GÖRÜNTÜ İŞLEME YÖNTEMİYLE HIZLI RAYLI ULAŞIM SİSTEMİNDE YOLCU YOĞUNLUĞUNUN BX-JENKINS YAKLAŞIMI İLE MODELLENMESİ
|
|
- Emel Uysal
- 6 yıl önce
- İzleme sayısı:
Transkript
1 YAEM001 Yöneylem Araştırması ve Endüstri Muhendisliği. Ulusal Kongresi, 04-06Temmuz 001, Gazi Üniversitesi GÖRÜNTÜ İŞLEME YÖNTEMİYLE HIZLI RAYLI ULAŞIM SİSTEMİNDE YOLCU YOĞUNLUĞUNUN BX-JENKINS YAKLAŞIMI İLE MODELLENMESİ Kemal YAMAN Arş. Gör., Gazi Üniversitesi, Mühendislik Mimarlık Fakültesi, Makina Mühendisliği Bölümü, Maltepe, Ankara e mail: kyaman@mmf.gazi.edu.tr. Ahmet SARUCAN Arş. Gör., Gazi Üniversitesi, Mühendislik Mimarlık Fakültesi, Endüstri Mühendisliği Bölümü, Maltepe, Ankara e mail: asarucan@yahoo.com Mehmet ATAK Doç. Dr., Gazi Üniversitesi, Mühendislik Mimarlık Fakültesi, Makina Mühendisliği Bölümü, Maltepe, Ankara e mail: matak@mmf.gazi.edu.tr Nizami AKTÜRK Doç. Dr., Gazi Üniversitesi, Mühendislik Mimarlık Fakültesi, Makina Mühendisliği Bölümü, Maltepe, Ankara e mail: nakturk@mmf.gazi.edu.tr. ÖZET Bu çalışmada, Ankara Hızlı Raylı Sistemde (RRTS), Kızılay-Ankaray istasyonunda bekleyen yolcuların, sistemde güvenlik amaçlı kullanılan (CCD) kameralar vasıtasıyla algılanan griseviye görüntüleri, bilgisayar ortamına aktarıldı. Daha sonra, görüntü segmentasyon işlemleri ile nesneler arka plandan ayrıldı ve ayrılan nesnelere ait görüntüler, görüntü güçlendirme metodları ile belirginleştirildi. Bir sonraki aşamada, netleştirilmiş görüntülerin gri-seviye histogramlarından nesnelere ait alansal bilgiler çıkarıldı. Hesaplanan yolcu yoğunluk oranı değerleri ile gözle sayılan yolcu sayıları arasındaki ilişkiler incelenerek RRTS de tren sefer aralıklarının optimizasyon işlemlerine giriş verileri sağlanacak hale getirildi. Elde edilen bu sayısal değerler, zaman serisi verileri olarak alınıp hafta içi yolcu gelişlerinin ARIMA modelleri yardımıyla modellemesi yapıldı. Sonuçta bu model kullanılarak söz konusu hizmet sisteminde dinamik çizelgeleme sürecine veri hazırlanması sağlandı. Anahtar Kelimeler: Görüntü İşleme, Taşımacılık, Hızlı Raylı Sistem, ARIMA Modelleri PREPERATION OF DATA FOR DYNAMIC SCHEDULING USING IMAGE PROCESSING AND ARIMA MODELS ABSTRACT In this study, the gray-level image data is acquired by a solid state (CCD) cameras that are used for security in Ankara-Kızılay station in Ankara Rapid Rail Transit System (RRTS), the objects have been extracted from the background of the image by utilizing the image segmentation or intermediate level processing, and then using image enhancement technique the remaining objects are investigated in detail. In the next step, the area information has been extracted from the gray-scale histogram of the image of isolated objects. The area information is employed in obtaining the approximate number of passengers. Finally, this information is used as an input for ARIMA Models in order to obtain the input data for the optimization of the time between headways. Keywords: Image processing, transportation, Rapid Rail System, ARIMA Models
2 1. GİRİŞ Günümüzde ulaşım sistemlerinde çok ileri teknolojiler kullanılmaktadır. Hızlı Raylı Ulaşım Sistemleri (RRTS) bunun en önemli örneklerinden biridir. Bu sistemler bilgisayar tarafından kontrol edildiğinden ve insan yaşamı söz konusu olduğundan hatasız işlemesi gereken sistemlerdir. Bu çalışmada Ankara Hızlı Raylı Ulaşım Sistemi göz önüne alınmıştır. Sistemin daha verimli çalışabilmesi için görüntü işleme tekniği kullanılarak elde edilen yolcu yoğunluk değerleri ARIMA modeline giriş verileri haline getirildi. Bu veriler işlenerek dinamik çizelgeleme çalışmalarına veri hazırlanması hedeflendi. RRTS de şu anda kullanılan zamanlama sistemi istatistiki verilerden oluşturulmuş sabit tablolamaya göre işlenmekte olup ekonomiklilik, dayanıklılık ve yolcu konforu açılarından bazı dezavantajları vardır. Geliştirilen bu yeni sistemde ise gerçek zamanlı bir kontrola yönelik veri hazırlama söz konusu olacağından, neticede yapılacak olan dinamik çizelgeleme sonucu olarak RRTS daha verimli bir şekilde işler hale gelecektir. Zaman serileri kesikli, doğrusal ve stokastik süreç içeriyorsa Box-Jenkins veya ARIMA modeli olarak adlandırılır. Zaman serileri Box-Jenkins e göre durağan veya bazı değişikliklerle durağan yapılabilen modellerdir. Bunlar doğrusal filtreleme modelleri olarakta bilinirler. Otoregresif (AR-Autoregressive) modelleri Yule [1] tarafından düşünülmüştür. Diğer bir model, hareketli ortalama (MA-Moving Average) ilk defa Slutsky [] tarafından ortaya atılmıştır. AR ve MA modellerinin karışımı olan otoregresif hareketli ortalama (ARMA- Autoregressive Moving Average) modelleri ilk defa Wold [3] tarafından geliştirilmiştir. AR, MA, ARMA modelleri en genel doğrusal, durağan Box-Jenkins modelleridir. Durağan olmayıp fark alma işlemi sonucunda durağanlaştırılan serilere uygulanan modellere birleştirilmiş otoregresif hareketli ortalama (ARIMA-Autoregressive Integrated Moving Average) modeli denilmektedir. Bu model Box-Jenkins tekniği olarak da adlandırılır. Bu teknik derlenen kesikli zaman serilerinin ve dinamik sistemlerin modellenmesinde kullanılmaktadır. Box-Jenkins [4] modellerinde amaç; zaman serisine en iyi uyan, en az parametre içeren doğrusal modeli belirlemektir.. BİLGİSAYARLA GÖRME Bilgisayarla görme, bir veya daha çok görüntünün üzerinde bilgisayar analizinin, bir veya daha çok ana işlemciyle zaman sırasına göre çeşitli tekniklerle gerçekleştirilmesidir. Bilgisayarla görme, görüntü veya görüntü setleri üzerinden bilgileri teorik ve algoritmik olarak bilgisayar tarafından çıkarılıp incelenmesini sağlayan bir bilimdir. Görüntü üzerindeki nesne ve nesnelerle ilgili, nesnenin konumu ve yönlendirilmesi ile ilgili ve boyutuyla ilgili kavramları içerir [5]..1. Görüntünün Sayısallaştırılması Görüntünün sayısallaştırılması, kameradaki görüntünün optik-elektrik mekanizma ile elektriksel sinyallere dönüştürülmesi işlemidir. Mercekte oluşan görüntü kameranın sensörleri üzerine odaklanır. Bu ışık elemanları üzerinde ışığın durumuna göre elektrik sinyalleri üretilir. Şekil 1 de şematik olarak bu durum gösterilmiştir. Bu sinyaller bilgisayar ortamına görüntü aktarılmasında kullanılan analog sinyallerdir. Sinyalleri üreten sistemler vakum tüp (vidicon), yarı iletken sensör (semi-conductor) gibi yapılardan oluşmaktadır.
3 Elektrik akımı Sensör Lazer ışını Nesne Toplayıcı mercek Lazer Işın saptırıcı Şekil 1. Sayısallaştırma işleminde temel aşamalar [4] (Castelman,1996) Diğer bir kullanılan teknoloji ise katı hal (solid-state) kameralardır. Bu kameralar Yük Bağlamalı Düzen veya Charge-Coupled Device (CCD) teknolojisi ile çalışan kamera çeşitleridir [5, 6]. Gerek laboratuar uygulamalarında kullanılan gerekse metro istasyonlarında güvenlik amaçlı kullanılan platform kameralarının tipi yukarıda CCD olarak tabir edilen kamera tipinde olduğundan özellikle bu kamera hakkında detaylı bilgi verilmesi uygun görülmüştür..3. Görüntü İşleme ve Temel İşleme Teknikleri Görüntü sayısallaştırılarak bilgisayar ortamına aktarıldıktan sonra görüntüden istenilen bilgilerin elde edilebilmesi için bazı önemli işlemlerden geçirilmesi gerekir. Bilgisayar ortamına alınan sayısal görüntüye uygulanacak temel görüntü işleme tekniklerinden bahsedilecektir. Görüntü işleme, genel terim olarak resimsel bilgilerin manipulasyonu ve analizi demektir [5]. Bu analizde takip edilen bazı temel aşamalar şu şekilde özetlenebilir: Birinci aşama, görüntü edinme (image acquisition) işlemidir. Şekil de görüntü yakalama aşamaları kabaca şematize edilmiştir. Burada bir ışık kaynağı ile aydınlatılmış nesne mevcuttur. Nesneden yansıyan ışınlar optik formda kameraya aktarılır. Nesneyi tanımlayan bu ışınlar, kamerada elektrik sinyallerine dönüştürülür. Böylece görüntü analog forma çevrilmiş olur. Analog sinyaller bir sayısal dönüştürücüde sayısal sinyallere dönüştürülür. Son aşamada sayısal forma dönüştürülen görüntü artık bilgisayar ortamına aktarılarak işlenecek hale getirilmiş olur. Bu işlem için görüntü sensörü (Imaging Sensor) ve bu sensörün üretmiş olduğu sinyalleri dijital forma dönüştürebilecek sistemlere ihtiyaç vardır. Sensörlerden elde edilmiş sinyaller hala analog formda ise analog-dijital dönüştürücüler ile dijsayısal hale getirilebilir. Işık kaynağı Nesneden yansıyan ışınlar Video Kamera Vklid eoide Analog sinyal Sayısallaştırıcı Sayısal sinyal Nesne Optiksel Görüntü Analog Görüntü Sayısal Görüntü Şekil. Görüntü önce optik formda yakalanır, analog forma dönüştürülür ve son aşamada dijital forma çevrilir [5] 3
4 Sayısal görüntü (imaj) elde edildikten sonra, diğer adım ön işleme (preprocessing) işlemidir. Bu aşamada, alınan görüntü bir sonraki aşamada hatasız ve kolay işlenebilmesi için daha belirgin ve anlaşılır hale getirilir. Bu işlemlerden bazıları: Görüntüyü belirginleştirmek (image enhancement) Görüntüde bulunan kirlilikleri yok etmek (image filtering) Görüntü üzerindeki yapısal bozuklukları yok etmek veya minimize etmek (image reconstruction) Daha sonraki işlem ise görüntüyü, kendisini meydana getiren alt görüntülere parçalama, ayırma işlemidir. Buna, görüntü ayırma işlemi (image segmentation) denir. Detaylı görüntü ayırma işlemleri, görüntü işlemede en zor işlemlerden sayılır. Bu nedenle genellikle küçük hatalarla birlikte kaba görüntü ayırma (segmentasyon) işlemleri uygulanır..4. Bir Görüntünün Modellenmesi Görüntü (image), iki boyutlu ışık şiddeti fonksiyonudur. Bu fonksiyon f(x,y) şeklinde gösterilir. Burada x ve y kartezyen koordinatları, (x,y) noktasındaki f in sayısal değeri (magnitude) ise parlaklık değeri veya görüntünün ilgili noktadaki gri seviye değeridir. Bir sayısal görüntü, satır ve sütun indisleri görüntü içerisinde herhangi bir noktayı tanımlayan elemanlardan meydana gelmiş bir matris olarak göz önüne alınabilir. Bu matrisin her bir elemanının sayısal değeri, kendisine karşılık gelen noktalardaki gri seviye değerine eşittir.bu sayısal dizinin veya matrisin her bir elemanına görüntü elemanı, resim elemanı veya piksel denir [5]. Buraya kadar verilen bilgiler ışığında, Şekil 3 de gösterilen bir resmin bilgisayar ortamında ne anlam ifade ettiği böylece ortaya çıkartılmış oldu. Bir görüntü fonksiyonunu, f(x,y), bilgisayarda işlemeye uygun hale getirebilmek için, fonksiyonu hem uzaysal koordinatlar olarak hem de genlik olarak sayısallaştırmak gerekir. Kartezyen koordinatların sayısallaştırılmasına örnekleme (sampling) ve genliğin sayısallaştırılmasına da niceleme (quantization) denir. Bu ifadeye Shanon un Örnekleme ve Niceleme Teoremi de denir [5]. Şekil 3.Sayısal görüntü temsili ve eksenleri 4
5 .5. Gri-Düzey Skala Görüntü üzerindeki aydınlatma değerlerinin farklı seviyelerde olması, piksel düzeylerinin farklı olmasındandır. Bu şekilde ifadelerde görüntü siyah-beyaz renk tonlarından meydana geliyorsa, görüntü üzerindeki her bir nokta gri-düzey skala üzerindeki renk değerleriyle ifade edilir. Görüntü üzerindeki noktalar farklı olduğundan, her bir aydınlatma düzeyi için gerekli bitlerin yerleşimi farklıdır (Bkz. Şekil 4). Dört bitlik yani 16 farklı gri-ton aydınlanma değeri için her bir pikselin üzerinde bulunacak gri-seviye parlaklık değeri şu şekildedir: 0 siyah 7 açık siyah (gri) 15 beyaz Şekil 4. Onaltı Bitlik gri-düzey skala ifadesi Bu gibi değişik düzeylerin oluşturduğu görüntüler, gri-düzey veya gri-düzey skala ile ifade edilirler. Piksel başına düşen bit sayıları; Burada 4 bit/piksel yani bir pikselin değerini belirtmek için 4 bit kullanılmıştır. 0 ile 15 arasında 16 gri-düzey değerleri mevcuttur [5]..6. Histogram Histogram, görüntü üzerindeki piksellerin değerlerinin grafiksel ifadesidir. Buna görüntü histogramı veya gri-düzey histogramı denir [5, 6]. Görüntü histogramı, görüntünün herbir noktasındaki piksellerin tespiti ile bu piksellerin sayısının ne olduğunu gösterir. Bu sayede histogram üzerinden görüntü ile ilgili çeşitli bilgilerin çıkartılması sağlanır. Görüntü üzerindeki piksellerin nerede yerleştiği tam olarak çıkartılamaz. Fakat görüntünün şekil 5 de gösterildiği gibi aydınlık-karanlık bölge değerlerinden görüntü hakkında genel bilgiler elde edilebilir. Uygulanmak istenen eşik (Threshold) değerleri tahmin edilebilir. Matematiksel olarak, bir dijital görüntü histogramı formül (1) de verildiği gibi tanımlanabilir: P r k nk n (1) Burada; r k : k ıncı gri seviye n k : bu gri seviyeye sahip toplam piksel adedi n: görüntü üzerindeki toplam piksel adedi 5
6 Frekans YAEM001 Yöneylem Araştırması ve Endüstri Muhendisliği.Ulusal Kongresi, Temmuz 001, Gazi Üniversitesi.7. Eşikleme (Thresholding) Eşikleme işlemi, görüntü işlemenin önemli işlemlerinden biridir. Özellikle görüntü içindeki nesnenin kapalı ve ayrık bölgelerinin belirginleştirilmesinde kullanılır. Piksellere ayrılmış görüntünün, ikili (binary) yapıdaki görüntüye kadar düzenlenmesini içerir. Basit olarak, eşikleme işlemi görüntü üzerindeki piksel değerlerinin belirli bir değere göre atılması ve yerine diğer değer/değerlerin yerleştirilmesi işlemidir. Böylece görüntü üzerindeki nesnelerin arka planı ile nesne hatlarının çıkartılması sağlanır [5, 6]..8. Görüntü işleme yazılımı Görüntüler üzerindeki işlemler için sistemde kullanılan görüntü işleme yazılımı, Jandel Scientiftic Firmasının Sigma-Scan Pro görüntü analizi yazılımıdır. Bu yazılım ile; görüntü düzeltme işlemleri, çeşitli filtreleme işlemleri, görüntü güçlendirme, iz ve bölge bulma, görüntünün tonlanması işlemleri yapılabilir [7]. Bu işlemler görüntünün istenilen özelliğe ulaşması için uygulanmaktadır. Ayrıca, görüntünün sayısal değerlerinin analizi ve piksel işlemleri gerçekleştirilebilir. Sigma Scan Pro.0 yazılımı yanında, daha kompleks görüntü işleme işlemleri için MatLab 5.0 (S.E.) paket programına da başvurulmuştur. 3. ARIMA MODELLERİ Şekil 5. Gri düzey histogramı Gri Düzey Skala ARIMA yada Box-Jenkins modelleri d dereceden farkı alınmış serilere uygulanan AR ve MA modellerinin birer kombinasyonudur. Box-Jenkins tekniğinin esası, mevcut verilerin yapısına bağlı olarak, çeşitli model seçenekleri arasından en uygun fakat az sayıda parametre içeren bir ARIMA modelinin seçilmesidir. Uygulamada en sık kullanılan durağan olmayan ARIMA modelleri, IMA(0,1,1), IMA(0,,), ARIMA(1,1,1) dir. Bu modellerin genel gösterimi ARIMA (p,d,q) şeklindedir. Modellerde yer alan [7, 9]: p: Otoregresif model derecesi, q: Hareketli ortalama model derecesi, d: Mevsimlik olmayan fark alma derecesidir ARIMA (p,d,q) modelinin ifadesi formül () de verildiği gibi tanımlanabilir: Burada: Z t Z Z Z a 1 t1 t p t p t 1 t1 t q tq () a a a 6
7 p : Otoregresif operatör için parametre değerleri a t : Hata terimi katsayıları : Haraketli ortalama operatörü için parametre değerleri q Z t : Orjinal serinin d dereceden farkı alınmış zaman serisi. Yani: W t = Y t Y t-1 t = 1,,.,t W t = Birinci farklar serisi Y t = Orjinal zaman serisinin tesadüfi değişkenler kümesi Birinci farklar seriside durağan değilse; birinci fark serisinin tekrar farkı alınarak durağanlık kontrolü yapılır. Buda formül (3) de verildiği gibi modellenir. Z t = W t W t-1 t = 1,,.,t (3) Fark alma derecesi d=0 olduğunda (bu orjinal serinin durağan olması anlamına gelir) ARIMA modeli AR, MA yada ARMA modeli haline gelecektir. Bu özelliğnden dolayı ARIMA modellerinin Box-Jenkins modellerinin tamamını bünyesinde barındırdığı söylenebilinir. Fark alma derecesi d=1 olduğunda serimiz doğrusal, d= olduğunda zaman serisi parabolik eğri göstermektedir. En Basit ARIMA Modelleri aşağıda görülmektedir. ARIMA (0, 1, 1) = IMA (1, 1) için Y t = Y t-1 + a t - 1 a t1 ARIMA (1, 1, 0) = ARI (1, 1) için Y t = (1+ 1 )Y t-1-1 Y t- + a t ARIMA (1, 1, 1) için Y t = (1+ 1 )Y t-1-1 Y t- + at - 1 a t1 Model kurma süreci belirli tekrarlı aşamaları içerir. Bu aşamalar Şekil 6 daki akış şemasında görülmektedir. Genel model sınıfının belirlenmesi Geçici modelin belirlenmesi Geçici moedelin parametrelerinin tahmini Geçici modelin uygunluk testi Model uygun değil Model uygun Modelin tahmin için kullanılması Şekil 6: Box-Jenkins yöntemiyle model belirleme aşamaları [7] 7
8 Box-Jenkins ARIMA modellerinin kurulmasının dört temel aşamayı içerdiği görülür. Birinci aşamada genel model sınıfı belirlenir. Genel modelin seçimi için otokorelasyon ve kısmi otokorelasyon fonksiyonlarının grafiklerinden faydalanılır. Tablo 1 deki otokorelasyon ve kısmi otokorelasyon fonksiyonları dikkate alınarak, ARIMA modellerine ilişkin teorik fonksiyonların özelliklerinden yararlanılır [11]. Tablo 1: Durağan modellerde teorik otokorelasyon ve kısmi otokorelasyon fonksiyonlarının özellikleri Model Otokorelasyon Fonksiyonu Kısmi Otokorelasyon Fonksiyonu AR(p) Üstel veya sinüsoidal olarak gittikçe p gecikmesinden sonra katsayı aniden azalır düşerek istatistiksel olarak anlamsız olur. MA(q) q gecikmesinden sonra katsayı aniden düşerek istatistiksel olarak anlamsız olur. Üstel veya sinüsoidal olarak gittikçe azalır ARMA(p, q) (q-p) gecikmesinden sonra üstel veya azalan sinüs dalgalarının bir karışımı görünümündedir. (p-q) gecikmesinden sonra üstel veya azalan sinüs dalgalarının bir karışımı görünümündedir. İkinci aşamada verilerin yapısına uyan geçici bir model teşhis edilir. Bu amaçla otokorelasyon ve kısmı otokorelasyon fonksiyonlarından yararlanılır. Model belirleme aşamasında AR, MA, ARMA veya ARIMA model sınıfından belirli bir model belirlenir. Üçüncü aşamada, geçici modelin parametreleri, etkin istatistiksel teknikler kullanılarak tahmin edilir ve katsayıların standart hataları hesaplanarak anlamlı olup olmadıkları test edilir. Son aşamada ise, belirlenen modelin tahmin amacıyla uygunluk kontrolü yapılır. Bunun için uygun olduğu varsayılan geçici modelin hatalarının otokorelasyon katsayılarının grafiği çizilerek, otokorelasyon fonksiyonu incelenir. Sözkonusu fonksiyon belirli bir şekil gösteriyorsa hataların rassal dağılmadığı sonucuna varılır. Bu tür bir bulgu, teşhis edilen geçici modelin uygun olmadığı anlamını taşır. Dolayısıyla ikinci aşamaya tekrar dönülerek bu süreç, yeni bir geçicimodel teşhisi ile uygun model teşhis edilinceye kadar tekrarlanır. Uygunluk kontrolünden geçen model ise, artık tahmin yapmak amacıyla kullanıma hazırdır [9]. 4. UYGULAMA 4.1. Görüntü İşleme Görüntülerin elde edilmesinde kullanılan platform kameraları, yüksek kalitede çekim yapamamaktadırlar. Fakat burada önemli olan, kameranın görebildiği alan içerisindeki nesnelerin en az hata ile sayılabilmeleridir. Uygulamalarda hesaplanan yolcu yoğunluğu değerleri, gri-düzey görüntü işleme ve ikili (binary) görüntü işleme olmak üzere iki ayrı metotla yapılmış ve sonuçlar karşılaştırılmıştır. Uygulamalarda ana hatları ile şu işlemler gerçekleştirilmiştir: İlk olarak, video kasete çekilmiş görüntüler bir görüntü yakalama (video capture) programı ile er saniye aralıklarla yakalanmış ve 8 bitlik gri-düzey windows BMP formatında istasyonlara ait görüntü kütüphanesi oluşturmak üzere kaydedilmiştir. Fakat bazı istasyonlara ait kameralar çok bozuk 8
9 görüntüler taradığından bunlara ilişkin görüntüler sağlıklı işlenememiştir. Bunun yanısıra söz konusu kameralar güvenlik amaçlı olduklarından yerleştirildikleri konumlardan istasyonlarda bekleyen yolcuların tamamını görememektedirler. Şekil 7 de kameralara ve platformlara ait bazı ölçülerin de verildiği temsili platform görüntüsü verilmiştir. Kör bölge 3 14 Şekil 7: Metroda kamera pozisyonları ve görüntü tarama bölgelerinin temsili gösterimi (Ölçüler metredir.) Bu çalışmada gerçekleştirilen hemen hemen tüm görüntü analizi işlemlerinde sistemle entegre çalışan Sigma Scan Pro.0 paket programı kullanılmıştır. İkinci işlemde, incelenecek istasyonlara ait boş istasyon görüntüsü ve dolu istasyon görüntüleri bilgisayara program eşliğinde okutturulmuştur. Üçüncü işlemde, dolu istasyon görüntülerinden aynı istasyona ait boş, arka-plan istasyon görüntüsü, görüntü çıkarma işlemi ile çıkartılmıştır. Bu ve bundan sonraki işlemlerde kullanılan bütün görüntüler piksel çözünürlüğüne sahip görüntülerdir. Dolayısıyla görüntü matrisleri, 35 sütun ve 88 satırdan oluşan ve elemanları 0-55 arasında sayısal değer alan matrislerdir[7]. Dördüncü işlemde, üçüncü işlem sonunda elde edilen fark matrisi işlenemeyecek derecede bozuk olduğundan, kendisi ile bir defa çarpılarak güçlendirilip, netleştirildi. Daha sonra görüntü üzerindeki kirliliklerin yok edilmesi ve netliğin daha da arttırılması için uygun eşikleme, filtreleme ve histogram eşitleme işlemleri uygulandı. Son aşamada ise elde edilen görüntüde, nesneler arka plandan gri renk tonu değerlerinde ayrılmış oldu. Bu son görüntünün histogramı çıkarıldığında, sadece nesnelere ait alansal ve çevresel bilgiler elde edilir. Gri-düzey histogramda, yatay eksen 0-55 arası gri renk tonu skalasıdır. Düşey eksen ise her bir renk tonundan kaç defa tekrarlandığını yani frekansı gösterir. Düşey eksendeki bu frekans değerlerinin (beyaz renk hariç) sayısal toplamının ortalaması, nesnelerin alansal yoğunluğunu karakterize eder[7]. Burada frekans değerlerinin toplamının ortalama alınma sebebi, tek platformda aynı görüntünün ön ve arka bakışlarının bir arada bulunmasıdır. 9
10 4.1. Uygulama Görüntüleri: Şekil 8: (a) Boş istasyon görüntüsü (b) İncelenecek istasyon görüntüsü Şekil 11: İstasyonun boş haldeki görüntüsü ve histogramı Şekil 9: Nesnelerin arka plandan çıkartılması ve netliğinin arttırılması Şekil 10: Sırasıyla şekil 9 da verilen görüntülerin gri-düzey histogramları [7] Şekil 1: Üç farklı görüntüde nesnelerin arka plandan ayrılması ve bu ayrılan nesnelerin ikili yapıdaki görüntüleri [7] Şekil 13: Şekil 1 de gösterilen uygulamalar sonucunda elde kalan piksellere ait gri-düzey histogramı [7] 10
11 Korelasyon Katsayısı YAEM001 Yöneylem Araştırması ve Endüstri Muhendisliği.Ulusal Kongresi, Temmuz 001, Gazi Üniversitesi Burada tablolarda verilen istatistiki sonuçlara göre gri-düzey görüntü, ikili görüntüden daha fazla alansal bilgi içerir. Uygulanan görüntü işleme işlemleri sonucunda gri-düzey görüntü için elde edilen toplam piksel adedinin ortalaması, ikili görüntü işleme sonunda elde edilen toplam piksel adedinin yarısından daha fazla olduğu açıkça görülmektedir. Örneğin toplanan yolculardan bazıları açık renk elbise giymiş olabilir. Açık renk tonlarına sahip nesneler, ikili işleme sonucunda bilgi kaybına uğrarlar yani açık renk tonları beyaza dönüşür. Görüntülere ait ölçüm sonuçları tablo de verilmiştir. Analizleri yapılan görüntülere ait resimler de işlenen görüntüler başlığı altında verilmiştir. Tablo : İşlenen görüntülere ait gri-düzey ve ikili yapıda yoğunluk değerleri [7] NO Görüntü [*.BMP] Gri-Düzey görüntü yoğunluk değerleri [piksel] İkili görüntü yoğunluk değerleri [piksel] Gerçek Değer Kalibrasyon sabitleri Ölçülen Değer 1 K71_ ,857 9 K71_ K71_ , K71_ , K71_ K71_ , K71_ ,5 7 8 K71_ , K71_ , K71_ , K71_ , K71_ , K71_ , K71_ , K71_ , K71_ , K71_ , K71_ , K71_ , K71_ , K71_ ,9 9 K71_ , K71_ , K71_ , Ortalama Kalibrasyon Sabiti 1104,937 1, 1 0,8 0,6 0,4 0, Ölçüm Sayısı Şekil 14: Korelasyon Grafiği [7] 11
12 Yolcu Gelişleri Gerçek Yolcu YAEM001 Yöneylem Araştırması ve Endüstri Muhendisliği.Ulusal Kongresi, Temmuz 001, Gazi Üniversitesi Gerçek Hesaplanan Hesaplanan Yolcu Sayısı Şekil 15: Gerçek-Hesaplanan yolcu sayısı grafiği [7] Şekil 14 ve Şekil 15 de verilen istasyonlarda bulunan yolcuların gözle sayılması sonucu elde edilen gerçek yolcu sayısı değerleri ile görüntü işleme sonucu hesaplanan yolcu sayısı değerleri arasındaki ilişki gösterilmiştir. 4.. ARIMA Analizi Yolcu gelişleri yılın yaz ve kış dönemine ve günün belli saatlerine göre değişmektedir. Bu değişme yolcu yoğunluğu ile orantılıdır. Kış dönemi okulların açık olması ve izinlerin kullanılmaması nedeniyle daha yoğundur [11]. Bu çalışmada kış döneminde hafta içi birgünde, zaman aralığı 1:00 ile 13:30 saatleri arasında yolcu gelişleri görüntü okuma tekniği ile dakika bazında bulundu. Bulunan verilerin MINITAB 13 istatistik paket programında işlenerek, gelecek 0 peryodun dakika bazında tahmini yapıldı. Zaman serisi analizinin başlangıç aşamasında; zaman serisinin grafiği çizilir. Bundaki amaç serideki hareketleri (trend, düzensiz, periyodik ve mevsimsel) ve seriyi bozan değerin olup olmadığını genel olarak görebilmektir. Şekil 16 de grafiğe göre seride düzensiz, çok az trend ve periyodik hareket vardır. Trend olup olmadığından kesin emin olmak için trend analizi yapılır. Bu analizin sonuçlarına göre seride kesin bir trendin olduğu ve bu yüzden durağan olmadığı Şekil 17 de görülmektedir. Dakika Şekil 16: Yolcu gelişlerinin zaman serisi grafiği 1
13 1. Farklar Serisi 1. Farklar Serisi Yolcu gelişleri YAEM001 Yöneylem Araştırması ve Endüstri Muhendisliği.Ulusal Kongresi, Temmuz 001, Gazi Üniversitesi Lineer Trend Model Yt=19,831+0,100737*t Actual Fits Actual Fits Zaman Şekil 17: Yolcu gelişlerinin trend analizi Serimiz durağan olmadığı için birinci farklar serisi alınır. Bu dönüştürme işlemi sonucunda Şekil 18 de oluşan fark serisinin grafiğine bakıldığında trend etkisinin ortadan kalktığı ve serinin durağanlaştığı görülmektedir. Durağanlaştığıntan kesin emin olmak için trend analizi yapılır. Bu analizin sonuçlarına göre serinin kesin durağanlaştığı Şekil 19 da görülmektedir. Zaman Şekil 18: Yolcu gelişlerinin birinci farklar serisinin zaman serisi grafiği Lineer Trend Model Yt=0,5556-1,1E-0*t Actual Fits Actual Fits Zaman Şekil 19: Birinci farklar serisinin trend analizi 49,13 10,489 68,955 13
14 Kısmi Partial Otokorelasyon Autocorrelation Otokorelasyon Autocorrelation YAEM001 Yöneylem Araştırması ve Endüstri Muhendisliği.Ulusal Kongresi, Temmuz 001, Gazi Üniversitesi Bu aşamada ARIMA modelleri belirleme sürecinin esası olan otokorelasyon ve kısmi otokorolesyonlara bakılır. Şekil 0 ve Şekil 1 de birinci fark serisinin otokorelasyon ve kısmi otokorolesyon grafikleri görülmektedir. Autocorrelation Function for 1. Farklar Serisinin 1,0 0,8 0,6 0,4 0, 0,0-0, -0,4-0,6-0,8-1,0 1 Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ ,03-0,47-0,16 0,07 0,06-0,03 0,06 0,31-4,4-1,4 0,57 0,45-0,6 0,43 0,10 0,60,96 3,48 3,81 3,9 4, ,10-0,04 0,03 0,10 0,07-0,17-0,36-0,76-0,8 0,0 0,78 0,56-1,30 -,66 5, 5,36 5,43 6,5 7,10 30,30 44, ,1 0,58 0,1-0,36-0,14 0,09 0,04 0,81 3,97 0,70 -,08-0,80 0,48 0,5 45,88 83,6 85,4 99,86 10,4 103,14 103,38-0,05-0,5 103,64 Şekil 0: Birinci farklar serisinin otokorelasyon grafiği Partial Autocorrelation Function for 1. Farklar Serisinin 1,0 0,8 0,6 0,4 0, 0,0-0, -0,4-0,6-0,8-1,0 1 Lag PAC T Lag PAC T Lag PAC T Lag PAC T ,03-0,47-0,15-0,19-0,13-0,15 0,00 0,31-4,44-1,46-1,77-1,1-1,45 0, ,4-0,05-0,19 0,01-0,0-0,17-0,56 -,31-0,49-1,77 0,10-0,19-1,6-5, ,7 0,04 0,08-0,09 0,04-0,03 0,13 -,55 0,4 0,79-0,8 0,4-0,9 1,19-0,06-0,60 Şekil 1: Birinci farklar serisinin kısmi otokorelasyon grafiği Birinci farklar serisinin otokorolesyon ve kısmi otokorelasyon grafiklerine bakarak geçici ARIMA (p, d, q) modelinin ARIMA (1, 1, ) modeline benzediği söylenebilir. Geçici modelin parametreleri Madquardt algoritmasına göre 8 adımda bulundu. Modelin Minitab çıktıları Ek- 1 de görülmektedir. Buna göre tahmin parametreleri 1 = 0.183, 1 = , = ve = dür. 14
15 Yolcu gelişleri YAEM001 Yöneylem Araştırması ve Endüstri Muhendisliği.Ulusal Kongresi, Temmuz 001, Gazi Üniversitesi Hata terimlerinin birbirinden bağımsız olup olmadığını kontrol etmek için durağanlık testi olan Q istatistik testi kullanılır. Hesaplanan Q değeri: H 0 : Q(K) < H 1 : Q(K) karar verilir. 1, K pq 1, K pq 1 gecikme için Q(K) = 9.3 < ise H 0 hipotezinin uygun olduğu kabul edilir. ise H 1 hipotezi red edilir. Yani geçici modelin uygun olmadığına 10.05,11 =16.9 olduğundan hata terimleri birbirinden bağımsız olup, geçici olarak belirlenen modelin uygun olduğuna ve tahmin için kullanılacağına karar verilir. Diğer ARIMA modellerinin 1 gecikme için Q istatistiği test sonuçları Tablo 3 de görülmektedir. Tablo 3: Geçici ARIMA modelleri Q istatistiği test sonuçları Model Q İstatistiği 1, K pq H o Hipotez Sonucu ARI (1, 1) Red ARIMA (1, 1, 1) Red IMA (1, 1) Red ARIMA (, 1, 1) Red Bu sonuçlara göre diğer geçici ARIMA modellerinin tahmin yapmak için uygun olmadığı görülür. Bulunan parametre değerleri kullanılarak ARIMA (1, 1, ) modeli: Y t = + (1+ 1 )Y t-1-1 Y t- + a t - 1 a t-1 - a t- Y t = Y t Y t- + a t a t a t- şeklinde yazılır. Tüm bu analizler sonucunda bulunan modelden hareketle gelecek 13:31-13:50 saatleri arasındaki 0 dakikalık dönem için tahmin yapılır. Şekil de %95 güven aralığında alt ve üst sınırları verilen tahmini değerlerin grafiği 90 dakikadan sonraki zaman periyodu için görülmektedir. Bu grafiğin alt ve üst sınırları ile tahmin değerleri Ek- de verilmektedir. %95 güven aralığında yolcu geliş tahmini Zaman Şekil : Yolcu gelişleri için tahmini değerler (%95 güven aralığında tahminli) 15
16 5. SONUÇ Ankara Hızlı Raylı Ulaşım Sisteminin Kızılay durağında görüntü işleme tekniği kullanılarak yolcu gelişleri, dakika bazında sayısal olarak hesaplandı. Bu yolcu gelişleri değerleri Zaman Serisi Verileri olarak alınıp yolcu gelişlerinin Box-Jenkins yaklaşımı ile modellenmesi yapıldı. Kurulan model aracılığı ile önümüzdeki dönemler için yolcu gelişleri tahmin edildi. Bu teknikler kullanılarak söz konusu hizmet sisteminde dinamik çizelgeleme sürecine veri hazırlanabileceği gösterildi. Dinamik çizelgeleme çalışmasının başarılı olabilmesi için, haftanın günleri yolcu yoğunluğuna göre belli zaman aralıklarına ayrılmalı ve belirlenen herbir zaman aralığına göre ayrı ayrı ARIMA modelleri tesbit edilmeli ki yapılacak tahminler daha gerçekçi olsun. Diğer yandan deneysel çalışmalarda kullanılan görüntülerin elde edilmesinde uygulama çalışmaları kısmında metro istasyonlarında bulunan, güvenlik amaçlı, platform kameraları kullanılmıştır. Gerek platform kameralarının netliğinin kötü olması ve gerekse kullanılan yazılımların 8 bitlik görüntüleri işleyebilmesi, incelenen görüntülerin netliğinin düşük olmasına ve dolayısıyla az da olsa bilgi kaybına neden olmuştur. KAYNAKLAR 1. Yule, G.U., On a method of investigating periodicities in disturbed series, with special reference to Wölfer s sunspot numbers, Phil. Trans., A6, 67, Slutsky, E., The summation of random causes as the source of cyclic processes, Problems of Economic Conditions, 3, 1, 197; English trans. in Econometrica, 5, 105, Wold, H.O., A Study in The Analysis of Stationary Time Series, Almquist and Wicksell, Uppsala, Box, G. E. P., Jenkins, G. M., 1976, Time Series Analysis, Forecasting and Control, Holden Day, San Francisco. 5. Baxes, A Gregory, 1994, Digital İmage Processing Principles and Applications, John Wiley & Sons, Inc., USA. 6. Castelman, R.Kenneth, 1996, Digital İmage Processing, Prentice hall, Englwood Cliffs, New Jersey, USA 7. Yaman, K., 000, Görüntü İşleme Yönteminin Ankara Hızlı Raylı Ulaşım Sistemi Güzergahında Sefer Aralıklarının Optimizasyonuna Yönelik Olarak İncelenmesi, Yüksek Lisans Tezi, Gazi Ü. Fen Bilimleri Ens. 8. Haralick, R.M., Shapiro, L.G., 1993, Computer and Robot Vision, Volume 1, Addison Wesley Publishing Co., USA. 9. Sigma Scan Pro, 1995,, Automated Image Analysis Software User s Manual, Jandel Scientific software Co., USA. 10. O shea, T., Eisenstadt, M., 1984, Artificial Intelligence, Harper & Row, Publishers, New York, USA. 11. Kutay, F., 000, Zaman Serileri Analizi Ders Notları, Gazi Ü. Fen Bilimleri Enstitüsü 1. Işığıçok, E., 1993,Değişkenler Arasındaki İlişkilerin Araştırılmasında Nedensellik Testleri ve Bir Uygulama Denemesi, Doktora Tezi, Uludağ Ü. Sosyal Bilimler Enstitüsü, Bursa. 16
17 Ek-1: ARIMA (1, 1, ) Modelinin analiz sonuçları :8:7 Welcome to Minitab, press F1 for help. ARIMA Model: C1 Estimates at each iteration Iteration SSE Parameters ,8 0,100 0,100 0,100 0, ,3 0,44 0,50 0,149 0, ,3 0,377 0,400 0,16 0, ,4 0,481 0,550 0,335 0, ,8 0,48 0,604 0,410 0, ,4 0,33 0,595 0,46 0, ,5 0,187 0,484 0,576 0, ,3 0,183 0,484 0,576 0, ,4 0,183 0,484 0,576 0,17 Relative change in each estimate less than 0,0010 Final Estimates of Parameters Type Coef SE Coef T P AR 1 0,1830 0,1771 1,03 0,304 MA 1 0,4839 0,1867,59 0,011 MA 0,5757 0,1479 3,89 0,000 Constant 0,1664 0, ,70 0,000 Differencing: 1 regular difference Number of observations: Original series 90, after differencing 89 Residuals: SS = 15664,3 (backforecasts excluded) MS = 184,3 DF = 85 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag Chi-Square 9,3 58,6 101,0 130,9 DF P-Value 0,30 0,000 0,000 0,000 Ek-: Yolcu gelişlerinin %95 güven aralığında alt ve üst sınırları verilen tahmini değerler Forecasts from period 90 Period Forecast Lower Upper Actual 91 19,08-7, , ,864-3,645 61, ,7473-1,775 63, ,55-1,311 63, ,4396-1, , ,6055-1, , ,765-0, , ,9178-0, , ,079-0, , ,79-0, , ,3830-0, , ,5380-0, , ,6930-0,364 65, ,8480-0,644 65, ,0030-0, , ,1580-0, , ,3130 0,030 66, ,4680 0,186 66, ,630 0,70 67, ,7780 0,356 67,305 17
DİNAMİK ÇİZELGELEME İÇİN GÖRÜNTÜ İŞLEME VE ARIMA MODELLERİ YARDIMIYLA VERİ HAZIRLAMA
Gazi Üniv. Müh. Mim. Fak. Der. J. Fac. Eng. Arch. Gazi Univ. Cilt 16, No 1, 19-40, 2001 Vol 16, No 1, 19-40, 2001 DİNAMİK ÇİZELGELEME İÇİN GÖRÜNTÜ İŞLEME VE ARIMA MODELLERİ YARDIMIYLA VERİ HAZIRLAMA Kemal
DetaylıGÖRÜNTÜ ĐŞLEME ĐLE KĐŞĐ YOĞUNLUKLARININ BELĐRLENMESĐ. Bölümü, 06570, Maltepe, Ankara, Türkiye. e
GÖRÜNTÜ ĐŞLEME ĐLE KĐŞĐ YOĞUNLUKLARININ BELĐRLENMESĐ Kemal YAMAN 1 ve Nizami AKTÜRK 2 1 Arş. Gör., Gazi Üniversitesi, Mühendislik Mimarlık Fakültesi, Makine Mühendisliği Bölümü, 06570, Maltepe, Ankara,
DetaylıTürkiye deki İş Kazalarının Box-Jenkins Tekniği ile İncelenmesi. Doç. Dr. Arzu ALTIN YAVUZ Ar. Gör. Barış ERGÜL Ar. Gör. Ebru GÜNDOĞAN AŞIK
Türkiye deki İş Kazalarının Box-Jenkins Tekniği ile İncelenmesi Doç. Dr. Arzu ALTIN YAVUZ Ar. Gör. Barış ERGÜL Ar. Gör. Ebru GÜNDOĞAN AŞIK Sunu Planı Giriş Bu bölümde İş Sağlığı ve Güvenliği ile ilgili
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
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. 06 Kasım
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
DetaylıZaman Serileri-1. If you have to forecast, forecast often. EDGAR R. FIEDLER, American economist. IENG 481 Tahmin Yöntemleri Dr.
Zaman Serileri-1 If you have to forecast, forecast often. EDGAR R. FIEDLER, American economist IENG 481 Tahmin Yöntemleri Dr. Hacer Güner Gören Zaman Serisi nedir? Kronolojik sırayla elde edilen verilere
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
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
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
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
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
DetaylıZaman Serileri. IENG 481 Tahmin Yöntemleri Dr. Hacer Güner Gören
Zaman Serileri IENG 481 Tahmin Yöntemleri Dr. Hacer Güner Gören Zaman Serisi nedir? Kronolojik sırayla elde edilen verilere sahip değișkenlere zaman serisi adı verilmektedir. Genel olarak zaman serisi,
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
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
DetaylıALIŞTIRMA 2 GSYİH. Toplamsal Ayrıştırma Yöntemi
ALIŞTIRMA 2 GSYİH Bu çalışmamızda GSYİH serisinin toplamsal ve çarpımsal ayrıştırma yöntemine göre modellenip modellenemeyeceği incelenecektir. Seri ilk olarak toplamsal ayrıştırma yöntemine göre analiz
DetaylıBölüm 4 Yoğunluk Dönüşümleri ve Histogram İşleme
BLM429 Görüntü İşlemeye Giriş Bölüm 4 Yoğunluk Dönüşümleri ve Histogram İşleme Dr. Öğr. Üyesi Caner ÖZCAN It makes all the difference whether one sees darkness through the light or brightness through the
DetaylıKontrol Sistemlerinin Analizi
Sistemlerin analizi Kontrol Sistemlerinin Analizi Otomatik kontrol mühendisinin görevi sisteme uygun kontrolör tasarlamaktır. Bunun için öncelikle sistemin analiz edilmesi gerekir. Bunun için test sinyalleri
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
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık KORELASYON ve REGRESYON ANALİZİ Doç. Dr. İrfan KAYMAZ Tanım Bir değişkenin değerinin diğer değişkendeki veya değişkenlerdeki değişimlere bağlı olarak nasıl etkilendiğinin istatistiksel
DetaylıGÖRÜNTÜ İŞLEME HAFTA 4 DÖNÜŞÜMLER UZAYSAL FİLTRELEME
GÖRÜNTÜ İŞLEME HAFTA 4 DÖNÜŞÜMLER UZAYSAL FİLTRELEME DERS İÇERİĞİ Histogram İşleme Filtreleme Temelleri HİSTOGRAM Histogram bir resimdeki renk değerlerinin sayısını gösteren grafiktir. Histogram dengeleme
DetaylıMatlab Kullanarak Basit Bir Güvenlik Sistemi Geliştirilmesi. Development of a Simple Security System Using Matlab ÖZET ABSTRACT
Politeknik Dergisi Journal of Polytechnic Cilt:12 Sayı: 2 s.67-72, 2009 Vol: 12 No: 2 pp.67-72, 2009 Matlab Kullanarak Basit Bir Güvenlik Sistemi Geliştirilmesi rcan Nurcan YILMAZ, Cihan MANAV ÖZT Bu çalışmada,
DetaylıDijital Fotogrametri
Dijital Fotogrametri 2016-2017, Bahar YY Fevzi Karslı (Prof. Dr.) Harita Mühendisliği Bölümü Mühendislik Fakültesi KTÜ 20 Mart 2017 Pazartesi Ders Planı ve İçeriği 1. Hafta Giriş, dersin kapsamı, kavramlar,
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.
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
Detaylı1203608-SIMÜLASYON DERS SORUMLUSU: DOÇ. DR. SAADETTIN ERHAN KESEN. Ders No:5 Rassal Değişken Üretimi
1203608-SIMÜLASYON DERS SORUMLUSU: DOÇ. DR. SAADETTIN ERHAN KESEN Ders No:5 RASSAL DEĞIŞKEN ÜRETIMI Bu bölümde oldukça yaygın bir biçimde kullanılan sürekli ve kesikli dağılımlardan örneklem alma prosedürleri
DetaylıTahminleme Yöntemleri-2
PAU ENDÜSTRİ MÜHENDİSLİĞİ IENG 318 - Üretim Planlama ve Kontrolü 1 Tahminleme Yöntemleri-2 İçerik 1. Mevsimsel Değişim Bazlı Teknik 2. Box-Jenkins Modelleri 3. Tahmin Yöntemlerini Uygulamada Dikkat Edilmesi
DetaylıDijital Panoramik Görüntülemede HD Teknolojisi. Süper Hızlı Dijital Panoramik X-ray Cihazı. Thinking ahead. Focused on life.
Dijital Panoramik Görüntülemede HD Teknolojisi Süper Hızlı Dijital Panoramik X-ray Cihazı Konsept!! W E N Süper Yüksek Hız 5.5 sn & Süper Yüksek Çözünürlük 16 bit Yeni teknoloji HD tüp ve sensör Yeni nesil
DetaylıGediz Havzası Yağışlarının Stokastik Modellemesi
Ege Üniv. Ziraat. Fak. Derg.,, ():- ISSN - Gediz Havzası Yağışlarının Stokastik Modellemesi Kıvanç TOPÇUOĞLU Gülay PAMUK Mustafa ÖZGÜREL Summary Stochastic Modelling of Gediz Basin s Precipitation In this
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
DetaylıZaman Serileri Ekonometrisine Giriş
Zaman Serileri Ekonometrisine Giriş Box-Jenkins Yöntemi Ekonometri 2 Konu 26 Sürüm 2,0 (Ekim 2011) UADMK Açık Lisans Bilgisi İşbu belge, Creative Commons Attribution-Non-Commercial ShareAlike 3.0 Unported
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
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,
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
DetaylıARIMA MODELLERİ KULLANILARAK YAPILAN ENERJİ TÜKETİMİ TAHMİN ÇALIŞMASI
ARIMA MODELLERİ KULLANILARAK YAPILAN ENERJİ TÜKETİMİ TAHMİN ÇALIŞMASI Mehmet KURBAN 1 Ümmühan BAŞARAN FİLİK 2 Sevil ŞENTÜRK 3 1,2 Elektrik ve Elektronik Mühendisliği Bölümü, Mühendislik-Mimarlık Fakültesi,
DetaylıYrd. Doç. Dr. Saygın ABDİKAN 2014-2015 Öğretim Yılı Bahar Dönemi
Dijital Görüntü İşleme (JDF338) Yrd. Doç. Dr. Saygın ABDİKAN 2014-2015 Öğretim Yılı Bahar Dönemi 1 Dijital görüntü işlemede temel kavramlar Sayısal Görüntü İşleme; bilgisayar yardımı ile raster verilerin
Detaylı6. DENEY Alternatif Akım Kaynağı ve Osiloskop Cihazlarının Kullanımı
6. DENEY Alternatif Akım Kaynağı ve Osiloskop Cihazlarının Kullanımı Deneyin Amacı: Osiloskop kullanarak alternatif gerilimlerin incelenmesi Deney Malzemeleri: Osiloskop Alternatif Akım Kaynağı Uyarı:
DetaylıElectronic Letters on Science & Engineering 1(2) (2005) Available online at www.e-lse.org
Electronic Letters on Science & Engineering 1(2) (2005) Available online at www.e-lse.org Human Face Recognition Orhan Er, Feyzullah Temurtas Sakarya University, Department of Computer Engineering, 54187
DetaylıMAK 210 SAYISAL ANALİZ
MAK 210 SAYISAL ANALİZ BÖLÜM 5- SONLU FARKLAR VE İNTERPOLASYON TEKNİKLERİ Doç. Dr. Ali Rıza YILDIZ MAK 210 - Sayısal Analiz 1 İNTERPOLASYON Tablo halinde verilen hassas sayısal değerler veya ayrık noktalardan
DetaylıDijital Görüntü İşleme (COMPE 464) Ders Detayları
Dijital Görüntü İşleme (COMPE 464) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Dijital Görüntü İşleme COMPE 464 Her İkisi 3 0 0 3 5 Ön Koşul Ders(ler)i
DetaylıHafta 2 Görüntünün Alınması ve Sayısallaştırılması
BLM429 Görüntü İşlemeye Giriş Hafta 2 Görüntünün Alınması ve Sayısallaştırılması Yrd. Doç. Dr. Caner ÖZCAN When something can be read without effort, great effort has gone into its writing. ~E. J. Poncela
DetaylıDODURGA BARAJINA GİREN SU MİKTARININ BOX-JENKINS TEKNİĞİ İLE MODELLENMESİ
Eskişehir Osmangazi Üniversitesi Müh.Mim.Fak.Dergisi C.XX, S.1, 27 Eng&Arch.Fac. Eskişehir Osmangazi University, Vol..XX, No:1, 27 Makalenin Geliş Tarihi : 2.2.26 Makalenin Kabul Tarihi : 27.1.26 DODURGA
Detaylıİstatistik ve Olasılık
İstatistik ve Olasılık Ders 5: Rastgele Değişkenlerin Dağılımları II Prof. Dr. İrfan KAYMAZ Sık Kullanılan Dağılımlar Frekans tablolarına dayalı histogram ve frekans poligonları, verilerin dağılımı hakkında
DetaylıDoç. Dr. Dilek ALTAŞ İSTATİSTİKSEL ANALİZ
I Doç. Dr. Dilek ALTAŞ İSTATİSTİKSEL ANALİZ II Yayın No : 2845 Teknik Dizisi : 158 1. Baskı Şubat 2013 İSTANBUL ISBN 978-605 - 377 868-4 Copyright Bu kitabın bu basısı için Türkiye deki yayın hakları BETA
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
DetaylıİSTATİSTİK I KISA ÖZET KOLAYAOF
DİKKATİNİZE: BURADA SADECE ÖZETİN İLK ÜNİTESİ SİZE ÖRNEK OLARAK GÖSTERİLMİŞTİR. ÖZETİN TAMAMININ KAÇ SAYFA OLDUĞUNU ÜNİTELERİ İÇİNDEKİLER BÖLÜMÜNDEN GÖREBİLİRSİNİZ. İSTATİSTİK I KISA ÖZET KOLAYAOF 2 Kolayaof.com
DetaylıMİKROİŞLEMCİ İLE A/D DÖNÜŞÜMÜ
KARADENİZ TEKNİK ÜNİVERSİTESİ BİLGİSAYAR MÜHENDİSLİĞİ BÖLÜMÜ BİLGİSAYAR ORGANİZASYONU LABORATUVARI MİKROİŞLEMCİ İLE A/D DÖNÜŞÜMÜ 1. GİRİŞ Analog işaretleri sayısal işaretlere dönüştüren elektronik devrelere
DetaylıGÖRÜNTÜSÜ ALINAN BİR NESNENİN REFERANS BİR NESNE YARDIMIYLA BOYUTLARININ, ALANININ VE AÇISININ HESAPLANMASI ÖZET ABSTRACT
GÖRÜNTÜSÜ ALINAN BİR NESNENİN REFERANS BİR NESNE YARDIMIYLA BOYUTLARININ, ALANININ VE AÇISININ HESAPLANMASI Hüseyin GÜNEŞ 1, Alper BURMABIYIK 2, Semih KELEŞ 3, Davut AKDAŞ 4 1 hgunes@balikesir.edu.tr Balıkesir
DetaylıDoç. Dr. Harun KESENKAŞ Ege Üniversitesi Ziraat Fakültesi Süt Teknolojisi Bölümü
Doç. Dr. Harun KESENKAŞ Ege Üniversitesi Ziraat Fakültesi Süt Teknolojisi Bölümü İnovasyon Ne Demektir? Latince innovare kökünden türetilmiş yeni ve değişik bir şey yapmak anlamına gelen bir terimdir.
DetaylıÖNGÖRÜ TEKNĐKLERĐ ÖDEV 5 (KEY)
ÖNGÖRÜ TEKNĐKLERĐ ÖDEV (KEY) Aşağıda verilen Y zaman sersisi bir ürünle ilgili satışları,aylar itibariyle, gösteren bir seridir. a) Bu serinin garfiğini çizip serinin taşıdığı desenleri (Trend, mevsimsellik
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
DetaylıTürkiye de Tavuk Yumurtası Mevcut Durumu ve Üretim Öngörüsü
Türkiye de Tavuk Yumurtası Mevcut Durumu ve Üretim Öngörüsü Zehra ÇİÇEKGİL Ebru YAZICI Öz Tavuk yumurtası insan beslenmesi açısından değerli bir gıda maddesidir. Türkiye de yumurta sektörü, son yıllarda
DetaylıBekleme Hattı Teorisi
Bekleme Hattı Teorisi Sürekli Parametreli Markov Zincirleri Tanım 1. * +, durum uzayı * +olan sürekli parametreli bir süreç olsun. Aşağıdaki özellik geçerli olduğunda bu sürece sürekli parametreli Markov
DetaylıOkut. Yüksel YURTAY. İletişim : (264) Sayısal Analiz. Giriş.
Okut. Yüksel YURTAY İletişim : Sayısal Analiz yyurtay@sakarya.edu.tr www.cs.sakarya.edu.tr/yyurtay (264) 295 58 99 Giriş 1 Amaç : Mühendislik problemlerinin bilgisayar ortamında çözümünü mümkün kılacak
Detaylıİşaret ve Sistemler. Ders 1: Giriş
İşaret ve Sistemler Ders 1: Giriş Ders 1 Genel Bakış Haberleşme sistemlerinde temel kavramlar İşaretin tanımı ve çeşitleri Spektral Analiz Fazörlerin frekans düzleminde gösterilmesi. Periyodik işaretlerin
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
DetaylıÜSTEL DÜZLEŞTİRME YÖNTEMİ
ÜSEL DÜLEŞİRME YÖNEMİ ÜSEL DÜLEŞİRME YÖNEMİ Bu bölüme kadar anlatılan yöntemler zaman içinde değişmeyen parametre varsayımına uygun serilerin tahminlerinde kullanılmaktaydı. Bu tür seriler deterministik
DetaylıALTIN ÜRETİMİNİN PLANLANMASI AÇISINDAN TÜRKİYE DE ALTIN FİYATININ TAHMİN EDİLMESİNE İLİŞKİN BİR ÇALIŞMA
ALTIN ÜRETİMİNİN PLANLANMASI AÇISINDAN TÜRKİYE DE ALTIN FİYATININ TAHMİN EDİLMESİNE İLİŞKİN BİR ÇALIŞMA Özet Yeliz SEVİMLİ Mine ÖMÜRGÖNÜLŞEN Altın fiyatıyla ilgili tahmin yapılması, altın fiyatının rasyonel
Detaylı0227130 FOTOGRAMETRİ KAMERA KALİBRASYONU ÖDEV YÖNERGESİ
0227130 FOTOGRAMETRİ Giriş: KAMERA KALİBRASYONU ÖDEV YÖNERGESİ 0227130 fotogrametri dersini alan öğrencilerin teorik dersleri izlemesinin yanında uygulamalı bir çalışma olan Kamera Kalibrasyonu Ödevi yapması
DetaylıDENEY FÖYÜ 4: Alternatif Akım ve Osiloskop
Deneyin Amacı: DENEY FÖYÜ 4: Alternatif Akım ve Osiloskop Osiloskop kullanarak alternatif gerilimlerin incelenmesi Deney Malzemeleri: 5 Adet 1kΩ, 5 adet 10kΩ, 5 Adet 2k2Ω, 1 Adet potansiyometre(1kω), 4
DetaylıMMT 106 Teknik Fotoğrafçılık 3 Digital Görüntüleme
MMT 106 Teknik Fotoğrafçılık 3 Digital Görüntüleme 2010-2011 Bahar Yarıyılı Ar. Gör. Dr. Ersoy Erişir 1 Konvansiyonel Görüntüleme (Fotografi) 2 Görüntü Tasarımı 3 Digital Görüntüleme 3.1 Renkler 3.2.1
Detaylı13. Olasılık Dağılımlar
13. Olasılık Dağılımlar Mühendislik alanında karşılaşılan fiziksel yada fiziksel olmayan rasgele değişken büyüklüklerin olasılık dağılımları için model alınabilecek çok sayıda sürekli ve kesikli fonksiyon
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,
DetaylıİSTATİSTİKSEL PROSES KONTROLÜ
İSTATİSTİKSEL PROSES KONTROLÜ ZTM 433 KALİTE KONTROL VE STANDARDİZASYON PROF: DR: AHMET ÇOLAK İstatistiksel işlem kontrolü (İPK), işlemle çeşitli istatistiksel metotların ve analiz sapmalarının kullanımını
DetaylıDijital Kameralar (Airborne Digital Cameras)
Dijital Kameralar (Airborne Digital Cameras) Klasik fotogrametrik görüntü alımındaki değişim, dijital kameraların gelişimi ile sağlanmaktadır. Dijital görüntü, analog görüntü ile kıyaslandığında önemli
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
DetaylıEEM HABERLEŞME TEORİSİ NİĞDE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ
EEM3006 - HABERLEŞME TEORİSİ NİĞDE ÜNİVERSİTESİ MÜHENDİSLİK FAKÜLTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ EEM3006 - HABERLEŞME TEORİSİ Dersin Öğretim Elemanı: Yrd. Doç. Dr. Yasin KABALCI Ders Görüşme
DetaylıBİR MONTAJ HATTI ÜRETİM SİSTEMİNDE OPTİMAL İŞGÜCÜ DAĞILIMININ ARENA PROCESS ANALYZER (PAN) VE OPTQUEST KULLANILARAK BELİRLENMESİ
BİR MONTAJ HATTI ÜRETİM SİSTEMİNDE OPTİMAL İŞGÜCÜ DAĞILIMININ ARENA PROCESS ANALYZER (PAN) VE OPTQUEST KULLANILARAK BELİRLENMESİ Özgür ARMANERİ Dokuz Eylül Üniversitesi Özet Bu çalışmada, bir montaj hattı
DetaylıALIŞTIRMA 1 ULUSAL SINAİ ENDEKS
ALIŞTIRMA 1 ULUSAL SINAİ ENDEKS Bu çalışmada Ulusal Sınai Endeks serisiyle ilgili analizler yapılacaktır. Öncelikle seri oluşturulur. Data dan Define Dates e girilir oradan weekly,days(5) işaretlenir ve
DetaylıEEM0304 SAYISAL ELEKTRONİK LABORATUVARI DENEY FÖYLERİ
EEM0304 SAYISAL ELEKTRONİK LABORATUVARI DENEY FÖYLERİ BİTLİS EREN ÜNİVERSİTESİ ELEKTRİK-ELEKTRONİK MÜHENDİSLİĞİ BÖLÜMÜ DENEYLER İÇİN GEREKLİ ÖN BİLGİLER Tablo 1: Direnç kod tablosu OSİLOSKOP KULLANIMINA
DetaylıSürelerine Göre Tahmin Tipleri
Girişimcilik Bölüm 5: Talep Tahmini scebi@ktu.edu.tr 5.1. Talep Tahmini Tahmin: Gelecek olayları önceden kestirme bilim ve sanatı. İstatistiksel Tahmin: Geçmiş verileri matematiksel modellerde kullanarak
DetaylıBölüm 2 Görüntünün Alınması ve Sayısallaştırılması
BLM429 Görüntü İşlemeye Giriş Bölüm 2 Görüntünün Alınması ve Sayısallaştırılması Dr. Öğr. Üyesi Caner ÖZCAN When something can be read without effort, great effort has gone into its writing. ~E. J. Poncela
DetaylıRassal Değişken Üretimi
Rassal Değişken Üretimi Doç. Dr. Mehmet AKSARAYLI GİRİŞ Yaşadığımız ya da karşılaştığımız olayların sonuçları farlılık göstermektedir. Sonuçları farklılık gösteren bu olaylar, tesadüfü olaylar olarak adlandırılır.
DetaylıTahminleme Yöntemleri
PAU ENDÜSTRİ MÜHENDİSLİĞİ IENG 318 - Üretim Planlama ve Kontrolü Tahminleme Yöntemleri 2012-2013 Bahar Yarıyılı 1 İçerik 1. Talep Tahmini Kavramı 2. Talep Tahminlerinin Kullanım Yeri 3. Talep Tahmin Modelleri
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
Detaylıİşaret ve Sistemler. Ders 3: Periyodik İşaretlerin Frekans Spektrumu
İşaret ve Sistemler Ders 3: Periyodik İşaretlerin Frekans Spektrumu Fourier Serileri Periyodik işaretlerin spektral analizini yapabilmek için periyodik işaretler sinüzoidal işaretlerin toplamına dönüştürülür
DetaylıGÖRÜNTÜ İŞLEME UYGULAMALARI. Arş. Gör. Dr. Nergis TURAL POLAT
GÖRÜNTÜ İŞLEME UYGULAMALARI Arş. Gör. Dr. Nergis TURAL POLAT İçerik Görüntü işleme nedir, amacı nedir, kullanım alanları nelerdir? Temel kavramlar Uzaysal frekanslar Örnekleme (Sampling) Aynalama (Aliasing)
DetaylıKAYNAK KİTAP: 1-DIGITAL DESIGN PRINCIPLES & PRACTICES PRINCIPLES & PRACTICES PRINCIPLES & PRACTICES. PRENTICE HALL. Yazar: JOHN F.
KAYNAK KİTAP: 1-DIGITAL DESIGN PRINCIPLES & PRACTICES PRINCIPLES & PRACTICES PRINCIPLES & PRACTICES. PRENTICE HALL. Yazar: JOHN F. WAKERLY DERSIN TANIMI Dersin Adı: SAYISAL TASARIM-I/BM-205 Dersin Kredisi:
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
DetaylıTEMEL GÖRÜNTÜ BİLGİSİ
TEMEL GÖRÜNTÜ BİLGİSİ FOTOĞRAF/GÖRÜNTÜ KAVRAMI VE ÖZELLİKLERİ BEÜ MÜHENDİSLİK FAKÜLTESİ GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ JDF345 TEMEL GÖRÜNTÜ BİLGİSİ DERSİ NOTLARI http://geomatik.beun.edu.tr/marangoz/ İÇERİK
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.
DetaylıDers Adı Kodu Yarıyılı T+U Saati Ulusal Kredisi AKTS
DERS BİLGİLERİ Ders Adı Kodu Yarıyılı T+U Saati Ulusal Kredisi AKTS Sayısal Görüntü İşleme BIL413 7 3+0 3 5 Ön Koşul Dersleri Yok Dersin Dili Dersin Seviyesi Dersin Türü Türkçe Lisans Seçmeli / Yüz Yüze
DetaylıAvrasya Ekonomik Birliği Elektrik Piyasası Entegrasyonu Kapsamında Kırgızistan ın Enerji Tüketim Projeksiyonu
Avrasya Ekonomik Birliği Elektrik Piyasası Entegrasyonu Kapsamında Kırgızistan ın Enerji Tüketim Projeksiyonu Prof. Dr. Ahmet BurçinYERELİ Hacettepe Üniversitesi, İktisadi ve İdari Bilimler Fakültesi,
Detaylıİşgücü Talebinin Tahmininde Sayısal ve. ve Ayrıntılı Yöntemler. İnsan Kaynakları Planlamasında Sayısal
İşgücü Talebinin Tahmininde Sayısal ve Sayısal Yrd. Doç. Dr. Rıza DEMİR İstanbul Üniversitesi İşletme Fakültesi İnsan Kaynakları Planlaması ve Seçimi Dersi 2017 Talep Tahmin i İnsan kaynakları talebi veya
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
DetaylıSONLU FARKLAR GENEL DENKLEMLER
SONLU FARKLAR GENEL DENKLEMLER Bir elastik ortamın gerilme probleminin Airy gerilme fonksiyonu ile formüle edilebilen halini göz önüne alalım. Problem matematiksel olarak bölgede biharmonik denklemi sağlayan
DetaylıOlasılık ve İstatistik (IE 220) Ders Detayları
Olasılık ve İstatistik (IE 220) Ders Detayları Ders Adı Ders Kodu Dönemi Ders Saati Uygulama Saati Laboratuar Saati Kredi AKTS Olasılık ve İstatistik IE 220 Her İkisi 3 0 0 3 5 Ön Koşul Ders(ler)i Dersin
DetaylıHer bir kapının girişine sinyal verilmesi zamanı ile çıkışın alınması zamanı arasında çok kısa da olsa fark bulunmaktadır -> kapı gecikmesi
Kapılardaki gecikme Her bir kapının girişine sinyal verilmesi zamanı ile çıkışın alınması zamanı arasında çok kısa da olsa fark bulunmaktadır -> kapı gecikmesi Kapılardaki gecikme miktarının hesaplanması
DetaylıOSİLOSKOP KULLANIMINA AİT TEMEL BİLGİLER
OSİLOSKOP KULLANIMINA AİT TEMEL BİLGİLER Elektriksel işaretlerin ölçülüp değerlendirilmesinde kullanılan aletler içinde en geniş ölçüm olanaklarına sahip olan osiloskop, işaretin dalga şeklinin, frekansının
Detaylı9. ARDIŞIK BAĞIMLILIK SORUNU (AUTOCORRELATION) 9.1. Ardışık Bağımlılık Sorunu Nedir?
9. ARDIŞIK BAĞIMLILIK SORUNU (AUTOCORRELATION) 9.1. Ardışık Bağımlılık Sorunu Nedir? Ardışık bağımlılık sorunu, hata terimleri arasında ilişki olmadığı (E(u i,u j ) = 0, i j) varsayımının geçerli olmamasıdır.
Detaylı3 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI
ÖNSÖZ İÇİNDEKİLER III Bölüm 1 İSTATİSTİK ve SAYISAL BİLGİ 11 1.1 İstatistik ve Önemi 12 1.2 İstatistikte Temel Kavramlar 14 1.3 İstatistiğin Amacı 15 1.4 Veri Türleri 15 1.5 Veri Ölçüm Düzeyleri 16 1.6
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
Detaylı5 İki Boyutlu Algılayıcılar
65 5 İki Boyutlu Algılayıcılar 5.1 CCD Satır Kameralar Ölçülecek büyüklük, örneğin bir telin çapı, objeye uygun bir projeksiyon ile CCD satırının ışığa duyarlı elemanı üzerine düşürülerek ölçüm yapılır.
Detaylı5. Elektriksel Büyüklüklerin Ölçülebilen Değerleri
Elektrik devrelerinde ölçülebilen büyüklükler olan; 5. Elektriksel Büyüklüklerin Ölçülebilen Değerleri Akım Gerilim Devrede bulunan kaynakların tiplerine göre değişik şekillerde olabilir. Zamana bağlı
DetaylıANOLOG-DİJİTAL DÖNÜŞTÜRÜCÜLER
ADC ve DAC 1 BM-201 2 ANOLOG-DİJİTAL DÖNÜŞTÜRÜCÜLER Maksimum ve minimum sınırları arasında farklı değerler alarak değişken elektriksel büyüklüklere analog bilgi ya da analog değer denir. Akım ve gerilim
DetaylıSIRA İSTATİSTİKLERİ VE UYGULAMA ALANLARINDAN BİR ÖRNEĞİN DEĞERLENDİRMESİ
Sıra İstatistikleri ve Uygulama Alanlarından Bir Örneğin Değerlendirmesi 89 SIRA İSTATİSTİKLERİ VE UYGULAMA ALANLARINDAN BİR ÖRNEĞİN DEĞERLENDİRMESİ Esin Cumhur PİRİNÇCİLER Araş. Gör. Dr., Çanakkale Onsekiz
DetaylıRASSAL SAYI ÜRETİLMESİ
Dr. Mehmet AKSARAYLI Ekonometri Böl. Simülasyon Ders Notları Rassal Sayı Üretilmesi RASSAL SAYI ÜRETİLMESİ Simülasyon analizinde kullanılacak az sayıda rassal sayı üretimi için ilkel yöntemler kullanılabilir.
DetaylıBKİ farkı Standart Sapması (kg/m 2 ) A B BKİ farkı Ortalaması (kg/m 2 )
4. SUNUM 1 Gözlem ya da deneme sonucu elde edilmiş sonuçların, rastlantıya bağlı olup olmadığının incelenmesinde kullanılan istatistiksel yöntemlere HİPOTEZ TESTLERİ denir. Sonuçların rastlantıya bağlı
DetaylıSayı sistemleri-hesaplamalar. Sakarya Üniversitesi
Sayı sistemleri-hesaplamalar Sakarya Üniversitesi Sayı Sistemleri - Hesaplamalar Tüm sayı sistemlerinde sayılarda işaret kullanılabilir. Yani pozitif ve negatif sayılarla hesaplama yapılabilir. Bu gerçek
DetaylıMATLAB/Simulink ile Sistem Modellemesine Giriş
MATLAB/Simulink ile Sistem Modellemesine Giriş Seminer Notları 2017-2018 Güz Dönemi Arş. Gör. Abdurrahim Dal 1. GİRİŞ Günümüzde, mühendislik sistemlerinin benzetimlerinin (simülasyonlarının) önemi gün
Detaylı