açısı 2012, Selim Aksoy 08 Ekim 2013 Salı 52 Zorluk 2: aydınlatma 08 Ekim 2013 Salı 53 Zorluk 3: oklüzyon (ölü bölge oluşumu)
DetaylıİÇİNDEKİLER. BÖLÜM 1 Değişkenler ve Grafikler 1. BÖLÜM 2 Frekans Dağılımları 37
İÇİNDEKİLER BÖLÜM 1 Değişkenler ve Grafikler 1 İstatistik 1 Yığın ve Örnek; Tümevarımcı ve Betimleyici İstatistik 1 Değişkenler: Kesikli ve Sürekli 1 Verilerin Yuvarlanması Bilimsel Gösterim Anlamlı Rakamlar
DetaylıOPSİYONLARDAN KAYNAKLANAN PİYASA RİSKİ İÇİN STANDART METODA GÖRE SERMAYE YÜKÜMLÜLÜĞÜ HESAPLANMASINA İLİŞKİN TEBLİĞ
Resmi Gazete Tarihi: 28.06.2012 Resmi Gazete Sayısı: 28337 OPSİYONLARDAN KAYNAKLANAN PİYASA RİSKİ İÇİN STANDART METODA GÖRE SERMAYE YÜKÜMLÜLÜĞÜ HESAPLANMASINA İLİŞKİN TEBLİĞ BİRİNCİ BÖLÜM Amaç ve Kapsam,
DetaylıYrd. Doç. Dr. Aycan M. MARANGOZ. BEÜ MÜHENDİSLİK FAKÜLTESİ GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ JDF329 FOTOGRAMETRİ I DERSi NOTLARI
FOTOGRAMETRİ I GEOMETRİK ve MATEMATİK TEMELLER Yrd. Doç. Dr. Aycan M. MARANGOZ BEÜ MÜHENDİSLİK FAKÜLTESİ GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ JDF329 FOTOGRAMETRİ I DERSi NOTLARI http://geomatik.beun.edu.tr/marangoz/
DetaylıTEKSTİL SEKTÖRÜNDE ÖRGÜT KÜLTÜRÜNÜN ÖĞRENEN ÖRGÜTE OLAN ETKİSİ
T.C. İSTANBUL TİCARET ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ, İŞLETME ANABİLİM DALI İŞLETME DOKTORA PROGRAMI TEKSTİL SEKTÖRÜNDE ÖRGÜT KÜLTÜRÜNÜN ÖĞRENEN ÖRGÜTE OLAN ETKİSİ Doktora Tezi Araştırma Önerisi
DetaylıHafta 3 Görüntü İşleme ile İlgili Temel Kavramlar
BLM429 Görüntü İşlemeye Giriş Hafta 3 Görüntü İşleme ile İlgili Temel Kavramlar Yrd. Doç. Dr. Caner ÖZCAN Those who wish to succeed must ask the right preliminary questions. (Başarmak isteyenler doğru
DetaylıDENGELEME HESABI-I DERS NOTLARI
DENGELEME HESABI-I DERS NOTLARI Dengeleme Hesabı Adımları, En Küçük Kareler İlkesine Giriş, Korelasyon Prof. Dr. Mualla YALÇINKAYA Yrd. Doç. Dr. Emine TANIR KAYIKÇI Karadeniz Teknik Üniversitesi, Harita
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,
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
Detaylıİleri Diferansiyel Denklemler
MIT AçıkDersSistemi http://ocw.mit.edu 18.034 İleri Diferansiyel Denklemler 2009 Bahar Bu bilgilere atıfta bulunmak veya kullanım koşulları hakkında bilgi için http://ocw.mit.edu/terms web sitesini ziyaret
DetaylıŞimdi de [ ] vektörünün ile gösterilen boyu veya büyüklüğü Pisagor. teoreminini iki kere kullanarak
10.Konu İç çarpım uzayları ve özellikleri 10.1. ve üzerinde uzunluk de [ ] vektörünün ile gösterilen boyu veya büyüklüğü Pisagor teoreminden dir. 1.Ö.: [ ] ise ( ) ( ) ve ( ) noktaları gözönüne alalım.
DetaylıPSK 510 Research Methods and Advanced Statistics
PSK 510 Research Methods and Advanced Statistics Lecture 09: PCA and FA Doğan Kökdemir, PhD http://www.kokdemir.info dogan@kokdemir.info 1 İstatistik Las Meninas - Picasso 2 Gerçek Las Meninas - Diego
DetaylıGÖRÜNTÜ İŞLEME - (7.Hafta) KENAR BELİRLEME ALGORİTMALARI
GÖRÜNTÜ İŞLEME - (7.Hafta) KENAR BELİRLEME ALGORİTMALARI Bu konuda bir çok algoritma olmasına rağmen en yaygın kullanılan ve etkili olan Sobel algoritması burada anlatılacaktır. SOBEL FİLTRESİ Görüntüyü
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
DetaylıVERİ MADENCİLİĞİ (Veri Ön İşleme-2) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Veri Ön İşleme-2) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma Kümeleme
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
Detaylı