Parking Surveillance. foreground/background segmentation - objectherkenning. Examen Beeldverwerking Pieter Vancoillie

Maat: px
Weergave met pagina beginnen:

Download "Parking Surveillance. foreground/background segmentation - objectherkenning. Examen Beeldverwerking Pieter Vancoillie"

Transcriptie

1 Parking Surveillance foreground/background segmentation - objectherkenning Examen Beeldverwerking Pieter Vancoillie

2 Doel van het (deel)project Uit beelden van een camera voetgangers, fietsers en auto s herkennen We nemen en camerabeeld als sequentie van frames die we analyseren Elk frame ondergaat: Elk frame ondergaat: Segmentatie Classificatie

3 Foreground/Background Segmentation Doel is om pixels in het beeld als actief aan te duiden, deze zijn interessant voor verder onderzoek Niet-actieve pixels worden als achtergrond beschouwd, deze worden niet verder onderzocht

4 Methode voor segmentatie Voor het segmenteren is de Mixture of Gaussians (MoG) methode gebruikt MoG is een Mixture model Elke cluster van data in een Mixture model wordt voorgesteld door een bepaalde distributie, hier de normale verdeling Hierover straks meer

5 MoG - Implementatie Matlab code voor MoG is origineel van Power en Schoonees en bewerkt door Jan Gobin & Pieter Cogghe Het resultaat zijn frames waarin de voorgrond rood is gekleurd. Interessanter om verder te bekijken zijn de masks die het Interessanter om verder te bekijken zijn de masks die het algoritme opbouwt, in een mask is de voorgrond wit en de achtergrond zwart.

6 MoG - Snelheid Een frame met resolutie van 640x480 pixels, waarvan we enkel de centrumstrook bekijken, heeft tussen de 6 à 8 seconden nodig voor analyse Oplossing: Doel van het (deel)project is detectie van voetganger, fietser en Doel van het (deel)project is detectie van voetganger, fietser en auto Datareductie door een resolutieverlaging van het frame Op voorwaarde dat het patroon nog steeds herkenbaar is

7 MoG - Reductie Resolutie Uit de multiresolutieanalyse van de Haar-Wavelet transformatie weten we dat de beschrijvende functie convergeert naar de grondtoon van de datareeks De reductie kent een ondergrens afhankelijk van het detailniveau gewenst in het patroon Detailniveau is afhankelijk van de toepassing: Onderscheid tussen auto en fietser Onderscheid auto en lichte vrachtwagen Onderscheid op type auto

8 MoG Reductie Resolutie Voor het classificeren van voetgangers, fietsers en auto s werden de level 2 beschrijvende coëfficiënten (A 2 ) van de 2D-Haar-Wavelet transformatie gebruikt Matlab bevat een WaveletToolbox : Functie: [C,S] =wavedec2(x,n,'wname') X: input matrix (frame) N: niveau van decompositie (2) C: vector met benaderende en detail coëfficiënten S: matrix met lengtes van de verschillende coëfficiënten reeksen Voordeel: benaderende en detail coëfficiënten van de verschillende niveaus, handig voor een meer dynamisch systeem Nadeel: benaderende coëfficiënten worden opgeslagen in zelfde resolutie ongeacht niveau Dit zou aanpassingen vergen aan het MoG-algoritme wat niet het doel is van deze voorcompressie, het MoG-algoritme moet onafhankelijk van de invoer werken. Oplossing: Eigen implementatie voor de decompositie (dim A 2 = 160x120)

9

10

11 MoG-Conclusie De tijd voor het analyseren van één frame is hierdoor een factor 10 gedaald en bedraagt nu ~ 0,4 seconden Op deze manier kunnen er 2 frames per seconde verwerkt worden Datareductie Voorgrond / Achtergrond segmentatie Classificatie

12 Object Herkenning - Classificatie We willen de herkende patronen gaan klasseren in 3 klassen: Auto Fietser Voetganger Hiervoor zijn 2 alternatieven bekeken: Hiervoor zijn 2 alternatieven bekeken: Hopfieldnet K-means clustering

13 Hopfieldnet Een neuraal netwerk dat een biologisch associatief geheugen modelleert Kan gebruikt worden voor patroonherkenning Het netwerk wordt getraind met verschillende bitpatronen (masks) die door de mens geclassificeerd zijn = de leerverzameling Na training zijn de klassen waarin we willen groeperen de stabiele toestanden Nu kan het net gebruikt worden om nieuwe frames te klasseren. Als een bepaald patroon wordt aangeboden is het resultaat de dichtst bijzijnde stabiele toestand (associatie)

14 Hopfieldnet

15 Hopfieldnet

16 K-means Clustering We klasseren in 3 groepen (k=3). Aangezien de testsequentie bijna geen frames met voetgangers bevat zien we deze klasse als alles wat geen fiets en geen auto is De leerverzameling bevat ongeveer 400 frames, wordt deze leerverzameling goed ingedeeld dan weten we dat de gemiddelden bruikbaar zijn Als we drie gemiddelde patronen hebben kunnen we op deze basis klasseren

17 K-means - Implementatie Wat is het gemiddelde patroon van een groep patronen? Elk patroon is een binaire zwart-witfiguur Per groep tellen we alle patronen op en delen we door het aantal patronen Algoritme: 1. Arbitraire verdeling van de patronen 2. Gemiddelden per groep berekenen 3. Patronen opnieuw indelen 4. Herhalen 2 & 3 tot de groepen stabiel zijn of maximum iteraties bereikt Goed resultaat pas na selectie van de leerverzameling, er zijn te veel frames waar niks gebeurt t.o.v. het aantal frames waar wel een object te zien is, hierdoor stijgt de invloed van het ruis.

18 Theorie: MoG Het pixelproces: Hieronder verstaan we de veranderingen die een pixel ondergaat in de loop van de tijd Op elk gegeven moment is de geschiedenis van de pixel gekend {X1,...,Xt} = {I(x0, y0, i) : 1 i t} {x0,y0}: de pixel I: frame sequentie

19 Pixelproces - Ideaal Als enkel kleine wijzigingen optreden over tijd kan pixel {x0,y0} gemodelleerd worden door één adaptieve gaussiaan. (bv een pixel op een vast oppervlak onderhevig aan enkel geleidelijke lichtwijziging) Zo is het duidelijk dat de waarde op tijdstip 5 te ver afwijkt van de norm en dus als voorgrond moet geklasseerd worden (een object komt voorbij)

20 Pixelproces - realiteit Vele oppervlakken hebben een multimodaal karakter Hierboven zien we twee voorbeelden van oppervlakken met een bimodaal karakter Rechts van de figuren zien we een plot met de rgb-waarden in functie van de tijd Het nodige aantal aan verdelingen wordt bepaald door beweging en textuur

21 Waarschijnlijkheidsfunctie De recente geschiedenis van een pixel, {X1,...,Xt},wordt voorgesteld door een mengeling van K gauss distributie, de verwachting voor de huidige pixel (Xt) is: De probabiliteit kan berekend worden door de som te nemen van elke mogelijke uitkomst Xt (stochastische variabele) vermenigvuldigd met de kans op deze uitkomst K= aantal distributies, tussen 3 à 5, afhankelijk van geheugen en rekenkracht ωi,t = schatting van het gewicht van de i de gaussiaan op tijd t (welk deel van de data vertegenwoordigd wordt door deze gaussiaan), ω=1 µi,t = gemiddelde (mean) waarde van de i de gaussiaan op tijd t Σi,t = de covariantiematrix van de i de gaussiaan op tijd t, matrix met de variantie voor rood-, groen- en blauwwaarden. η= De dichtheidsfunctie van de i de gaussiaan op tijd t T= gedeelte van de data dat geacht wordt achtergrond te zijn o<t<1 ~

22 MoG Dichtheidsfuncties 1D-pixel waarde X = {0,1,.,255} K = 3 ω k = {0.2,0.2,0.6} μ k = {80,100,200} σ k = {20,5,10}

23 MoG Om het Algoritme te verduidelijken volgen we één iteratie van een pixel in het pixelproces De iteratie moet uitgevoerd worden voor elk pixel van het frame om het te analyseren

24 Iteratie v/h pixelproces Elke nieuwe frame zorgt voor een nieuwe pixel-waarde voor {x0,y0} Zoals bij het classificeren met K-means gaan we de K distributies af op zoek naar een match, we hebben de passende distributie gevonden als X t binnen 2,5σ van μ van een distributie ligt. Als er een match is gevonden: Aanpassing van de gewichten als volgt: ωk,t = ωk,t 1 + α(mk,t ωk,t 1) M Mk,t = 1 voor het model dat past, 0 voor alle andere modellen α = leerconstante, α bepaalt hoe snel de parameters worden aangepast Na het bereken van de nieuwe gewichten worden deze terug genormaliseerd ( =1) Aanpassing μ en σ van de passende verdeling : Zelfde vorm als de aanpassing van het gewicht, hier met ρ die afhangt van α en de dichtheidsfunctie

25 Iteratie v/h pixelproces Als er geen match is gevonden: We vervangen de minst waarschijnlijke distributie, heeft de laagste probabiliteit, door een nieuwe distributie met als waarden: μ = de huidige waarde van {x0,y0} σ = een initieel hoge variantie ω = een initieel laag gewicht

26 Iteratie v/h pixelproces Welke distributies stellen het meest waarschijnlijk een achtergrondwaarde voor? Dit is de distributie met grootste gewicht en de laagste variantie grootste gewicht: duidt op distributie met veel matches laagste variantie: nieuwe pixelwaarde komt niet overeen met één van de μ s: variantie aanwezige distributie vergroten een distributie vervangen met een nieuwe met hoge variantie als nieuwe pixelwaarde overeenkomt met één van de μ s daalt de variantie van de betreffende distributie

27 Iteratie v/h pixelproces We rangschikken de gauss distributies op de waarde van ω/σ van groot naar klein we nemen de eerste B distributies als achtergrondmodel we klasseren distributies tot de achtergrond tot het geaccumuleerde gewicht T overschrijdt T: Ook hier is T de maat voor het deel van de data dat als achtergrond wordt verwacht Nemen we T klein: unimodaal achtergrondkarakter, één kleur als achtergrond Nemen we T groot: multimodaal achtergrondkarakter, meerdere kleuren als achtergrond Valt de huidige pixelwaarde van {x0,y0} binnen een distributie die als achtergrond is geklasseerd dan wordt {x0,y0} als achtergrond geklasseerd, anders wordt het aangeduid als een voorgrondpixel

28 Conclusie De methode vraagt 2 parameters die moeten worden opgegeven T & α Adaptieve gaussiaan techniek, zo wordt geleidelijke verandering van licht opgevangen. Multimodale distributies, zorgen voor het opvangen van schitteringen, wuivende takken, etc. Snel herstel als er terug wordt overgegaan naar een achtergrondwaarde Reken- en geheugenintensief: Voor elke pixel 5 gauss distributies in een frame van 640x480 pixels betekent 3x5x640x480 = variabelen voor het model. Het Algoritme dient uitgevoerd te worden voor elke pixel van elk frame van de sequentie

Tentamen Beeldverwerking TI2716-B Woensdag 28 januari 2015 14.00-17.00

Tentamen Beeldverwerking TI2716-B Woensdag 28 januari 2015 14.00-17.00 Tentamen Beeldverwerking TI2716-B Woensdag 28 januari 2015 14.00-17.00 De 2D Gaussische fimctie e-' = 037 e'^ =0.14 e"'' = 0.082 e-' =0.018 deze toets bestaat uit 4 opgaven en 8 pagina's Opgave 1 en 2

Nadere informatie

Wat is perceptie? Artificiële Intelligentie 1. Visuele perceptie. Perceptie. een probleem? De camera obscura

Wat is perceptie? Artificiële Intelligentie 1. Visuele perceptie. Perceptie. een probleem? De camera obscura Wat is perceptie? Perceptie is het waarnemen van de staat van de wereld. Artificiële Intelligentie Visuele perceptie Hoofdstuk 24 uit Russell & Norvig Hiervoor heb je sensors nodig, voorbeeld Binaire sensor:

Nadere informatie

Normale Verdeling Inleiding

Normale Verdeling Inleiding Normale Verdeling Inleiding Wisnet-hbo update maart 2010 1 De Normale verdeling De Normale Verdeling beschrijft het gedrag van een continue kansvariabele x. Om kansen te berekenen, moet de dichtheidsfunctie

Nadere informatie

Continuous Learning in Computer Vision S.L. Pintea

Continuous Learning in Computer Vision S.L. Pintea Continuous Learning in Computer Vision S.L. Pintea Continuous Learning in Computer Vision Natura non facit saltus. Gottfried Leibniz Silvia-Laura Pintea Intelligent Sensory Information Systems University

Nadere informatie

Uitgebreid eindwerkvoorstel Lokaliseren van personen en objecten met behulp van camera s

Uitgebreid eindwerkvoorstel Lokaliseren van personen en objecten met behulp van camera s Uitgebreid eindwerkvoorstel Lokaliseren van personen en objecten met behulp van camera s Sofie De Cooman 21 December 2006 Stagebedrijf: Interne begeleider: Externe begeleider: BarcoView Koen Van De Wiele

Nadere informatie

Samenhang in Morfologische Beeldanalyse

Samenhang in Morfologische Beeldanalyse Samenhang in Morfologische Beeldanalyse Michael H. F. Wilkinson Instituut voor Wiskunde en Informatica Rijksuniversiteit Groningen Overzicht Wat is mathematische morfologie? Connected Filters Basis idee

Nadere informatie

Flying Sensor Rapport

Flying Sensor Rapport Flying Sensor Rapport Locatie: Dintelse Gorzen Noord-Brabant Nederland Vluchtdatum: 21-mei-2014 Flying Sensor: Pelican Client: Natuurmonumenten HiView Costerweg 1V 6702AA Wageningen www.hiview.nl info@hiview.nl

Nadere informatie

Modelleren C Appels. Christian Vleugels Sander Verkerk Richard Both. 2 april 2010. 1 Inleiding 2. 3 Data 3. 4 Aanpak 3

Modelleren C Appels. Christian Vleugels Sander Verkerk Richard Both. 2 april 2010. 1 Inleiding 2. 3 Data 3. 4 Aanpak 3 Modelleren C Appels Christian Vleugels Sander Verkerk Richard Both 2 april 2010 Inhoudsopgave 1 Inleiding 2 2 Probleembeschrijving 2 3 Data 3 4 Aanpak 3 5 Data-analyse 4 5.1 Data-analyse: per product.............................

Nadere informatie

http://www.playgarden.com/ Inleiding 8

http://www.playgarden.com/ Inleiding 8 http://www.playgarden.com/ Inleiding 8. Inleiding.. Wat is zippen? Regelmatig moet je grote bestanden van de ene computer naar de andere doorgegeven. Dit doe je dan via het internet, via een netwerk, met

Nadere informatie

In de door ons gebruikte demo verloopt het herkennen van beelden in feite in 2 fasen:

In de door ons gebruikte demo verloopt het herkennen van beelden in feite in 2 fasen: Practicum: deel 1 Hond zoekt Bal In het practicum Hond zoekt Bal laten we je kennis maken met de werking van supercomputers. We gebruiken daarvoor een applicatie waarmee met een webcam objecten herkend

Nadere informatie

TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica. Beknopte uitwerking Examen Neurale Netwerken (2L490) d.d. 11-8-2004.

TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica. Beknopte uitwerking Examen Neurale Netwerken (2L490) d.d. 11-8-2004. TECHNISCHE UNIVERSITEIT EINDHOVEN Faculteit Wiskunde en Informatica Beknopte uitwerking Eamen Neurale Netwerken (2L490) d.d. 11-8-2004. 1. Beschouw de volgende configuratie in het platte vlak. l 1 l 2

Nadere informatie

Tentamen 8D040 - Basis beeldverwerking

Tentamen 8D040 - Basis beeldverwerking Tentamen 8D040 - Basis beeldverwerking 6 augustus 2008, 14.00-17.00 uur Vraag 1. (1.5 punten) Gegeven het binaire beeld Components (figuur 1). De componenten in dit beeld moeten automatisch gesegmenteerd

Nadere informatie

Computer Vision: Hoe Leer ik een Computer Zien?

Computer Vision: Hoe Leer ik een Computer Zien? Computer Vision: Hoe Leer ik een Computer Zien? Michael H.F. Wilkinson Instituut voot Wiskunde en Informatica Rijksuniversiteit Groningen 27 April 2006 Overzicht 1 of 19 Wat is Computer Vision? Wat zijn

Nadere informatie

Bij herhaalde metingen ANOVA komt het effect van het experiment naar voren bij de variantie binnen participanten. Bij de gewone ANOVA is dit de SS R

Bij herhaalde metingen ANOVA komt het effect van het experiment naar voren bij de variantie binnen participanten. Bij de gewone ANOVA is dit de SS R 14. Herhaalde metingen Introductie Bij herhaalde metingen worden er bij verschillende condities in een experiment dezelfde proefpersonen gebruikt of waarbij dezelfde proefpersonen op verschillende momenten

Nadere informatie

Inleiding statistiek

Inleiding statistiek Inleiding Statistiek Pagina 1 uit 8 Inleiding statistiek 1. Inleiding In deze oefeningensessie is het de bedoeling jullie vertrouwd te maken met een aantal basisbegrippen van de statistiek, meer bepaald

Nadere informatie

Wat is perceptie? Artificiële Intelligentie 1. Visuele perceptie. Soorten perceptie. Perceptie. een probleem?

Wat is perceptie? Artificiële Intelligentie 1. Visuele perceptie. Soorten perceptie. Perceptie. een probleem? Wat is perceptie? Perceptie is het waarnemen van de staat van de wereld. Artificiële Intelligentie Visuele perceptie Hoofdstuk 24 uit Russell & Norvig Hiervoor heb je sensors nodig, voorbeeld Binaire sensor:

Nadere informatie

Derde serie opdrachten systeemtheorie

Derde serie opdrachten systeemtheorie Derde serie opdrachten systeemtheorie Opdracht 1. We bekijken een helicopter die ongeveer stilhangt in de lucht. Bij benadering kan zo n helicopter beschreven worden door het volgende stelsel vergelijkingen

Nadere informatie

Raamwerk voor Optimale Globale Belichting

Raamwerk voor Optimale Globale Belichting Raamwerk voor Optimale Globale Belichting Lukas Latacz Mathieu De Zutter Departement Computer Graphics K.U.Leuven 18 april 2005 Overzicht 1 Inleiding Situering Probleemstelling Vorig werk 2 Nieuw raamwerk

Nadere informatie

Opdracht 3: Baanintegratie: Planeet in een dubbelstersysteem

Opdracht 3: Baanintegratie: Planeet in een dubbelstersysteem PLANETENSTELSELS - WERKCOLLEGE 3 EN 4 Opdracht 3: Baanintegratie: Planeet in een dubbelstersysteem In de vorige werkcolleges heb je je pythonkennis opgefrist. Je hebt een aantal fysische constanten ingelezen,

Nadere informatie

Inhoud. Neuronen. Synapsen. McCulloch-Pitts neuron. Sigmoids. De bouwstenen van het zenuwstelsel: neuronen en synapsen

Inhoud. Neuronen. Synapsen. McCulloch-Pitts neuron. Sigmoids. De bouwstenen van het zenuwstelsel: neuronen en synapsen Tom Heskes IRIS, NIII Inhoud De bouwstenen van het zenuwstelsel: neuronen en synapsen Complex gedrag uit eenvoudige elementen McCulloch-Pitts neuronen Hopfield netwerken Computational neuroscience Lerende

Nadere informatie

Wetenschappelijk Rekenen

Wetenschappelijk Rekenen Wetenschappelijk Rekenen Examen - Bacheloropleiding informatica Oefeningen 3 mei 23. Implementeer de functie x n+ = mod(2x n, ) waarbij je gebruik maakt van een voorstelling met reële getallen. Zorg er

Nadere informatie

Face detection in color images Verslag. Domien Nowicki 0522689 Bjorn Schobben 0522953

Face detection in color images Verslag. Domien Nowicki 0522689 Bjorn Schobben 0522953 Face detection in color images Verslag Domien Nowicki 0522689 Bjorn Schobben 0522953 Inhoudstabel Inleiding... 3 Gezichtsdetectiealgoritme...3 Gezichtsmasker aanmaken...4 Belichting compensatie... 5 Niet-lineaire

Nadere informatie

3. Structuren in de taal

3. Structuren in de taal 3. Structuren in de taal In dit hoofdstuk behandelen we de belangrijkst econtrolestructuren die in de algoritmiek gebruikt worden. Dit zijn o.a. de opeenvolging, selectie en lussen (herhaling). Vóór we

Nadere informatie

PROJECT 1: Kinematics of a four-bar mechanism

PROJECT 1: Kinematics of a four-bar mechanism KINEMATICA EN DYNAMICA VAN MECHANISMEN PROJECT 1: Kinematics of a four-bar mechanism Lien De Dijn en Celine Carbonez 3 e bachelor in de Ingenieurswetenschappen: Werktuigkunde-Elektrotechniek Prof. Dr.

Nadere informatie

Statistiek voor Natuurkunde Opgavenserie 1: Kansrekening

Statistiek voor Natuurkunde Opgavenserie 1: Kansrekening Statistiek voor Natuurkunde Opgavenserie 1: Kansrekening Inleveren: 12 januari 2011, VOOR het college Afspraken Serie 1 mag gemaakt en ingeleverd worden in tweetallen. Schrijf duidelijk je naam, e-mail

Nadere informatie

2. Geef een voorbeeld van hoe datamining gebruikt kan worden om frauduleuze geldtransacties te identificeren.

2. Geef een voorbeeld van hoe datamining gebruikt kan worden om frauduleuze geldtransacties te identificeren. 1. Veronderstel dat je als datamining consultant werkt voor een Internet Search Engine bedrijf. Beschrijf hoe datamining het bedrijf kan helpen door voorbeelden te geven van specifieke toepassingen van

Nadere informatie

Tentamen Data Mining

Tentamen Data Mining Tentamen Data Mining Algemene Opmerkingen Dit is geen open boek tentamen, noch mogen er aantekeningen gebruikt worden. Laat bij het uitvoeren van berekeningen zien hoe je aan een antwoord gekomen bent.

Nadere informatie

AUTOMATISCHE OBJECTHERKENNING EN VERANDERINGSDETECTIE UIT PUNTENWOLKEN VANUIT DE LUCHT EN VANAF DE STRAAT. SANDER OUDE ELBERINK 11 JUNI 2015

AUTOMATISCHE OBJECTHERKENNING EN VERANDERINGSDETECTIE UIT PUNTENWOLKEN VANUIT DE LUCHT EN VANAF DE STRAAT. SANDER OUDE ELBERINK 11 JUNI 2015 AUTOMATISCHE OBJECTHERKENNING EN VERANDERINGSDETECTIE UIT PUNTENWOLKEN VANUIT DE LUCHT EN VANAF DE STRAAT. SANDER OUDE ELBERINK 11 JUNI 2015 ITC = FACULTY OF GEO-INFORMATION SCIENCE AND EARTH OBSERVATION

Nadere informatie

Een computerprogramma is opgebouwd uit een aantal instructies die op elkaar volgen en die normaal na elkaar uitgevoerd worden.

Een computerprogramma is opgebouwd uit een aantal instructies die op elkaar volgen en die normaal na elkaar uitgevoerd worden. 2 Programmeren 2.1 Computerprogramma s Een computerprogramma is opgebouwd uit een aantal instructies die op elkaar volgen en die normaal na elkaar uitgevoerd worden. (=sequentie) Niet alle instructies

Nadere informatie

Toets deel 2 Data-analyse en retrieval Vrijdag 1 Juli 2016:

Toets deel 2 Data-analyse en retrieval Vrijdag 1 Juli 2016: Toets deel 2 Data-analyse en retrieval Vrijdag 1 Juli 2016: 11.00-13.00 Algemene aanwijzingen 1. Het is toegestaan een aan beide zijden beschreven A4 met aantekeningen te raadplegen. 2. Het is toegestaan

Nadere informatie

Deel 1. Wat is HDR fotografie?.

Deel 1. Wat is HDR fotografie?. Deel 1. Wat is HDR fotografie?. Inleiding. Met het intrede van de digitale fotografie is ook de beeldbewerkingsoftware in een stroomversnelling geraakt. Eén van de meest recente ontwikkelingen is de High

Nadere informatie

péãáj~ìíçã~íáëåüé=sáçéç=péöãéåí~íáé

péãáj~ìíçã~íáëåüé=sáçéç=péöãéåí~íáé péãáj~ìíçã~íáëåüé=sáçéç=péöãéåí~íáé gçå~ë=_ìåíáåñ éêçãçíçê=w mêçñk=çêk=müáäáééé=_bh^boq = báåçîéêü~åçéäáåö=îççêöéçê~öéå=íçí=üéí=äéâçãéå=î~å=çé=öê~~ç= j~ëíéê=áå=çé=áåñçêã~íáå~=ãìäíáãéçá~ Semi-automatische

Nadere informatie

KRACHT VAN LUCHTFOTOS

KRACHT VAN LUCHTFOTOS KRACHT VAN LUCHTFOTOS (Satellietfoto s) WAT KAN JE ER MEE???? TOEPASSINGEN I. Zoekt u soms de verschillen van twee luchtfoto s II. Waar kan ik in een stad zonnepanelen op daken plaatsen en waar staan zij

Nadere informatie

PIJNHERKENNING MET CAMERA S

PIJNHERKENNING MET CAMERA S PIJNHERKENNING MET CAMERA S monitoren van discomfort bij dementerende bejaarden op basis van automatische beeldherkenning ing. Bert Bonroy, dr B. Vanrumste KHKempen MOBILAB ir. Pieter Schiepers, ir. D.

Nadere informatie

Random Sampling Strategies for Robust Motion Estimation

Random Sampling Strategies for Robust Motion Estimation Universiteit van Amsterdam Bachelor Afstudeerproject Random Sampling Strategies for Robust Motion Estimation Student: Sebastiaan de Stoppelaar sstoppel@science.uva.nl Studentnummer: 0331937 Begeleider:

Nadere informatie

We illustreren deze werkwijze opnieuw a.h.v. de steekproef van de geboortegewichten

We illustreren deze werkwijze opnieuw a.h.v. de steekproef van de geboortegewichten Hoofdstuk 8 Betrouwbaarheidsintervallen In het vorige hoofdstuk lieten we zien hoe het mogelijk is om over een ongekende karakteristiek van een populatie hypothesen te formuleren. Een andere manier van

Nadere informatie

Netwerkdiagram voor een project. AOA: Activities On Arrows - activiteiten op de pijlen.

Netwerkdiagram voor een project. AOA: Activities On Arrows - activiteiten op de pijlen. Netwerkdiagram voor een project. AOA: Activities On Arrows - activiteiten op de pijlen. Opmerking vooraf. Een netwerk is een structuur die is opgebouwd met pijlen en knooppunten. Bij het opstellen van

Nadere informatie

Recognition and Detection of Objects Using Visual and Textual Cues S. Karaoğlu

Recognition and Detection of Objects Using Visual and Textual Cues S. Karaoğlu Recognition and Detection of Objects Using Visual and Textual Cues S. Karaoğlu Samenvatting Met dit proefschrift richten we onze aandacht op object herkenning en detectie voor een beter begrip in afbeeldingen.

Nadere informatie

Cover Page. The handle http://hdl.handle.net/1887/20358 holds various files of this Leiden University dissertation.

Cover Page. The handle http://hdl.handle.net/1887/20358 holds various files of this Leiden University dissertation. Cover Page The handle http://hdl.handle.net/1887/20358 holds various files of this Leiden University dissertation. Author: Witsenburg, Tijn Title: Hybrid similarities : a method to insert relational information

Nadere informatie

Vak naam : Beeldbewerking Docent : Lb Vak code : BBW1N1 Datum : Klas : NH43 Tijd : uur Aantal bladzijden : 2 Lok : T40

Vak naam : Beeldbewerking Docent : Lb Vak code : BBW1N1 Datum : Klas : NH43 Tijd : uur Aantal bladzijden : 2 Lok : T40 Vak naam : Beeldbewerking Docent : Lb Vak code : BBW1N1 Datum : 04-01-2000 Klas : NH43 Tijd : 15.05 uur Aantal bladzijden : 2 Lok : T40 Bij dit tentamen is het toegestaan gebruik te maken van dictaten,

Nadere informatie

Artificiële Intelligentie, les 9: Visuele perceptie

Artificiële Intelligentie, les 9: Visuele perceptie Artificiële Intelligentie, les 9: Visuele perceptie Borremans Gert Charles Herzeel Van den Broeck Michaël Van Poppel Roel Verborgh David 28 november 2002 1 Inleiding Perceptie is het waarnemen van de staat

Nadere informatie

We zullen in deze les kijken hoe we netwerken kunnen analyseren, om bijvoorbeeld de volgende vragen te kunnen beantwoorden:

We zullen in deze les kijken hoe we netwerken kunnen analyseren, om bijvoorbeeld de volgende vragen te kunnen beantwoorden: Wiskunde voor kunstmatige intelligentie, 24 Les 5 Proces analyse Veel processen laten zich door netwerken beschrijven, waarin een aantal knopen acties aangeeft en opdrachten langs verbindingen tussen de

Nadere informatie

mailgroep photoshop Copyright Lesje: Stel je eigen kamer samen -

mailgroep photoshop Copyright Lesje: Stel je eigen kamer samen - Lesje: Stel je eigen kamer samen - http://www2.hku.nl/~fotoshop/img-tutorial5 In deze les gaan we een drie-dimensionale ruimte bouwen, in dit geval een gezellige woonkamer. Uiteraard mag je deze zelf in

Nadere informatie

Robuustheid regressiemodel voor kapitaalkosten gebaseerd op aansluitdichtheid

Robuustheid regressiemodel voor kapitaalkosten gebaseerd op aansluitdichtheid Robuustheid regressiemodel voor kapitaalkosten gebaseerd op aansluitdichtheid Dr.ir. P.W. Heijnen Faculteit Techniek, Bestuur en Management Technische Universiteit Delft 22 april 2010 1 1 Introductie De

Nadere informatie

Stochastische grafen in alledaagse modellen

Stochastische grafen in alledaagse modellen Stochastische grafen in alledaagse modellen Ionica Smeets en Gerard Hooghiemstra 27 februari 2004 Stochastische grafen zijn grafen waarbij het aantal kanten bepaald wordt door kansverdelingen. Deze grafen

Nadere informatie

Een objectief Ranglijst Systeem. ontworpen door. Martien Maas

Een objectief Ranglijst Systeem. ontworpen door. Martien Maas Een objectief Ranglijst Systeem ontworpen door Martien Maas Nijmegen, Nederland, Augustus 2014 1 Eigenschappen van het Ranglijst Systeem: Het Maas Ranglijst Systeem is objectief: op geen enkele manier

Nadere informatie

HOOFDSTUK VII REGRESSIE ANALYSE

HOOFDSTUK VII REGRESSIE ANALYSE HOOFDSTUK VII REGRESSIE ANALYSE 1 DOEL VAN REGRESSIE ANALYSE De relatie te bestuderen tussen een response variabele en een verzameling verklarende variabelen 1. LINEAIRE REGRESSIE Veronderstel dat gegevens

Nadere informatie

Gegevensverwerving en verwerking

Gegevensverwerving en verwerking Gegevensverwerving en verwerking Staalname - aantal stalen/replicaten - grootte staal - apparatuur Experimentele setup Bibliotheek Statistiek - beschrijvend - variantie-analyse - correlatie - regressie

Nadere informatie

Data Mining: Clustering

Data Mining: Clustering Data Mining: Clustering docent: dr. Toon Calders Gebaseerd op slides van Tan, Steinbach, and Kumar. Introduction to Data Mining Wat is clustering? Het onderverdelen van de objecten in een database in homogene

Nadere informatie

Vakgroep CW KAHO Sint-Lieven

Vakgroep CW KAHO Sint-Lieven Vakgroep CW KAHO Sint-Lieven Objecten Programmeren voor de Sport: Een inleiding tot JAVA objecten Wetenschapsweek 20 November 2012 Tony Wauters en Tim Vermeulen tony.wauters@kahosl.be en tim.vermeulen@kahosl.be

Nadere informatie

NABESPREKING PRACTICUMTOETS 26 APRIL 2018

NABESPREKING PRACTICUMTOETS 26 APRIL 2018 NABESPREKING PRACTICUMTOETS 26 APRIL 2018 INHOUD Deel 1: Centrale nabespreking Goede antwoorden Veel gemaakte fouten Deel 2: Individuele feedback 2 VRAAG 1A, BR UITWERKVRAAG Maak voor 1 meting van de vallende

Nadere informatie

Afdeling Wiskunde. Onderwijs. Onderzoek

Afdeling Wiskunde. Onderwijs. Onderzoek Wiskunde nu Afdeling Wiskunde Onderwijs Onderzoek Afdeling Wiskunde In recente jaren aanzienlijk uitgebreid en verjongd Nu ± 25 vaste medewerkers en postdocs, ook aanzienlijk aantal deeltijd hoogleraren

Nadere informatie

Stapelgek in 42 stappen

Stapelgek in 42 stappen Stapelgek in 42 stappen Een stap voor stap beschrijving van het maken van een simpele stack met DeepSkyStacker met eenvoudige nabewerking in Photoshop Download en installeer het gratis programma DeepSkyStacker

Nadere informatie

Opgave 2 ( = 12 ptn.)

Opgave 2 ( = 12 ptn.) Deel II Opgave 1 (4 + 2 + 6 = 12 ptn.) a) Beschouw bovenstaande game tree waarin cirkels je eigen zet representeren en vierkanten die van je tegenstander. Welke waarde van de evaluatiefunctie komt uiteindelijk

Nadere informatie

n-queens minimale dominantie verzamelingen Chessboard Domination on Programmable Graphics Hardware door Nathan Cournik

n-queens minimale dominantie verzamelingen Chessboard Domination on Programmable Graphics Hardware door Nathan Cournik n-queens minimale dominantie verzamelingen Chessboard Domination on Programmable Graphics Hardware door Nathan Cournik Rick van der Zwet 4 augustus 2010 Samenvatting Dit schrijven zal

Nadere informatie

Neurale Netwerken en Deep Learning. Tijmen Blankevoort

Neurale Netwerken en Deep Learning. Tijmen Blankevoort Neurale Netwerken en Deep Learning Tijmen Blankevoort De toekomst - Internet of Things De toekomst - sluiertipje Je gezondheid wordt continue gemonitored Je dieet wordt voor je afgestemd -> Stroomversnelling

Nadere informatie

Case 1 en Simulink. 1. Diodefactor bepalen. I = I sc - I s (e!

Case 1 en Simulink. 1. Diodefactor bepalen. I = I sc - I s (e! Case 1 en Simulink 1. Diodefactor bepalen Om de diodefactor te berekenen werden eerst een aantal metingen gedaan met het zonnepaneel en de DC- motor. Er werd een kring gemaakt met het zonnepaneel en een

Nadere informatie

AI introductie voor testers

AI introductie voor testers AI introductie voor testers De basis van deep learning TestNet werkgroep Testen met AI Martin van Helden Sander Mol Introductie Artificial Intelligence (AI) is anders dan traditioneel programmeren. Traditioneel

Nadere informatie

en-splitsingen: een aantal alternatieven worden parallel toegepast, of-splitsingen: van een aantal alternatieven wordt er één toegepast,

en-splitsingen: een aantal alternatieven worden parallel toegepast, of-splitsingen: van een aantal alternatieven wordt er één toegepast, Kansrekening voor Informatiekunde, 25 Les 8 Proces analyse Veel processen laten zich door netwerken beschrijven, waarin knopen acties aangeven en opdrachten langs verbindingen tussen de knopen verwerkt

Nadere informatie

Tentamen Inleiding Intelligente Data Analyse Datum: Tijd: , BBL 420 Dit is geen open boek tentamen.

Tentamen Inleiding Intelligente Data Analyse Datum: Tijd: , BBL 420 Dit is geen open boek tentamen. Tentamen Inleiding Intelligente Data Analyse Datum: 19-12-2002 Tijd: 9.00-12.00, BBL 420 Dit is geen open boek tentamen. Algemene aanwijzingen 1. U mag ten hoogste één A4 met aantekeningen raadplegen.

Nadere informatie

Wetenschappelijk Rekenen

Wetenschappelijk Rekenen Wetenschappelijk Rekenen Examen - Bacheloropleiding informatica Oefeningen 3 september 204. Beschouw de matrix A = 8 6 3 5 7 4 9 2 Deze matrix heeft 5 als dominante eigenwaarde. We proberen deze eigenwaarde

Nadere informatie

Gebruik Data Science om je bedrag per kassabezoek te verbeteren

Gebruik Data Science om je bedrag per kassabezoek te verbeteren Gebruik Data Science om je bedrag per kassabezoek te verbeteren We hebben nu wel van Data Science gehoord, tools gezien en vlammende betogen gehoord waar gezegd wordt dat je nu moet instappen. Waar wat

Nadere informatie

Algoritmisch denken: analyseren, ontwerpen, beschrijven van oplossingen en implementeren met Alice

Algoritmisch denken: analyseren, ontwerpen, beschrijven van oplossingen en implementeren met Alice Algoritmisch denken: analyseren, ontwerpen, beschrijven van oplossingen en implementeren met Alice HA-9518-04 Alle studierichtingen tweede graad ASO TSO KSO Martine De Belder Werkgroep Handel 2012 Guimardstraat

Nadere informatie

In Vlaanderen bestaat er nog geen leerlijn programmeren! Hierdoor baseren wij ons op de leerlijn die men in Nederland toepast voor basisscholen.

In Vlaanderen bestaat er nog geen leerlijn programmeren! Hierdoor baseren wij ons op de leerlijn die men in Nederland toepast voor basisscholen. Leerlijn programmeren In Vlaanderen bestaat er nog geen leerlijn programmeren! Hierdoor baseren wij ons op de leerlijn die men in Nederland toepast voor basisscholen. Deze leerlijn is opgebouwd aan de

Nadere informatie

OEFENINGEN PYTHON REEKS 5

OEFENINGEN PYTHON REEKS 5 Signaal- en beeldverwerking OEFENINGEN PYTHON REEKS 5 In deze oefeningenreeks gaan we enkele eenvoudige toepassingen bestuderen in het domein van signaal- en beeldverwerking. In de eerste oefeningen beschouwen

Nadere informatie

Hertentamen Biostatistiek 3 / Biomedische wiskunde

Hertentamen Biostatistiek 3 / Biomedische wiskunde Hertentamen Biostatistiek 3 / Biomedische wiskunde 2 juni 2014; 18:30-20:30 NB. Geef een duidelijke toelichting bij de antwoorden. Na correctie liggen de tentamens ter inzage bij het onderwijsbureau. Het

Nadere informatie

Autonoom vinden van een object met een quadcopter

Autonoom vinden van een object met een quadcopter Universiteit van Amsterdam Autonoom vinden van een object met een quadcopter Sebastiaan Joustra (10516999) Joeri Bes (10358234) Joeri Sleegers (10631186) Bram Smit (10666656) 27 juni 2014 1 Abstract Dit

Nadere informatie

Nu een leuk stukje wiskunde ter vermaak (hoop ik dan maar). Optellen van oneindig veel getallen

Nu een leuk stukje wiskunde ter vermaak (hoop ik dan maar). Optellen van oneindig veel getallen Nu een leuk stukje wiskunde ter vermaak (hoop ik dan maar). Optellen van oneindig veel getallen Ter inleiding: tellen Turven, maar: onhandig bij grote aantallen. Romeinse cijfers: speciale symbolen voor

Nadere informatie

Sequentie. Methode voor het ontwerpen van een programmastructuur

Sequentie. Methode voor het ontwerpen van een programmastructuur 1 ONTWERPTECHNIEKEN Methode voor het ontwerpen van een programmastructuur Bouwstenen Sequentie Selectie Iteratie 1.1 Achtergrond 1.1.1 Ruimtelijk denken in plaats van sequentieel denken PROGRAMMA architect

Nadere informatie

DEEL 1. Voorwoord Over dit boek en de auteurs...ix

DEEL 1. Voorwoord Over dit boek en de auteurs...ix Voorwoord Over dit boek en de auteurs...............................ix DEEL 1 Basisvaardigheden. Situering van Photoshop binnen de grafische sector..............5 Het werkgebied..........................................7

Nadere informatie

Hoeveel vertrouwen heb ik in mijn onderzoek en conclusie? Les 1

Hoeveel vertrouwen heb ik in mijn onderzoek en conclusie? Les 1 Hoeveel vertrouwen heb ik in mijn onderzoek en conclusie? Les 1 1 Onderwerpen van de lessenserie: De Normale Verdeling Nul- en Alternatieve-hypothese ( - en -fout) Steekproeven Statistisch toetsen Grafisch

Nadere informatie

De dimensie van een deelruimte

De dimensie van een deelruimte De dimensie van een deelruimte Een deelruimte van R n is een deelverzameling die op zichzelf ook een vectorruimte is. Ter herinnering : Definitie. Een deelverzameling H van R n heet een deelruimte van

Nadere informatie

Les 1: de normale distributie

Les 1: de normale distributie Les 1: de normale distributie Elke Debrie 1 Statistiek 2 e Bachelor in de Biomedische Wetenschappen 18 oktober 2018 1 Met dank aan Koen Van den Berge Indeling lessen Elke bullet point is een week. R en

Nadere informatie

Van component tot vision project

Van component tot vision project Techniek gaat prima samen. Van component tot vision project Al meer dan tien jaar is Data Vision de grootste distributeur van vision componenten in de Benelux met kantoren in Nederland en België. Data

Nadere informatie

Examen Statistische Modellen en Data-analyse. Derde Bachelor Wiskunde. 14 januari 2008

Examen Statistische Modellen en Data-analyse. Derde Bachelor Wiskunde. 14 januari 2008 Examen Statistische Modellen en Data-analyse Derde Bachelor Wiskunde 14 januari 2008 Vraag 1 1. Stel dat ɛ N 3 (0, σ 2 I 3 ) en dat Y 0 N(0, σ 2 0) onafhankelijk is van ɛ = (ɛ 1, ɛ 2, ɛ 3 ). Definieer

Nadere informatie

. Dan geldt P(B) = a. 1 4. d. 3 8

. Dan geldt P(B) = a. 1 4. d. 3 8 Tentamen Statistische methoden 4052STAMEY juli 203, 9:00 2:00 Studienummers: Vult u alstublieft op het meerkeuzevragenformulier uw Delftse studienummer in (tbv automatische verwerking); en op het open

Nadere informatie

J De centrale draait (met de gegevens) gedurende één jaar. Het gemiddelde vermogen van de centrale kan dan berekend worden:

J De centrale draait (met de gegevens) gedurende één jaar. Het gemiddelde vermogen van de centrale kan dan berekend worden: Uitwerking examen Natuurkunde1 HAVO 00 (1 e tijdvak) Opgave 1 Itaipu 1. De verbruikte elektrische energie kan worden omgerekend in oules: 17 = 9,3 kwh( = 9,3 3, ) = 3,3 De centrale draait (met de gegevens)

Nadere informatie

Cover Page. The handle holds various files of this Leiden University dissertation

Cover Page. The handle  holds various files of this Leiden University dissertation Cover Page The handle http://hdl.handle.net/1887/22286 holds various files of this Leiden University dissertation Author: Nezhinsky, A.E. Title: Pattern recognition in high-throughput zebrafish imaging

Nadere informatie

Augmented Reality for Workbenches

Augmented Reality for Workbenches Universiteit Hasselt Bachelorproef Augmented Reality for Workbenches Auteur: Nick Michiels (0623764) Promotor Prof. Dr. Philippe Bekaert Begeleiders Tom Cuypers Yannick Francken Eindwerk voorgedragen tot

Nadere informatie

Bepaling energie en soortelijke warmte 2D-atoomrooster m.b.v. de Metropolis Monte Carlo methode

Bepaling energie en soortelijke warmte 2D-atoomrooster m.b.v. de Metropolis Monte Carlo methode Bepaling energie en soortelijke warmte 2D-atoomrooster m.b.v. de Metropolis Monte Carlo methode Verslag Computational Physics Sietze van Buuren Begeleider: Prof.Dr. H. de Raedt 29 december 25 Samenvatting

Nadere informatie

Samenvatting Nederlands

Samenvatting Nederlands Samenvatting Nederlands 178 Samenvatting Mis het niet! Incomplete data kan waardevolle informatie bevatten In epidemiologisch onderzoek wordt veel gebruik gemaakt van vragenlijsten om data te verzamelen.

Nadere informatie

Programmeren. Inleiding

Programmeren. Inleiding Programmeren Inleiding STAPPEN IN DE ONTWIKKELING VAN EEN PROGRAMMA 1. Probleem 1. Probleem Ideaal gewicht berekenen Wortel van een vierkantsvergelijking berekenen Schaakspel spelen Boekhouding doen 2.

Nadere informatie

Wetenschappelijk Rekenen

Wetenschappelijk Rekenen Wetenschappelijk Rekenen Examen - Bacheloropleiding informatica Oefeningen 22 augustus 213 1. Hoe zou je de vector x in de uitdrukking Q x = A n y op een computationeel slimme manier berekenen? Hierbij

Nadere informatie

POD1 - Hoofdstuk 1: Inleiding

POD1 - Hoofdstuk 1: Inleiding POD1 - Hoofdstuk 1: Inleiding 2/59 POD1 - Hoofdstuk 1: Inleiding Stijn Lievens (Stijn.Lievens@hogent.be) Noemie Slaats (Noemie.Slaats@hogent.be) Lieven Smits (Lieven.Smits@hogent.be) Martine Van Der Weeen

Nadere informatie

VU University Amsterdam 2018, Maart 27

VU University Amsterdam 2018, Maart 27 Department of Mathematics Exam: Voortgezette biostatistiek VU University Amsterdam 2018, Maart 27 c Dept. of Mathematics, VU University Amsterdam NB. Geef een duidelijke toelichting bij de antwoorden.

Nadere informatie

Broodje bakken in Photoshop

Broodje bakken in Photoshop http://psd.tutsplus.com/tutorials/drawing/create-a-realistic-loaf-of-bread-in-photoshop/ Broodje bakken in Photoshop Stap 1 Nieuw document = 1000 x 550 px. Nieuwe groep maken, je noemt die BG of background.

Nadere informatie

Vorig college. IN2505-II Berekenbaarheidstheorie College 4. Opsommers versus herkenners (Th. 3.21) Opsommers

Vorig college. IN2505-II Berekenbaarheidstheorie College 4. Opsommers versus herkenners (Th. 3.21) Opsommers Vorig college College 4 Algoritmiekgroep Faculteit EWI TU Delft Vervolg NDTM s Vergelijking rekenkracht TM s en NDTM s Voorbeelden NDTM s 20 april 2009 1 2 Opsommers Opsommers versus herkenners (Th. 3.21)

Nadere informatie

HOOFDSTUK IV TOETSEN VAN STATISTISCHE HYPOTHESEN

HOOFDSTUK IV TOETSEN VAN STATISTISCHE HYPOTHESEN HOOFDSTUK IV TOETSEN VAN STATISTISCHE HYPOTHESEN 4.1 PARAMETERTOESTEN 1 A. Toetsen van het gemiddelde Beschouw een steekproef X 1, X,, X n van n onafhankelijke N(µ, σ) verdeelde kansveranderlijken Men

Nadere informatie

DENKVAARDIGHEDEN bron: The Parallel Curriculum

DENKVAARDIGHEDEN bron: The Parallel Curriculum DENKVAARDIGHEDEN bron: The Parallel Curriculum In 'The Parallel Curriculum' van Tomlinson et al. (2009) worden de 'Habits of Mind' van mensen die intelligent handelen beschreven, op basis van onderzoek

Nadere informatie

1. Gegeven zijn de itemsores van 8 personen op een test van 3 items

1. Gegeven zijn de itemsores van 8 personen op een test van 3 items 1. Gegeven zijn de itemsores van 8 personen op een test van 3 items item Persoon 1 2 3 1 1 0 0 2 1 1 0 3 1 0 0 4 0 1 1 5 1 0 1 6 1 1 1 7 0 0 0 8 1 1 0 Er geldt: (a) de p-waarden van item 1 en item 2 zijn

Nadere informatie

Populaties beschrijven met kansmodellen

Populaties beschrijven met kansmodellen Populaties beschrijven met kansmodellen Prof. dr. Herman Callaert Deze tekst probeert, met voorbeelden, inzicht te geven in de manier waarop je in de statistiek populaties bestudeert. Dat doe je met kansmodellen.

Nadere informatie

SPSS Introductiecursus. Sanne Hoeks Mattie Lenzen

SPSS Introductiecursus. Sanne Hoeks Mattie Lenzen SPSS Introductiecursus Sanne Hoeks Mattie Lenzen Statistiek, waarom? Doel van het onderzoek om nieuwe feiten van de werkelijkheid vast te stellen door middel van systematisch onderzoek en empirische verzamelen

Nadere informatie

KANSREKENEN EN VERDELINGEN REEKS 1

KANSREKENEN EN VERDELINGEN REEKS 1 KANSREKENEN EN VERDELINGEN REEKS 1 Moeilijkere oefeningen zijn aangegeven met een gevarendriehoek Niet elke regel met R-code zal je kunnen/moeten gebruiken Versie 18/07/2019 1. Verdelingsfunctie Het aantal

Nadere informatie

Handleiding Gold- en Superstation

Handleiding Gold- en Superstation 1 Configuratie... 3 On Site... 4 Live bekijken... 4 Uitleg scherm... 4 1. Omschrijving beeld... 5 2. Selecteren Beeldscherm... 5 3. Selecteren Camera en weergave type Opname... 5 4. Datum en Uur van de

Nadere informatie

Tentamen 8D040 - Basis beeldverwerking. 24 juni 2011, uur

Tentamen 8D040 - Basis beeldverwerking. 24 juni 2011, uur Tentamen 8D040 - Basis beeldverwerking 24 juni 2011, 14.00-17.00 uur 1 Algemeen: Maak opgave 4 op een apart vel, en de overige opgaven op een andere set vellen. Alle vragen tellen even zwaar mee in het

Nadere informatie

Oefeningenles beeldverwerking

Oefeningenles beeldverwerking Oefeningenles beeldverwerking Histogram Wat is een histogram hoe kunnen we een histogram opstellen? Welke afbeelding hoort bij welk histogram? Waarom? Een histogram geeft voor elke grijswaarde het aantal

Nadere informatie

Beeldverwerking. Deel 2. Segmentatie. Segmentatie

Beeldverwerking. Deel 2. Segmentatie. Segmentatie Beeldverwerking Deel 2 Segmentatie Johan Baeten Beeldverwerking Deel2-1 Segmentatie Doel: Beeld opsplitsen in gebieden Objecten onderscheiden van achtergrond Sementatie is in het algemeen moeilijk Johan

Nadere informatie

Oplossingen Datamining 2II15 Juni 2008

Oplossingen Datamining 2II15 Juni 2008 Oplossingen Datamining II1 Juni 008 1. (Associatieregels) (a) Zijn de volgende beweringen juist of fout? Geef een korte verklaring voor alle juiste beweringen en een tegenvoorbeeld voor alle foute be-weringen:

Nadere informatie

P = LIMIETGEDRAG VAN MARKOV KETENS Limietverdeling van irreducibele, aperiodieke Markov keten:

P = LIMIETGEDRAG VAN MARKOV KETENS Limietverdeling van irreducibele, aperiodieke Markov keten: LIMIETGEDRAG VAN MARKOV KETENS Limietverdeling van irreducibele, aperiodieke Markov keten: Voorbeeld: Zoek de unieke oplossing van het stelsel π = π P waarvoor bovendien geldt dat i S π i = 1. P = 0 1/4

Nadere informatie

Geheugenbeheer. ICT Infrastructuren 2 december 2013

Geheugenbeheer. ICT Infrastructuren 2 december 2013 Geheugenbeheer ICT Infrastructuren 2 december 2013 Doelen van geheugenbeheer Reloca>e (flexibel gebruik van geheugen) Bescherming Gedeeld/gemeenschappelijk geheugen Logische indeling van procesonderdelen

Nadere informatie