Análisis de imágenes digitales
|
|
- Carmelo Franco Rivero
- hace 6 años
- Vistas:
Transcripción
1 Análisis de imágenes digitales SEGMENTACIÓN DE LA IMAGEN Segmentación basada en color
2 INTRODUCCIÓN La segmentación de imágenes a color se puede realizar mediante técnicas de clasificación supervisada. Para clasificar un píxel se necesita: (a) información a priori sobre los colores que se desean detectar (clases) y (b) características cromáticas apropiadas para separar los píxeles en una clase u otra. Existen diversas dificultades para la detección automática de color, ya que existen variaciones en las tonalidades del color que se desea detectar originadas por la iluminación ambiental y el sensor de la cámara. Es posible extraer información suficiente a partir de modelos probabilísticos para realizar la detección de color. Luz flourecente Imagen a la sombra Luz incandescente Luz de sol 2
3 INTRODUCCIÓN Recordemos que existen dos propiedades de la luz representadas por los espacios de color: 1. Luminancia: medida de la cantidad de fotones capturados por el sensor de la cámara, i.e., energía de la fuente luminosa. 2. Crominancia: información sobre la composición espectral de la luz reflejada por los objetos. La transformación entre espacios de color puede resaltar características específicas de una característica particular del color y, por tanto, mejorar la detección de color x = [ x 1, x 2, x 3 ] Cada píxel está definido por un vector con la información de luminancia y crominancia 3
4 INTRODUCCIÓN Espacio de color aditivo: RGB y RGB normalizado Espacios de color comúnmente usados en la detección de color Espacio de color perceptual: HSV Espacio de color ortogonal: YCbCr y CIE L*a*b* Para construir un modelo probabilístico robusto a las variaciones de iluminación se suele remover la información de luminancia y únicamente utilizar los canales cromáticos, e.g., RGB YCbCr CbCr. RGB YCbCr 4 CbCr
5 Para determinar la probabilidad de que un píxel pertenezca a un color específico se utiliza la probabilidad condicional basada en un clasificador Bayesiano: P ( c x) = P ( x c )P ( c) P x donde P(c) es la probabilidad a priori de un color deseado c, P(c x) es la probabilidad a posteriori del color c dado el valor de un píxel x; P(x) es la probabilidad marginal de x; y P(x c) es la probabilidad condicional de la clase de x dado c. Asumiendo que las probabilidades de cada color son equiprobables, la regla de decisión Bayesiana indica que un píxel arbitrario x es asignado a un color ci si: 5 ( ) P ( x c ) i > P ( x c j ), i j
6 MODELO PROBABILÍSTICO Se requiere información a priori del color que se desea detectar en un espacio color específico, de modo que una muestra del color está definida por el vector x = [x1,x2,x3], donde cada elemento indica el valor de una componente cromática. Por ejemplo, considerando el espacio CbCr (sin canal Y), un píxel de color se representa como x = [xcb,xcr], de modo que la probabilidad de que xcb y xcr ocurran simultáneamente se describe mediante su distribución conjunta. Supóngase que se quieren detectar cuatro colores mapeados al espacio CbCr, se debe conocer a priori su función de densidad de probabilidad (PDF) conjunta: x = [x Cb,x Cr ] 6 Probabilidad RGB Cb Cr
7 Para modelar la distribución de cada color, la función Gaussiana es comúnmente utilizada, la cual se define como: P ( x c i ) = 1 (2π ) l 2 Σ exp i 2 (x µ i ) T Σ 1 i (x µ i ), i = 1,2,,k donde µi es el vector de medias del color c i, Σ i es la matriz de covarianza de tamaño l l (l es el número de componente cromáticas), Σ i denota el determinante de Σ i, y Σ i 1 indica inversa de Σ i. P ( x c i ) Cb Cb Cr Cb Cr 7 Cr
8 Algoritmo general para la detección de color: Muestras del color RGB deseado Conversión a un espacio de color ortogonal Eliminar componente de luminancia Calcular µ y Σ Genera el modelo de color (entrenamiento) Clasificación de cada píxel de la imagen Imagen en RGB Conversión a un espacio de color ortogonal Eliminar componente de luminancia Evaluar modelo probabilístico Imagen segmentada Umbralado 8
9 Imagen a color Probabilidad en espacio CbCr Umbralado y etiquetado Imagen segmentada con pseudocolor 9
10 Segmentación usando diferentes espacios de color: RGB HSV HS L*a*b* a*b* YCbCr CbCr 10
11 Una aplicación común es la detección de piel humana, lo cual puede ser un primer paso en un método para detectar e identificar el rostro de una persona. Cada píxel de la imagen es clasificado como piel o no-piel a partir de la información de la componente de crominancia de píxeles de entrenamiento de color piel en un espacio de color definido. 1. Imagen de entrada 2. Imagen de probabilidad 3. Umbralado y eliminación de regiones 4. Template matching 5. Detección de rostros 11
12 Muestras de color piel Distribución conjunta de las componentes de crominancia CbCr HS RB Caucásico Todas las razas Asiático Caucásico Africano Asiático Modelo probabilístico f P(x c) Africano Cb Cb Cr Cr 12
13 Imagen de entrada Modelo probabilístico Cb Cr Imagen de probabilidad Piel detectada 13
Análisis de imágenes digitales
Análisis de imágenes digitales SEGMENTACIÓN DE LA IMAGEN Segmentación basada en texturas INTRODUCCIÓN La textura provee información sobre la distribución espacio-local del color o niveles de intensidades
Más detallesVisión por computadora Computer vision
Visión por computadora Computer vision Conjunto de algoritmos que permiten obtener una representación visual del mundo, suficiente para la realización de una tarea dada. Representación visual El mundo:
Más detallesComparación de métodos de detección de piel en modelos de color YCbCr y HSI para reconocimiento de caras
Comparación de métodos de detección de piel en modelos de color YCbCr y HSI para reconocimiento de caras Ramello, Pedro Martín Universidad Nacional del Litoral Facultad de Ingeniería y Ciencias Hídricas
Más detallesLicense Plate Detection using Neural Networks
License Plate Detection using Neural Networks Luis Carrera, Marco Mora Les Fous du Pixel Image Processing Research Group Department of Computer Science Catholic University of Maule http://www.lfdp-iprg.net
Más detallesAjustes de datos: transformación de datos. Capítulo 9 de McCune y Grace 2002
Ajustes de datos: transformación de datos. Capítulo 9 de McCune y Grace 2002 Razones estadísticas para transformar datos Mejorar las suposiciones de algunas técnicas estadísticas: normalidad, linealidad,
Más detalles3. Espacios de color. 3.Espacios de color. El uso del color en el procesamiento de imágenes está principalmente motivado por dos factores:
3. Espacios de color El uso del color en el procesamiento de imágenes está principalmente motivado por dos factores: El color es un poderoso descriptor que, en la mayoría de los casos simplifica la identificación
Más detallesEL4005 Principios de Comunicaciones Clase No.24: Demodulación Binaria
EL4005 Principios de Comunicaciones Clase No.24: Demodulación Binaria Patricio Parada Departamento de Ingeniería Eléctrica Universidad de Chile 5 de Noviembre de 2010 1 of 34 Contenidos de la Clase (1)
Más detallesREDUCCIÓN DEL RUIDO EN UNA IMAGEN DIGITAL
Div. Ingeniería de Sistemas y Automática Universidad Miguel Hernández REDUCCIÓN DEL RUIDO EN UNA IMAGEN DIGITAL Tabla de Contenidos Definición Filtros No Lineales Filtros Temporales Definición 3 G = Ruido:
Más detallesAplicación de PCA y técnicas bayesianas a la clasificación de píxeles basada en color
Aplicación de PCA y técnicas bayesianas a la clasificación de píxeles basada en color José M. Soto Hidalgo 1, Jesús Chamorro 2, José M. Palomares 1, Juan Carlos Gámez 1, Joaquín Olivares 1 1 Departamento
Más detallesCurso Avanzado de Procesamiento Digital de Imágenes con ENVI. TELEMATICA S.A. -
Curso Avanzado de Procesamiento Digital de Imágenes con ENVI L E C T U R A S TELEDETECCIÓN INTRODUCCIÓN TELEMATICA S.A. 2014 www.telematica.com.pe Introducción a la Teledetección y Procesamiento Digital
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesCÁLCULO DE PROBABILIDADES
CÁLCULO DE PROBABILIDADES Tipo de asignatura: Troncal Anual. Créditos ECTS: 15 I.- INTRODUCCIÓN AL CÁLCULO DE PROBABILIDADES. (16 horas presenciales) Tema 1.- La naturaleza del cálculo de probabilidades.
Más detallesLECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL.
LECTURA 1: LA DISTRIBUCIÓN NORMAL GENERAL LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I) TEMA 1: LA DISTRIBUCION NORMAL GENERAL PROPIEDADES 1 INTRODUCCION La distribución de probabilidad continua más importante
Más detallesCálculo de Probabilidades II Preguntas Tema 1
Cálculo de Probabilidades II Preguntas Tema 1 1. Suponga que un experimento consiste en lanzar un par de dados, Sea X El número máximo de los puntos obtenidos y Y Suma de los puntos obtenidos. Obtenga
Más detallesUnidad 1: Espacio de Probabilidad
Unidad 1: Espacio de Probabilidad 1.1 Espacios de Probabilidad. (1) Breve introducción histórica de las probabilidades (2) Diferencial entre modelos matemáticos deterministicos y probabilísticos (3) Identificar
Más detallesModelos de Color. Junio, esmitt ramírez
Modelos de Color Junio, 2016 Luz electromagnética Rojo Naranja Amarillo Verde Azul Índigo Violeta Conceptos básicos Matiz (Hue) : Se refiere al color Color Monocromático: Creado a partir de una sola longitud
Más detallesVisión Artificial INSTITUTO POLITACNICO NACIONAL
INSTITUTO POLITACNICO NACIONAL UNIDAD PROFESIONAL INTERDICIPLINARIA EN INGENIERIA Y TECNOLOGIAS AVANZADAS. Esté modelo fue diseñado para obtener la ventaja del sistema de visión humano, que es más sensible
Más detallesESCUELA SUPERIOR POLITÉCNICA DEL LITORAL CENTRO DE INVESTIGACIÓN CIENTÍFICA Y TECNOLÓGICA
Revista Tecnológica ESPOL, Vol. xx, N. xx, pp-pp, (Mes, 200x) Detección de Rostros Humanos en Posición Frontal en Imágenes a Color Utilizando Propiedades Estadísticas de la Piel Humana Junto con el Método
Más detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más detalles5. Clasificación de las formas del relieve. Modelización y análisis del terreno
5. Clasificación de las formas del relieve los elementos del relieve pozo cresta planicie pico canal collado ladera formas elementales: crestas la pendiente no es un curvatura nula convexidad criterio
Más detallesCLASIFICACIÓN DE LA IMAGEN. Escuela de Ingeniería Civil y Geomática Francisco Luis Hernández Torres
CLASIFICACIÓN DE LA IMAGEN TÉCNICA QUE PERMITE LA IDENTIFICACIÓN DE LOS DIFERENTES OBJETOS O GRUPOS PRESENTES EN UNA IMAGEN MULTI-ESPECTRAL. MÉTODO NO SUPERVISADO MÉTODO SUPERVISADO El Desarrollo De Las
Más detallesTécnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO
Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO 2 Objetivo El objetivo principal de las técnicas de clasificación supervisada es obtener un modelo clasificatorio válido para permitir tratar
Más detallesRedes bayesianas temporales para reconocimiento de escenarios
Redes bayesianas temporales para reconocimiento de escenarios Ahmed Ziani and Cina Motamed Visión de Alto Nivel Dr. Enrique Sucar Irvin Hussein López Nava Junio 2009 Introducción (1) Objetivo: aplicaciones
Más detallesTema 4. Reducción del ruido
Div. Ingeniería de Sistemas y Automática Universidad Miguel Hernández GRUPO DE TECNOLOGÍA INDUSTRIAL Tabla de Contenidos Definición Filtros Lineales Filtros Temporales Realce Espacial Definición Ruido:
Más detallesRobots Autónomos. Depto. de Ciencia de la Computación e Inteligencia Artificial
Robots Autónomos Depto. de Ciencia de la Computación e Inteligencia Artificial Contenido Problema del mapeado Mapeado 2D Mapeado 3D Introducción al SLAM Mapeado topológico Construcción de mapas: Descripción
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesVISIÓN POR COMPUTADOR
VISIÓN POR COMPUTADOR Introducción Ingeniería de Sistemas y Automática Universidad Miguel Hernández Tabla de Contenidos 2 Definición de Visión por Computador Captación Información Luminosa Imagen Digital
Más detallesClasificador Jerárquico de Imágenes utilizando Naive Bayes
Clasificador Jerárquico de Imágenes utilizando Naive Bayes Hernandez Torres Julio Noe, Marin Castro Maribel Angelica Instituto Nacional de Astrofísica Óptica y Electrónica {julio.hernandez.t, mmarinc}
Más detallesAplicación de Modelos Matemáticos en el Tratamiento de Imágenes de Ultrasonido
Aplicación de Modelos Matemáticos en el Tratamiento de Imágenes de Ultrasonido Dr. Marco MORA Investigador Les Fous du Pixel Image Procesing Group Departamento de Computación e Informática Universidad
Más detallesCapítulo 6: Variable Aleatoria Bidimensional
Capítulo 6: Variable Aleatoria Bidimensional Cuando introducíamos el concepto de variable aleatoria unidimensional, decíamos que se pretendía modelizar los resultados de un experimento aleatorio en el
Más detallesGUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC)
GUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC) Curso Académico: 2015-2016 Programa: Centro: Universidad: Máster Universitario en Ingeniería Informática Escuela Politécnica Superior
Más detallesSumario. Presentación... 15
Sumario Presentación... 15 1. INTRODUCCIÓN A LA TELEVISIÓN... 17 1.0. Introducción... 17 1.1. El contexto de la televisión... 18 1.2. Resumen histórico... 21 1.3. Estructura general del sistema de televisión...
Más detallesUn método de caracterización del patrón de color en la elastografia de nódulos mamarios.
Un método de caracterización del patrón de color en la elastografia de nódulos mamarios. Poster no.: S-1431 Congreso: SERAM 2012 Tipo del póster: Presentación Electrónica Científica Autores: F. Sendra
Más detallesUniversidad de Costa Rica Facultad de Ingeniería Escuela de Ingeniería Eléctrica
Universidad de Costa Rica Facultad de Ingeniería Escuela de Ingeniería Eléctrica IE 0502 Proyecto Eléctrico DISEÑO, PRUEBA E IMPLEMENTACIÓN DE UN ALGORITMO DE SEGMENTACIÓN DE POSIBLES CÉLULAS SIMPLES Por:
Más detallesReconocimiento automático a través de visión artificial, correlación estadística y Matlab aplicado a las matrículas de vehículos
Reconocimiento automático a través de visión artificial, correlación estadística y Matlab aplicado a las matrículas de vehículos Orlando Barcia * obarcia@ups.edu.ec Introducción Existen muchas investigaciones
Más detalles1. Los números reales. 2. Representación. 3. Densidad de los números racionales. 4. Propiedades de los números reales
EJES ARTICULADORES Y PRODUCTIVOS DEL AREA SISTEMA DE CONOCIMIENTOS GRADO: 10 11 1. Los números reales 1. Desigualdades. 2. Representación 2. Propiedades. 3. Densidad de los números racionales 4. Propiedades
Más detallesFundamentos y aplicaciones de la colorimetría diferencial
Fundamentos y aplicaciones de la colorimetría diferencial Francisco Miguel Martínez Verdú verdu@ua.es III Congreso Nacional de Gestión del Color en Artes Gráficas Valencia, 31 de octubre de 003 SUMARIO
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesProf. Eliana Guzmán U. Semestre A-2015
Unidad III. Variables aleatorias Prof. Eliana Guzmán U. Semestre A-2015 Variable Aleatoria Concepto: es una función que asigna un número real, a cada elemento del espacio muestral. Solo los experimentos
Más detallesTema 6. Variables aleatorias continuas
Tema 6. Variables aleatorias continuas Resumen del tema 6.1. Definición de variable aleatoria continua Identificación de una variable aleatoria continua X: es preciso conocer su función de densidad, f(x),
Más detallesPreparación de la imagen. Preparación de la imagen. Características de la imagen utilizada. PADVA, Diego y WILSON, Carlos
TRABAJO FINAL DE SENSORES REMOTOS 2008 2do CUATRIMESTRE Utilización de Imágenes ETM en el estudio geomorfológico de detalle de la localidad del Puente del Inca. Objetivos PADVA, Diego y WILSON, Carlos
Más detallesÁLGEBRA LINEAL II Algunas soluciones a la práctica 2.3
ÁLGEBRA LINEAL II Algunas soluciones a la práctica 2. Transformaciones ortogonales (Curso 2010 2011) 1. Se considera el espacio vectorial euclídeo IR referido a una base ortonormal. Obtener la expresión
Más detallesIntroducción a las imágenes digitales. Segunda parte
Introducción a las imágenes digitales Segunda parte Introducción a las imágenes digitales Herramientas matemáticas. Transformaciones de intensidad. Histograma de una imagen. Imágenes a color. Modelos de
Más detallesCurso de Procesamiento Digital de Imágenes
Curso de Procesamiento Digital de Imágenes Impartido por: Elena Martínez Departamento de Ciencias de la Computación IIMAS, UNAM, cubículo 408 http://turing.iimas.unam.mx/~elena/teaching/pdi-mast.html elena.martinez@iimas.unam.mx
Más detallesUnidad Temática 3: Probabilidad y Variables Aleatorias
Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento
Más detallesEsta definición se puede ampliar a cualquier par de bases de los espacio inicial y final MATRIZ DE UNA APLICACIÓN LINEAL EN BASES ARBITRARIAS
Cambios de base 3 3. CAMBIOS DE BASE Dada una aplicación lineal : y la base,,, se ha definido matriz en bases canónicas de la aplicación lineal a la matriz,, cuyas columnas son las coordenadas de en la
Más detallesEjercicios sobre probabilidades y entropías
Ejercicios sobre probabilidades y entropías CTI: Lección 1, Primer teorema de Shannon (SCT) Ramiro Moreno Chiral Dpt. Matemàtica (UdL) 10 de febrero de 2010 CTI, lección 1 (Problemas) Ejercicios sobre
Más detallessistema de reconocimiento facial
Universidad Nacional del Litoral Facultad de Ingeniería y Ciencias Hídricas Proyecto Final de Carrera - Ingeniería en Informática sistema de reconocimiento facial Autor: Director: Co-Director: Asesor Temático:
Más detallesDistribuciones de probabilidad bidimensionales o conjuntas
Distribuciones de probabilidad bidimensionales o conjuntas Si disponemos de dos variables aleatorias podemos definir distribuciones bidimensionales de forma semejante al caso unidimensional. Para el caso
Más detallesPorqué analizar imágenes?
Porqué analizar imágenes? Medidas que requieren estudiar un número demasiado elevado de imágenes. Análisis cuantitativo: La visión humana no cuantifica por si sola. El análisis automático es más repetitivo
Más detallesEl Algoritmo E-M. José Antonio Camarena Ibarrola
El Algoritmo E-M José Antonio Camarena Ibarrola Introducción Método para encontrar una estimación de máima verosimilitud para un parámetro ѳ de una distribución Ejemplo simple 24 Si tiene las temperaturas
Más detallesPolinomios y Estadística
Funciones polinomiales Universidad de Concepción, Chile Departamento de Geofísica Programación Científica con Software libre Primavera, 2011 Universidad de Concepción Contenidos Funciones polinomiales
Más detallesTema 15: Combinación de clasificadores
Tema 15: Combinación de clasificadores p. 1/21 Tema 15: Combinación de clasificadores Abdelmalik Moujahid, Iñaki Inza, Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial
Más detallesCURSO: TOMA DE DECISIONES BAJO RIESGO
MANAGEMENT CONSULTORES CURSO: TOMA DE DECISIONES BAJO RIESGO Cnel. R.L. Falcón 1435 C1406GNC 35 Buenos Aires, Argentina Tel.: 054-11-15-5468-3369 Fax: 054-11-4433-4202 Mail: mgm_consultas@mgmconsultores.com.ar
Más detallesModelos Estocásticos I Tercer Examen Parcial Respuestas
Modelos Estocásticos I Tercer Examen Parcial Respuestas. a Cuál es la diferencia entre un estado recurrente positivo y uno recurrente nulo? Cómo se define el período de un estado? Demuestre que si el estado
Más detallesTema 4: Variables aleatorias multidimensionales
1 Tema 4: Variables aleatorias multidimensionales En este tema: Distribución conjunta de probabilidad Probabilidad/densidad marginal Probabilidad/densidad condicionada Esperanza, varianza, desviación típica
Más detallesEl pipeline de visualización es el conjunto de
Sistemas de Visualización Pipeline de visualización 3D Definición del modelo geométrico Transformaciones geométricas Transformaciones de visualización Volumen de visualización Proyecciones Pipeline de
Más detallesComparación entre la Aplicación de la DCT y la KLT a la Compresión de Imágenes Digitales (Diciembre 2011)
Comparación entre la Aplicación de la DCT y la KLT a la Compresión de Imágenes Digitales (Diciembre 11) 1 Comparación entre la Aplicación de la DCT y la KLT a la Compresión de Imágenes Digitales (Diciembre
Más detallesSEGMENTACIÓN AUTOMÁTICA DE TEJIDOS CEREBRALES EN MRI MULTIESPECTRALES MEDIANTE CLASIFICACIÓN POR MÍNIMA DISTANCIA EUCLÍDEA
42 Jornadas Argentinas de Informática 4 Congreso Argentino de Informática y Salud Facultad de Matemática, Astronomía y Física Universidad Nacional de Córdoba Córdoba, Argentina SEGMENTACIÓN AUTOMÁTICA
Más detallesCOMPORTAMIENTO DE LOS MATERIALES ANTE LA LUZ. abril 2012
COMPORTAMIENTO DE LOS MATERIALES ANTE LA LUZ abril 2012 LUZ La luz es una radiación que hace posible la visión en la medida que se refleja en las diferentes superficies LUZ Y MATERIALES (τ) (α) (ρ) E
Más detallesBloque temático: Sistemas de Reconocimiento de Patrones
Bloque temático: Sistemas de Reconocimiento de Patrones 1 Sistemas de Reconocimiento de Patrones PRACTICAS 6)Estudio de ejemplos en Matlab 7)Adquisición de imágenes reales: generación de una librería de
Más detallesPROGRAMA INSTRUCCIONAL ALGEBRA LINEAL
UNIVERSIDAD FERMÍN TORO VICE RECTORADO ACADÉMICO FACULTAD DE INGENIERÍA ESCUELA DE COMPUTACIÓN PROGRAMA INSTRUCCIONAL ALGEBRA LINEAL CÓDIGO ASIGNADO SEMESTRE U. C DENSIDAD HORARIA H.T H.P/H.L H.A THS/SEM
Más detallesTEMA 5: INTERPOLACION NUMERICA
Lino Alvarez - Aurea Martinez METODOS NUMERICOS TEMA 5: INTERPOLACION NUMERICA 1 EL PROBLEMA GENERAL DE INTER- POLACION En ocasiones se plantea el problema de que se conoce una tabla de valores de una
Más detallesTema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
Más detallesANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ
ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ Probabilidad - Período de retorno y riesgo La probabilidad de ocurrencia de un fenómeno en hidrología puede citarse de varias Formas: El
Más detallesTema 1. Elementos de un sistema de Visión por Computador. Esquema general de un sistema de visión por computador
Tema 1 Elementos de un sistema de Visión por Computador Índice Esquema general de un sistema de visión por computador Esquema de un proceso de visión por computador Estructura típica de un sistema Fundamentos
Más detallesGeneración de variables aleatorias continuas Método de rechazo
Generación de variables aleatorias continuas Método de rechazo Georgina Flesia FaMAF 18 de abril, 2013 Método de Aceptación y Rechazo Repaso Se desea simular una v. a. X discreta, con probabilidad de masa
Más detallesCapítulo 2 Juegos estáticos con información asimétrica
Capítulo Juegos estáticos con información asimétrica January 1, 011 1 El equilibrio Bayesiano Definición 1.1. Un juego Bayesiano G consta de los siguientes elementos, G = (N, A, T, p, u) Un conjunto de
Más detallesLa temperatura de color
La temperatura de color La Luz Recordemos que la palabra fotografía, etimológicamente, la podemos definir como pintar o escribir con luz. La fotografía se hace entonces tomando como base a la luz y los
Más detallesMetodologías Para La Estimación de Ingresos Corrientes del Sector Público. Lic. Edgar Morales
Metodologías Para La Estimación de Ingresos Corrientes del Sector Público Lic. Edgar Morales Ingresos Fiscales Los ingresos fiscales son los que percibe el sector público para hacer frente a los gastos
Más detallesAprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Más detallesCOMPORTAMIENTO DE LOS MATERIALES ANTE LA LUZ
COMPORTAMIENTO DE LOS MATERIALES ANTE LA LUZ LUZ La luz es una radiación que hace posible la visión en la medida que se refleja en las diferentes superficies LUZ Y MATERIALES (τ) (α) (ρ) E incidente
Más detallesGeneración de Variables Aleatorias. UCR ECCI CI-1453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Generación de Variables Aleatorias UCR ECCI CI-453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción Las variables aleatorias se representan por medio de distribuciones
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesMETODOLOGÍA PARA LA DEFINICIÓN DE INDICADORES EN BASE A UN SISTEMA TURÍSTICO
METODOLOGÍA PARA LA DEFINICIÓN DE INDICADORES EN BASE A UN SISTEMA TURÍSTICO Características de un Observatorio Turístico Debe incluir la recopilación, análisis e interpretación de información relevante
Más detallesAsignaturas antecedentes y subsecuentes
PROGRAMA DE ESTUDIOS PROBABILIDAD Área a la que pertenece: Área Sustantiva Profesional Horas teóricas: 3 Horas prácticas: 2 Créditos: 8 Clave: F0056 Asignaturas antecedentes y subsecuentes PRESENTACIÓN
Más detallesTerminología de Color
Color 1 Color La luz es energía electromagnética en el rango del espectro de 400 a 700 nanómetros de longitud de onda, percibidos como los colores que van desde el rojo, naranja, amarillo, verde, azul,
Más detallesNúmeros reales. Valor absoluto. Desigualdades. Distancias entre la recta real. Intervalos y entornos.
MATEMÁTICAS I Contenidos. Aritmética y álgebra: Números reales. Valor absoluto. Desigualdades. Distancias entre la recta real. Intervalos y entornos. Resolución e interpretación gráfica de ecuaciones e
Más detallesLEYES DE LA ILUMINACIÓN
ILUMINACIÓN LEYES DE LA ILUMINACIÓN 1 DEFINICIONES - RESUMEN Flujo luminoso (Φ) es la cantidad de energía radiada por una fuente y que es capaz de generar sensación visual.- Lumen (lm) Eficiencia lumínica
Más detallesTema 2. Introducción a la Estadística Bayesiana
2-1 Tema 2 Introducción a la Estadística Bayesiana El teorema de Bayes Ejemplo Interpretación Ejemplo: influencia de la distribución a priori Ejemplo: densidad de flujo Probabilidad bayesiana Ejemplo:
Más detallesDr. Mauro Gutierrez Martinez Dr. Christiam Gonzales Chávez
Profesores: Mg. Cecilia Rosas Meneses Dr. Mauro Gutierrez Martinez Dr. Christiam Gonzales Chávez Definición. La función de distribución acumulada F X de una v.a. X es definida para cada número real x como
Más detallesSistemas de Inventarios con Demanda Probabilística
Facultad de Ingeniería Escuela de Ingeniería Industrial Curso: Sistemas de Almacenamiento e Inventarios Sistemas de Inventarios con Demanda Probabilística Profesor: Julio César Londoño O Sistemas de inventarios
Más detallesCálculo numérico. Sistemas de ecuaciones lineales.
José Luis Morales http://allman.rhon.itam.mx/ jmorales Departamento de Matemáticas. ITAM. 2010. Las raíces de x 2 bx + c = 0. r = b ± b 2 4c 2 b = 3.6778, c = 0.0020798 r 1 = 3.67723441190... r 2 = 0.00056558809...
Más detallesEjercicios de Variables Aleatorias
Ejercicios de Variables Aleatorias Elisa M. Molanes-López, Depto. Estadística, UC3M Transformaciones de variables aleatorias Ejercicio. Sea X una v.a. continua con función de densidad dada por: /, si
Más detallesFiltros digitales dominio del espacio dominio de la frecuencia
Tema 3: Filtros 1 Filtros digitales Los filtros digitales constituyen uno de los principales modos de operar en el procesamiento de imágenes digitales. Pueden usarse para distintos fines, pero en todos
Más detallesVariables aleatorias
Distribuciones continuas Se dice que una variable aleatoria X tiene una distribución continua, o que X es una variable continua, si existe una función no negativa f, definida sobre los números reales,
Más detallesSistemas de Ecuaciones. Lineales I
Sistemas de Ecuaciones Lineales I Preliminares: Expresión matricial. Dificultades numéricas. 521230-1 - DIM Universidad de Concepción Expresión matricial Todo sistema de ecuaciones lineales puede escribirse
Más detallesTema 5. Contraste de hipótesis (I)
Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar
Más detallesConsideración del Margen de Desvanecimiento con ICS Telecom en Planeación de Redes de Microceldas (NLOS)
Consideración del Margen de Desvanecimiento con ICS Telecom en Planeación de Redes de Microceldas (NLOS) Agosto 2008 SEAN YUN Traducido por ANDREA MARÍN Modelando RF con Precisión 0 0 ICS Telecom ofrece
Más detallesMENORES, COFACTORES Y DETERMINANTES
MENORES, COFACTORES Y DETERMINANTES 1. Introducción. 2. Determinante de una matriz de 3 x 3. 3. Menores y cofactores. 4. Determinante de una matriz de n x n. 5. Matriz triangular. 6. Determinante de una
Más detallesEjercicios de Vectores Aleatorios
Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO MAGISTRAL GRADO EN INGENIERÍA DE SISTEMAS AUDIOVISUALES Otros M2 Calcular la función de densidad conjunta y las marginales
Más detalles[20380] Visió per Computador Prueba 2 (2013) Teoria (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada)
102784 [20380] Visió per Computador Prueba 2 (2013) Teoria (10p) (una pregunta test fallada descuenta 1/4 de pregunta acertada) 1. En cuál de estas posibles aplicaciones podríamos utilizar una característica
Más detallesModelos de iluminación Representación de imágenes
Modelos de iluminación Representación de imágenes Visión Artificial Andrea Rueda Pontificia Universidad Javeriana Departamento de Ingeniería de Sistemas Modelos de Iluminación Luz Radiación electromagnética
Más detallesINSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
Más detallesAlcances de una cámara de video seguridad.
Alcances de una cámara de video seguridad. En muchas ocasiones los clientes nos piden una cámara de 20m de alcance, o de 100m de alcance. No vamos a encontrar dentro de las especificaciones de una cámara
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Percepción Visión computacional Definición Aplicaciones Representación
Más detallesAnálisis de Datos en Física de Partículas
Análisis de Datos en Física de Partículas Sección de Posgrado Facultad de Ciencias Universidad Nacional de Ingeniería C. Javier Solano S. jsolano@uni.edu.pe http://compinformatidf.wordpress.com/ Página
Más detallesMinería Multimedia Minería de datos NO estructurados (Textos, Imágenes, Audios y Videos)
Minería Multimedia Minería de datos NO estructurados (Tetos, Imágenes, Audios y Videos) Ana Isabel Oviedo Docente Universidad Pontificia Bolivariana ana.oviedo@upb.edu.co Medellín, noviembre 13 de 2014
Más detalles