Görüntü Segmentasyonu (Bölütleme)
|
|
- Batur Odabaşı
- 8 yıl önce
- İzleme sayısı:
Transkript
1 Görüntü Segmentasyonu (Bölütleme) Segmentasyon, görüntüyü aynı cinsten obje ve bölgelere ayırmaktır. 20 Aralık 2014 Cumartesi 1
2 Görüntü Segmentasyonu 20 Aralık 2014 Cumartesi 2
3 Gestalt kanunları Görüntü üzerindeki elemanların/parçaların bir grup olup olmamasına dair bir çok faktör etkili olmaktadır. Yakınlık (Proximity) Benzerlik (Similarity) Ortak/genel/yaygın kader (Common fate) Ortak bölge (Common region) Paralellik (Parallelism) Kapalılık/yakınlık(Closure) Simetri (Symmetry) Süreklilik (Continuity) Bilinen yapılanma/konfigürasyon (Familiar configuration) 20 Aralık 2014 Cumartesi 3
4 Gestalt kanunları (bütüncül yaklaşım) 20 Aralık 2014 Cumartesi 4
5 Gestalt kanunları Benzerlik Simetri 20 Aralık 2014 Cumartesi 5
6 Gestalt kanunları Yakınlık Ortak kader 20 Aralık 2014 Cumartesi 6
7 Otomatik eşikleme Süreklilik 20 Aralık 2014 Cumartesi 7
8 Görüntü segmentasyonu Görüntü segmentasyonu, görüntü üzerinde aynı özellikteki pikselleri parçalar halinde bir araya toplamaktır, resmi belli bölgelere ayırmaktır. Segmentasyon kriteri: I görüntüsünü S bölgelerine ayırma. 1. S i = S Parçalar bütün görüntüyü kaplar. 2. S i S j =, i j Bölgeler kesişmez. 3. S i, P(S i ) = true Homojenlik her bölge için sağlanır. 4. P(S i S j ) = false, Komşu bölge birleşimleri sağlanmamış. i j, S i adjacent S j 20 Aralık 2014 Cumartesi 8
9 Görüntü segmentasyonu Yapılması gereken bölgeler arasındaki benzerliğin tanımlanması ve uygulanmasıdır. Örnek yaklaşımlar: Histogram tabanlı (Histogram-based) Kümeleme tabanlı (Clustering-based) Bölge büyütme (Region growing) Ayırma ve birleştirme (Split-and-merge) Morfolojik (Morphological) 20 Aralık 2014 Cumartesi 9
10 Histogram tabanlı segmentasyon Bu görüntüde kaç tane turuncu piksel vardır? Bu tür sorular histograma bakılarak ve incelenerek cevaplandırılabilir. 20 Aralık 2014 Cumartesi 10
11 Histogram tabanlı segmentasyon Burada kaç tane mod vardır? Burada çözüm renk sayısını K gibi bir değere düşürerek ona yakın renkler atanarak yapılır. İki renk kullanılırsa çözüm üretilebilir. 20 Aralık 2014 Cumartesi 11
12 Kümeleme tabanlı segmentasyon Temsili renkler nasıl seçilir? Bu bir kümeleme problemidir. K-means algoritması kümeleme için kullanılabilir Aralık 2014 Cumartesi 12
13 Kümeleme tabanlı segmentasyon Renklerin K-means ile kümelenmesi 20 Aralık 2014 Cumartesi 13
14 Kümeleme tabanlı segmentasyon Kümeleme, renk bilgisine ilaveten diğer detaylarda (doku gibi) dikkate alınarak yapılabilir. Orjinal görüntü Renk bölgesi Doku bölgesi 20 Aralık 2014 Cumartesi 14
15 Ortalama kayma (Mean shift) algoritması Mean shift algoritması özelik (feature) uzayında lokal maksimum veya modları araştırır. Görüntü Özelik uzayı 20 Aralık 2014 Cumartesi 15
16 Mean shift algoritması Araştırma penceresi Kütle merkezi Mean Shift vektörü 20 Aralık 2014 Cumartesi 16
17 Mean shift algoritması Araştırma penceresi Kütle merkezi Mean Shift vektörü 20 Aralık 2014 Cumartesi 17
18 Mean shift algoritması Araştırma penceresi Kütle merkezi Mean Shift vektörü 20 Aralık 2014 Cumartesi 18
19 Mean shift algoritması Araştırma penceresi Kütle merkezi Mean Shift vektörü 20 Aralık 2014 Cumartesi 19
20 Mean shift algoritması Araştırma penceresi Kütle merkezi Mean Shift vektörü 20 Aralık 2014 Cumartesi 20
21 Mean shift algoritması Araştırma penceresi Kütle merkezi Mean Shift vektörü 20 Aralık 2014 Cumartesi 21
22 Mean shift segmentasyon Detaylar/özellik bulunur (renk, eğim, doku vb.) Başlangıç penceresi oluşturulur Her bir pencere için mean shift hesaplanır Pencereler peak yada modlarla eşleştirilir. 20 Aralık 2014 Cumartesi 22
23 Mean shift segmentasyon 20 Aralık 2014 Cumartesi 23
24 Mean shift segmentasyon 20 Aralık 2014 Cumartesi 24
25 Bölge/alan büyütme (Region growing) Region growing tekniği potansiyel bölge içinde bir pikselle başlar ve komşu piksellerin benzerliği test edilerek büyütülür. İlk piksel veya belli sayıda (seed) başlangıç pikseli manuel yada otomatik olarak görüntü üzerinden seçilir. Başlangıç pikseli ile küme pikseller arasında benzerlik ölçüsü tanımlanmalıdır ki büyümenin ana kriteri budur. 20 Aralık 2014 Cumartesi 25
26 Bölge/alan büyütme (Region growing) Genellikle, hangi pikselin bölgeye ekleneceğine bir istatistiksel test ile karar verilir. Bölge benzer istatistiğe sahip bir popülasyondur. İstatistiksel test ile komşu yada kenar pikselin bölgedeki popülasyona uyup uymadığı test edilir. R, N pikselli bir bölge, p ise y gri değerli ve bu bölgeye komşu piksel olsun. Ortalama X ve örnek varyans S 2 ile tanımlansın. 1 N X I(r,c) 2 S I(r,c)- X 2 (r,c) R 1 N (r,c) R 20 Aralık 2014 Cumartesi 26
27 Bölge/alan büyütme (Region growing) T istatistik değeri aşağıdaki formül ile tanımlansın. T (N 1)N (p (N 1) X) 2 /S 2 Eğer R bölgesi ve p pikseli bağımsız ve Gauss dağılımına uygunsa, T N-1 dağılımına uygundurlar denilebilir. 1/2 20 Aralık 2014 Cumartesi 27
28 Bölge/alan büyütme (Region growing) T dağılım için, istatistik tabloda olasılık değeri belli güven aralığı ve serbestlik derecesi için Pr(T t) dir. Buradan, pik değeri t olarak alınır. Eğer T t ise p pikseli R bölgesine eklenir, ortalama ve varyans yeniden hesaplanır. Eğer T büyük ise, p ilgili R bölgesine dahil edilmez, yeni bir bölge seçilerek işlem yenilenir. 20 Aralık 2014 Cumartesi 28
29 Bölge/alan büyütme (Region growing) region-growing-2d3d-grayscale region-growing 20 Aralık 2014 Cumartesi 29
30 Bölme ve birleştirme (split and merge) 1. Bütün görüntü ile başlanır. 2. Eğer varyans çok büyükse, görüntü parçalara (kadran) ayrılır. 3. Yeterince benzer bölgeler birleştirilir ve 3 adımları, bölünme ve birleşmenin olmadığı duruma kadar tekrarlanır. 20 Aralık 2014 Cumartesi 30
31 Bölme ve birleştirme (split and merge) 20 Aralık 2014 Cumartesi 31
32 Bölme ve birleştirme (split and merge) 20 Aralık 2014 Cumartesi 32
33 Havza (watershed) segmentasyon Görüntü, vadi ve dağları içeren topoğrafik bir yüzey olarak değerlendirilir. 3 tip nokta ele alınır: Bölgesel minimumdaki noktalar. Toplama havuzundaki noktalar. catchment basins Havza kenarındaki noktalar. watershed lines 20 Aralık 2014 Cumartesi 33
34 Havza (watershed) segmentasyon 20 Aralık 2014 Cumartesi 34
35 Havza (watershed) segmentasyon 20 Aralık 2014 Cumartesi 35
36 Havza (watershed) segmentasyon bw Distance transform of ~bw Watershed transform of D İkili görüntü Mesafe transformasyonu uygulanmış görüntü Watershed segmentasyon 20 Aralık 2014 Cumartesi 36
37 Havza (watershed) segmentasyon Bir hücre görüntüsü Hücre görüntüsü eğimi (gradient) 20 Aralık 2014 Cumartesi 37
38 Havza (watershed) segmentasyon Hücre görüntüsü, çok ölçekli watershed segmentasyon 20 Aralık 2014 Cumartesi 38
39 The end Hope to see you in the next future Dr. F. Karslı 20 Aralık 2014 Cumartesi 39
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
DetaylıYZM 3217 YAPAY ZEKA DERS#10: KÜMELEME
YZM 317 YAPAY ZEKA DERS#10: KÜMELEME Sınıflandırma (Classification) Eğiticili (supervised) sınıflandırma: Sınıflandırma: Sınıf sayısı ve bir grup örneğin hangi sınıfa ait olduğunu bilinir Eğiticisiz (unsupervised)
DetaylıİSTATİSTİK. Bölüm 1 Giriş. Ankara Üniversitesi SBF İstatistik 1 Ders Notları Prof. Dr. Onur Özsoy 4/4/2018
İSTATİSTİK Bölüm 1 Giriş 1 Bu Bölümde Anlatılacak Konular Bir Yönetici Neden İstatistik Bilmeli? Modern İstatistiğin Gelişimi İstatistiksel Düşünce ve Yönetim Tanımsal ve Yargısal İstatistik Data Türleri
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
DetaylıAnkara Üniversitesi, SBF İstatistik 2 Ders Notları Prof. Dr. Onur Özsoy 1
Ankara Üniversitesi, SBF İstatistik 2 Ders Notları Prof. Dr. Onur Özsoy 1 Population Belirli bir konudaki verilerin tamamıdır. Örnek Populasyonun belirli bir kesitidir. Parametre Populasyonla ilgili tanımsal
DetaylıOBJECT GENERATOR 2014
OBJECT GENERATOR 2014 GİRİŞ Sonlu elemanlar modellemesindeki Mechanical ortamında temas tanımlanması, bağlantı elemanı, mesh kontrolü veya yük girdilerinin uygulanması aşamasında çoklu bir yüzey varsa
Detaylıİkili (Binary) Görüntü Analizi
İkili (Binary) Görüntü Analizi İkili görüntü analizine giriş Eşikleme (Thresholding) Matematiksel morfoloji Piksel ve komşulukları (neighborhoods) Bağlantılı bileşenler analizi (Connected components analysis)
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
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
Detaylıİkili (Binary) Görüntü Analizi
İkili (Binary) Görüntü Analizi İkili görüntü analizine giriş Eşikleme (Thresholding) Matematiksel morfoloji Piksel ve komşulukları (neighborhoods) Bağlantılı bileşenler analizi (Connected components analysis)
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
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
DetaylıKümeler arası. Küme içi. uzaklıklar. maksimize edilir. minimize edilir
Kümeleme Analizi: Temel Kavramlar ve Algoritmalar Kümeleme Analizi Nedir? Her biri bir dizi öznitelik ile, veri noktalarının bir kümesi ve noktalar arasındaki benzerliği ölçen bir benzerlik ölçümü verilmiş
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)
Detaylıİmage segmentasyon (Görüntü Bölütleme)
İmage segmentasyon (Görüntü Bölütleme) Segmantasyon (Bölütleme) Segmentasyon genellikle görüntü analizinin ilk aşamasıdır. Görüntü bölütleme, bir görüntüyü her biri içerisinde farklı özelliklerin tutulduğu
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
DetaylıKLASİK FRAKTALLAR FRAKTAL ÖZELLİKLERİ VE BOYUT
KLASİK FRAKTALLAR FRAKTAL ÖZELLİKLERİ VE BOYUT.. KENDİNE BENZERLİK VE AFİNİTE Fraktal özelliklerinden bir diğeri de kendine benzerlikdir. Geometrik açıdan, aynı şekle sahip olan geometrik şekiller birbirine
DetaylıBÖLÜM 8 BİLGİSAYAR UYGULAMALARI - 2
1 BÖLÜM 8 BİLGİSAYAR UYGULAMALARI - 2 Bu bölümde bir veri seti üzerinde betimsel istatistiklerin kestiriminde SPSS paket programının kullanımı açıklanmaktadır. Açıklamalar bir örnek üzerinde hareketle
DetaylıİSTATİSTİK EXCEL UYGULAMA
İSTATİSTİK EXCEL UYGULAMA EXCEL UYGULAMA Bu bölümde Excel ile ilgili temel bilgiler sunulacak ve daha sonra İstatistiksel Uygulamalar hakkında bilgi verilecektir. İşlenecek Konular: Merkezi eğilim Ölçüleri
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
DetaylıBÖLÜM 6 MERKEZDEN DAĞILMA ÖLÇÜLERİ
1 BÖLÜM 6 MERKEZDEN DAĞILMA ÖLÇÜLERİ Gözlenen belli bir özelliği, bu özelliğe ilişkin ölçme sonuçlarını yani verileri kullanarak betimleme, istatistiksel işlemlerin bir boyutunu oluşturmaktadır. Temel
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
DetaylıTanımlayıcı İstatistikler. Yrd. Doç. Dr. Emre ATILGAN
Tanımlayıcı İstatistikler Yrd. Doç. Dr. Emre ATILGAN 1 Tanımlayıcı İstatistikler Yer Gösteren Ölçüler Yaygınlık Ölçüleri Merkezi Eğilim Ölçüleri Konum Ölçüleri 2 3 Aritmetik Ortalama Aritmetik ortalama,
DetaylıSPSS de Tanımlayıcı İstatistikler
SPSS de Tanımlayıcı İstatistikler Doç. Dr. Ertuğrul ÇOLAK Eskişehir Osmangazi Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı SPSS programında belirtici istatistikler 4 farklı menüden yararlanılarak
DetaylıZeki Optimizasyon Teknikleri
Zeki Optimizasyon Teknikleri Ara sınav - 25% Ödev (Haftalık) - 10% Ödev Sunumu (Haftalık) - 5% Final (Proje Sunumu) - 60% - Dönem sonuna kadar bir optimizasyon tekniğiyle uygulama geliştirilecek (Örn:
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
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
Detaylı3.2. Raster Veriler. Satırlar. Sütunlar. Piksel/hücre büyüklüğü
3.2. Raster Veriler Satırlar Piksel/hücre büyüklüğü Sütunlar 1 Görüntü formatlı veriler Her piksel için gri değerleri kaydedilmiştir iki veya üç bant (RGB) çok sayıda bant Fotoğraf, uydu görüntüsü, ortofoto,
DetaylıTMMOB Harita ve Kadastro Mühendisleri Odası Ulusal Coğrafi Bilgi Sistemleri Kongresi 30 Ekim 02 Kasım 2007, KTÜ, Trabzon
TMMOB Harita ve Kadastro Mühendisleri Odası Ulusal Coğrafi Bilgi Sistemleri Kongresi 30 Ekim 02 Kasım 2007, KTÜ, Trabzon Lazer Tarama Verilerinden Bina Detaylarının Çıkarılması ve CBS İle Entegrasyonu
DetaylıFonksiyon Optimizasyonunda Genetik Algoritmalar
01-12-06 Ümit Akıncı Fonksiyon Optimizasyonunda Genetik Algoritmalar 1 Fonksiyon Optimizasyonu Fonksiyon optimizasyonu fizikte karşımıza sık çıkan bir problemdir. Örneğin incelenen sistemin kararlı durumu
DetaylıCAEeda TM. NACA0012 KANADI ÜZERİNDE FAPeda ÇÖZÜMÜ UYGULAMASI EĞİTİM NOTU. EDA Tasarım Analiz Mühendislik
CAEeda TM NACA0012 KANADI ÜZERİNDE FAPeda ÇÖZÜMÜ UYGULAMASI EĞİTİM NOTU EDA Tasarım Analiz Mühendislik 1. Simülasyon Tanımlama Öncesi 1. Yeni bir proje oluşturmak için menü çubuğu üzerinden Dosya > Çözümağı
DetaylıYıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Bilgisayarla Görme. Vize. İris Segmentation. Selçuk BAŞAK 08501008
Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü Bilgisayarla Görme Vize İris Segmentation Selçuk BAŞAK 08501008 Not: Ödevi hazırlamak için geliştirdiğim program ve kaynak
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
DetaylıBÖLÜM 5 MERKEZİ EĞİLİM ÖLÇÜLERİ
1 BÖLÜM 5 MERKEZİ EĞİLİM ÖLÇÜLERİ Gözlenen belli bir özelliği, bu özelliğe ilişkin ölçme sonuçlarını yani verileri kullanarak betimleme, istatistiksel işlemlerin bir boyutunu oluşturmaktadır. Temel sayma
DetaylıÖrnek...4 : İlk iki sınavında 75 ve 82 alan bir öğrencinin bu dersin ortalamasını 5 yapabilmek için son sınavdan kaç alması gerekmektedir?
İSTATİSTİK Bir sonuç çıkarmak ya da çözüme ulaşabilmek için gözlem, deney, araştırma gibi yöntemlerle toplanan bilgiye veri adı verilir. Örnek...4 : İlk iki sınavında 75 ve 82 alan bir öğrencinin bu dersin
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
DetaylıJEODEZİK VERİLERİN İSTATİSTİK ANALİZİ. Prof. Dr. Mualla YALÇINKAYA
JEODEZİK VERİLERİN İSTATİSTİK ANALİZİ Prof. Dr. Mualla YALÇINKAYA Karadeniz Teknik Üniversitesi, Harita Mühendisliği Bölümü Trabzon, 2018 VERİLERİN İRDELENMESİ Örnek: İki nokta arasındaki uzunluk 80 kere
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
DetaylıBilgisayar Destekli Haritacılık 2017/ D ve Veri Değişimi. Netcad 7.6
B Bilgisayar Destekli Haritacılık 2017/2018 3D ve Veri Değişimi Netcad 7.6 Kartoğrafya Kartografya Anabilim Dalı Dalı Dalı 2018 K T Ü H a r i t a M ü h e n d i s l i ğ i 3D+: 'NETCAD 3D+', kent ve arazi
DetaylıMerkezi Eğilim ve Dağılım Ölçüleri
Merkezi Eğilim ve Dağılım Ölçüleri Soru Öğrencilerin derse katılım düzeylerini ölçmek amacıyla geliştirilen 16 soruluk bir test için öğrencilerin ilk 8 ve son 8 soruluk yarılardan aldıkları puanlar arasındaki
DetaylıEkle sekmesindeki Tablolar grubundaki Tablo seçeneği ile tablo oluşturulur.
4. EKLE SEKMESİ Ekle sekmesi Excel de tablo, grafik, köprü ve resim eklendiği sekmedir. 4.1. Tablolar Ekle sekmesindeki Tablolar grubundaki Tablo seçeneği ile tablo oluşturulur. Tablo oluşturulmak istenen
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
DetaylıMakine Öğrenmesi 2. hafta
Makine Öğrenmesi 2. hafta Uzaklığa dayalı gruplandırma K-means kümeleme K-NN sınıflayıcı 1 Uzaklığa dayalı gruplandırma Makine öğrenmesinde amaç birbirine en çok benzeyen veri noktalarını aynı grup içerisinde
DetaylıDigital Görüntü Temelleri Görüntü Oluşumu
Digital Görüntü Temelleri Görüntü Oluşumu Işık 3B yüzeye ulaşır. Yüzey yansıtır. Sensör elemanı ışık enerjisini alır. Yoğunluk (Intensity) önemlidir. Açılar önemlidir. Materyal (yüzey) önemlidir. 25 Ekim
DetaylıVERİ MADENCİLİĞİ (Veri Önişleme-1) Yrd.Doç.Dr. Kadriye ERGÜN
VERİ MADENCİLİĞİ (Veri Önişleme-1) Yrd.Doç.Dr. Kadriye ERGÜN kergun@balikesir.edu.tr Genel İçerik Veri Madenciliğine Giriş Veri Madenciliğinin Adımları Veri Madenciliği Yöntemleri Sınıflandırma Kümeleme
DetaylıRASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI. Yrd. Doç. Dr. Emre ATILGAN
RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI Yrd. Doç. Dr. Emre ATILGAN 1 RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI Olasılığa ilişkin olayların çoğunluğunda, deneme sonuçlarının bir veya birkaç yönden incelenmesi
DetaylıTANIMLAYICI İSTATİSTİKLER
TANIMLAYICI İSTATİSTİKLER Tanımlayıcı İstatistikler ve Grafikle Gösterim Grafik ve bir ölçüde tablolar değişkenlerin görsel bir özetini verirler. İdeal olarak burada değişkenlerin merkezi (ortalama) değerlerinin
DetaylıBÖLÜM 12 STUDENT T DAĞILIMI
1 BÖLÜM 12 STUDENT T DAĞILIMI 'Student t dağılımı' ya da kısaca 't dağılımı'; normal dağılım ve Z dağılımının da içerisinde bulunduğu 'sürekli olasılık dağılımları' ailesinde yer alan dağılımlardan bir
DetaylıTEMEL İSTATİSTİKİ KAVRAMLAR YRD. DOÇ. DR. İBRAHİM ÇÜTCÜ
TEMEL İSTATİSTİKİ KAVRAMLAR YRD. DOÇ. DR. İBRAHİM ÇÜTCÜ 1 İstatistik İstatistik, belirsizliğin veya eksik bilginin söz konusu olduğu durumlarda çıkarımlar yapmak ve karar vermek için sayısal verilerin
DetaylıIP Alt Ağlara Bölmek (Subnetting)
IP Alt Ağlara Bölmek (Subnetting) İçerik Giriş Tanım - Gerekçe Temel Bilgiler Oktet İkili Sayı Sistemi IP Sınıfları Network ID (Ağ Adresi) Broadcast Adresi Giriş Internet Protokolü (IP) ile haberleşen
DetaylıK En Yakın Komşu Methodu (KNearest Neighborhood)
K En Yakın Komşu Methodu (KNearest Neighborhood) K-NN algoritması, Thomas. M. Cover ve Peter. E. Hart tarafından önerilen, örnek veri noktasının bulunduğu sınıfın ve en yakın komşunun, k değerine göre
DetaylıSINIF. Yayın Planı
2014-2015 8. SINIF Yayın Planı 2014-2015 İÇİNDEKİLER 1- Bilgi Yolu Ders Anlatım Föyleri 2- Bilgi Yolu Soru Bankaları 3- Sınavlar BGS Düzey Belirleme Sınavları (DBS) BGS Düzey Kontrol Sınavları (DKS) BGS
DetaylıMühendislikte İstatistik Yöntemler
.0.0 Mühendislikte İstatistik Yöntemler İstatistik Parametreler Tarih Qma.3.98 4..98 0.3.983 45 7..984 37.3.985 48 0.4.986 67.4.987 5 0.3.988 45.5.989 34.3.990 59.4.99 3 4 34 5 37 6 45 7 45 8 48 9 5 0
Detaylıİki Ortalama Arasındaki Farkın Önemlilik Testi (Student s t Test) Ankara Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı
İki Ortalama Arasındaki Farkın Önemlilik Testi (Student s t Test) Ankara Üniversitesi Tıp Fakültesi Biyoistatistik Anabilim Dalı İki Ortalama Arasındaki Farkın Önemlilik Testi (Student s t test) Ölçümle
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
DetaylıYıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü. Bilgisayarla Görme. Proje
Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Bölümü Bilgisayarla Görme Proje Renk ve Şekil Temelli Trafik İşareti Tespiti Selçuk BAŞAK 08501008 1. Not: Ödevi hazırlamak için
DetaylıEME Sistem Simülasyonu. Girdi Analizi Prosedürü. Olasılık Çizgesi. Dağılıma Uyumun Kontrol Edilmesi. Dağılıma İyi Uyum Testleri Ders 10
EME 35 Girdi Analizi Prosedürü Sistem Simülasyonu Modellenecek sistemi (prosesi) dokümante et Veri toplamak için bir plan geliştir Veri topla Verilerin grafiksel ve istatistiksel analizini yap Dağılıma
DetaylıGenel olarak test istatistikleri. Merkezi Eğilim (Yığılma) Ölçüleri Dağılım (Yayılma) Ölçüleri. olmak üzere 2 grupta incelenebilir.
4.SUNUM Genel olarak test istatistikleri Merkezi Eğilim (Yığılma) Ölçüleri Dağılım (Yayılma) Ölçüleri olmak üzere 2 grupta incelenebilir. 2 Ranj Çeyrek Kayma Çeyrekler Arası Açıklık Standart Sapma Varyans
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık -II Prof. Dr. İrfan KAYMAZ İki Ortalama Farkının Güven Aralığı Anakütle Varyansı Biliniyorsa İki ortalama arasındaki farkın dağılımına ilişkin Z değişkeni: Güven aralığı ifadesinde
DetaylıCAEeda TM NACA0012 OLUŞTURULAN DÖRTGENE ÇÖZÜMAĞI OLUŞTURMA EĞİTİM NOTU. EDA Tasarım Analiz Mühendislik
CAEeda TM NACA0012 OLUŞTURULAN DÖRTGENE ÇÖZÜMAĞI OLUŞTURMA EĞİTİM NOTU EDA Tasarım Analiz Mühendislik KAPSAM Naca 0012 profili kullanılarak oluşturulmuş düzlem geometrisinde çözümağı üretme. MODELLEME
DetaylıExcel de çalışma alanı satır ve sütunlardan oluşur. Satırları rakamlar, sütunları ise harfler temsil eder. Excel çalışma sayfası üzerinde toplam
Microsoft Excel Microsoft Office paket programı ile bizlere sunulan Excel programı bir hesap tablosu programıdır. her türlü veriyi tablolar yada listeler halinde tutmak ve bu veriler üzerinde hesaplamalar
DetaylıKIZILÖTESİ HAVA FOTOĞRAFLARINDAN BİNA DETAYI OTOMATİK OLARAK ÇIKARIMI
KIZILÖTESİ HAVA FOTOĞRAFLARINDAN BİNA DETAYI OTOMATİK OLARAK ÇIKARIMI F. Karslı 1, M.H. Fidan 2, M. Dihkan 3 1 KTÜ, Harita Mühendisliği Bölümü, Fotogrametri Anabilim Dalı, Trabzon, fkarsli@ktu.edu.tr 2
DetaylıYrd. Doç. Dr. Fatih TOSUNOĞLU Erzurum Teknik Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü
Mühendislikte İstatistiksel Yöntemler Yrd. Doç. Dr. Fatih TOSUNOĞLU Erzurum Teknik Üniversitesi Mühendislik Fakültesi İnşaat Mühendisliği Bölümü 1 Araştırma sonuçlarının açıklanmasında frekans tablosu
DetaylıİSTATİSTİKSEL TAHMİNLEME. Örneklem istatistiklerinden hareketle ana kütle parametreleri hakkında genelleme yapmaya istatistiksel tahminleme denir.
İSTATİSTİKSEL TAHMİNLEME Örneklem istatistiklerinden hareketle ana kütle parametreleri hakkında genelleme yapmaya istatistiksel tahminleme denir. 1 ŞEKİL: Evren uzay-örneklem uzay İstatistiksel tahmin
DetaylıKoordinat Dönüşümleri (V )
KOORDİNAT DÖNÜŞÜMLERİ ve FARKLI KOORDİNAT SİSTEMLERİ İLE ÇALIŞMA FieldGenius ile birden fazla koordinat sistemi arasında geçiş yaparak çalışmak mümkündür. Yaygın olarak kullanılan masaüstü harita ve CAD
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
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 ) /, / ( ),, (
DetaylıMS WORD 4.BÖLÜM. Bölüm Adı: NESNE EKLEME Bölümün Amacı: Belgeye nesne ekleme işlemlerini gerçekleştirmek.
MS WORD 4.BÖLÜM Bölüm Adı: NESNE EKLEME Bölümün Amacı: Belgeye nesne ekleme işlemlerini gerçekleştirmek. Neler Öğreneceksiniz? Bu bölümü bitiren kişi: 1. Ekle sekmesini tanır. 2. Kapak sayfası oluşturabilir.
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
DetaylıELEKTRONİK ÇİZELGE. Hücreleri Biçimlendirme. Formülleri Kullanma. Verileri Sıralama. Grafik Oluşturma 1) HÜCRELERİ BİÇİMLENDİRME
Hücreleri Biçimlendirme ELEKTRONİK ÇİZELGE Formülleri Kullanma Verileri Sıralama Grafik Oluşturma 1) HÜCRELERİ BİÇİMLENDİRME Elektronik Çizelge de sayıları; bin ayracı, yüzde oranı, tarih/saat ve para
DetaylıANADOLU ÜNİVERSİTESİ İST 213 OLASILIK DERSİ TANIMLAR VE VERİ SINIFLAMASI
ANADOLU ÜNİVERSİTESİ İST 213 OLASILIK DERSİ TANIMLAR VE VERİ SINIFLAMASI DOÇ. DR. NİHAL ERGİNEL TANIMLAR VE VERİ SINIFLAMASI Olasılık, ilgilenilen olay/olayların meydana gelme olabilirliğinin ölçülmesidir.
DetaylıMicrosoft Excel Uygulaması 2
Microsoft Excel Uygulaması 2 Dört Temel İşlem: MS Excel hücrelerinde doğrudan değerlere ya da hücre başvurularına bağlı olarak hesaplamalar yapmak mümkündür. Temel aritmetik işlemlerin gerçekleştirilmesi
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
DetaylıVerilerin Özetlenmesinde Kullanılan Sayısal Yöntemler
Verilerin Özetlenmesinde Kullanılan Sayısal Yöntemler Merkezi Eğilim Ölçüleri Merkezi eğilim ölçüsü, bir veri setindeki merkezi, yada tipik, tek bir değeri ifade eder. Nicel veriler için, reel sayı çizgisindeki
DetaylıEXCEL 2007 ELEKTRONİK ÇİZELGE
EXCEL 2007 ELEKTRONİK ÇİZELGE Excel, Microsoft Office paketinde yer alan ve iş hayatında en sık kullanılan programlardandır. Bir hesap tablosu programıdır. Excel, her türlü veriyi (özellikle sayısal verileri)
DetaylıGrup 2 12091601 Selin Bozkurtlar Ödev 4 16.04.2014 BİLİŞİM TEKNOLOJİLERİ EĞİTİM PLANI
Grup 2 12091601 Selin Bozkurtlar Ödev 4 16.04.2014 A. Biçimsel Bölüm Dersin Adı Sınıf Konunun Adı Süre Öğrenme-Öğretme Strateji ve Yöntemi Araç Gereçler Kazanım BİLİŞİM TEKNOLOJİLERİ EĞİTİM PLANI Bilişim
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
DetaylıDers 1 Minitab da Grafiksel Analiz-I
ENM 5210 İSTATİSTİK VE YAZILIMLA UYGULAMALARI Ders 1 Minitab da Grafiksel Analiz-I İstatistik Nedir? İstatistik kelimesi ilk olarak Almanyada devlet anlamına gelen status kelimesine dayanılarak kullanılmaya
DetaylıYrd. Doç. Dr. Neşet Demirci, Balıkesir Üniversitesi NEF Fizik Eğitimi. Parametrik Olmayan Testler. Ki-kare (Chi-Square) Testi
Parametrik Olmayan Testler Ki-kare (Chi-Square) Testi Ki-kare (Chi-Square) Testi En iyi Uygunluk (Goodness of Fit) Ki-kare Dağılımı Bir çok önemli istatistik testi ki kare diye bilinen ihtimal dağılımı
DetaylıDijital Görüntü İşleme Teknikleri
Teknikleri Ders Notları, 2013 Doç. Dr. Fevzi Karslı Harita Mühendisliği Bölümü Mühendislik Fakültesi KTÜ 08 Ekim 2013 Salı 1 Ders Planı ve İçeriği 1. Hafta Giriş, dersin kapsamı, temel kavramlar, kaynaklar.
DetaylıAlgoritma Geliştirme ve Veri Yapıları 9 Ağaç Veri Modeli ve Uygulaması. Mustafa Kemal Üniversitesi
Algoritma Geliştirme ve Veri Yapıları 9 Ağaç Veri Modeli ve Uygulaması Ağaç, verilerin birbirine sanki bir ağaç yapısı oluşturuyormuş gibi sanal olarak bağlanmasıyla elde edilen hiyararşik yapıya sahip
DetaylıUzaysal Görüntü İyileştirme/Filtreleme. Doç. Dr. Fevzi Karslı fkarsli@ktu.edu.tr
Uasal Görüntü İileştirme/Filtreleme Doç. Dr. Fevi Karslı karsli@ktu.edu.tr İileştirme Herhangi bir ugulama için, görüntüü orijinalden daha ugun hale getirmek Ugunluğu her bir ugulama için sağlamak. Bir
DetaylıMOCKUS HİDROGRAFI İLE HAVZA & TAŞKIN MODELLENMESİNE BİR ÖRNEK: KIZILCAHAMAM(ANKARA)
MOCKUS HİDROGRAFI İLE HAVZA & TAŞKIN MODELLENMESİNE BİR ÖRNEK: KIZILCAHAMAM(ANKARA) Tunç Emre TOPTAŞ Teknik Hizmetler ve Eğitim Müdürü, Netcad Yazılım A.Ş. Bilkent, Ankara, Öğretim Görevlisi, Gazi Üniversitesi,
DetaylıSihirbaz Kullanarak Sorgu Oluştur : Sihirbaz sorguyu hazırlayan kişiye sorular sorar ve yanıtlarına göre sorgu oluşturur.
BÖLÜM17 3. SORGULAR Access Veritabanında sorgu; tablolara yazılan bilgilerin hepsinin veya istenilen (belirlenen) şarta uyanlarının bulunmasıdır. Örneğin Tıp Fakültesinde okuyan öğrenciler gibi. Sorguları
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
DetaylıWeb Madenciliği (Web Mining)
Web Madenciliği (Web Mining) Hazırlayan: M. Ali Akcayol Gazi Üniversitesi Bilgisayar Mühendisliği Bölümü Konular Denetimli Öğrenmenin Temelleri Karar Ağaçları Entropi ID3 Algoritması C4.5 Algoritması Twoing
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
DetaylıDENEY 2. A) Bilgi Dağılım Fonksiyonunun Bulunması 1. ÖN BİLGİ
DEEY A) ilgi Dağılım Fonksiyonunun ulunması. Ö İLGİ ir radyaoaktif kaynağın bozunması tamamen rasgele olup, bozunma sırasında kaç tane çekirdeğin önceden parçalanacağını bilmek mümkün değildir. u nedenle
DetaylıNetCAD de Yan Nokta Hesabı (Prizmatik Alımla Ölçülen Detayların Haritaya Çizilmesi ve Prizmatik Ölçü Krokisinin Hazırlanması)
NetCAD de Yan Nokta Hesabı (Prizmatik Alımla Ölçülen Detayların Haritaya Çizilmesi ve Prizmatik Ölçü Krokisinin Hazırlanması) Prizmatik Ölçü Yöntemi ile Detay Alımında yapılması gereken işlem, poligon
DetaylıBİLGİSAYAR DESTEKLİ TASARIM HAFTA 6 COSMOSWORKS İLE ANALİZ
BİLGİSAYAR DESTEKLİ TASARIM HAFTA 6 COSMOSWORKS İLE ANALİZ Makine parçalarının ve/veya eş çalışan makine parçalarından oluşan mekanizma veya sistemlerin tasarımlarında önemli bir aşama olan ve tasarıma
Detaylı36. Basit kuvvet metodu
36. Basit kuvvet metodu Basit kuvvet metodu hakkında çok kısa bilgi verilecektir. Basit kuvvet metodunda hiperstatik bilinmeyenlerinin hesaplanmasına, dolayısıyla buna ait denklem sisteminin kurulmasına
DetaylıAHTAPOT Güvenlik Duvarı Yönetim Sistemi Kullanımı
AHTAPOT Güvenlik Duvarı Yönetim Sistemi Kullanımı Bu dökümanda, Ahtapot Güvenlik Duvarı Yönetim Sisteminde güvenlik duvarı kurulum ve yönetimi anlatılıyor. Gereken : 1. GYDS Entegrasyonu yapılmış Ansible,
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Ders 8: Prof. Dr. İrfan KAYMAZ Tanım Tahmin (kestirim veya öngörü): Mevcut bilgi ve deneylere dayanarak olayın bütünü hakkında bir yargıya varmaktır. Bu anlamda, anakütleden çekilen
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,
DetaylıYrd. Doç. Dr. Saygın ABDİKAN Öğretim Yılı Bahar Dönemi
Dijital Görüntü İşleme (JDF338) Yrd. Doç. Dr. Saygın ABDİKAN 2016-2017 Öğretim Yılı Bahar Dönemi 1 Görüntü Zenginleştirme Mekânsal Dönüşümler Mekânsal dönüşümler, uzaktan algılama görüntülerindeki bilgiyi
DetaylıGÖRÜNTÜ İŞLEME - (8.Hafta) RESMİ ALT BÖLGELERE AYIRMA
GÖRÜNTÜ İŞLEME - (8.Hafta) RESMİ ALT BÖLGELERE AYIRMA BAĞLANTILI BİLEŞEN ETİKETLEME (Çift Geçiş Metodu) Bir resim üzerindeki aynı renk koduna sahip bölgelerin ortaya çıkarılması, birbirinden ayrılması
DetaylıAplikasyon Klavuzu (V )
Ekran Arayüzü ve Obje Seçimi klavuzunda da anlatıldığı üzere FieldGenius (FG), obje tabanlı bir arazi ölçme yazılımıdır. Nokta ve çizgi tipindeki vektörel objeleri kullanarak arazi ölçmeleri gerçekleştirilebilir.
DetaylıJDF821 UZAKTAN ALGILAMA GÖRÜNTÜLERİNDEN DETAY ÇIKARIMI Sunu2
JDF821 UZAKTAN ALGILAMA GÖRÜNTÜLERİNDEN DETAY ÇIKARIMI Sunu2 Yrd. Doç. Dr. Aycan M. MARANGOZ FOTOGRAMETRİ ANABİLİM DALI SUNULARI http://jeodezi.beun.edu.tr/marangoz 2012-2013 Öğretim Yılı Bahar Dönemi
DetaylıParametrik Olmayan Testler. İşaret Testi-The Sign Test Mann-Whiney U Testi Wilcoxon Testi Kruskal-Wallis Testi
Yrd. Doç. Dr. Neşet Demirci, Balıkesir Üniversitesi NEF Fizik Eğitimi Parametrik Olmayan Testler İşaret Testi-The Sign Test Mann-Whiney U Testi Wilcoxon Testi Kruskal-Wallis Testi Rank Korelasyon Parametrik
Detaylı