Вы находитесь на странице: 1из 83

Estudando com o MATLAB

Curso de Extenso
Docentes: > Fabiano Araujo Soares > Marcelino M. de Andrade Monitor: >Luan Felipe

Aula 4: Aplicaes - Parte II

1 Parte - Estatstica

Aula 4 - 1 Parte: Estatstica

1 Parte - Estatstica
Comandos Bsicos para Estatstica: 1 - Gerando nmeros aleatrios: a) rand(n,m): Esse comando gera uma matriz n por m de nmeros aleatrios seguindo uma distribuio uniforme com valores entre o intervalo [0,1].

1 Parte - Estatstica
O comando rand(n,m) pode ser usado para gerar valores de uma distribuio uniforme com um intervalo [a, b] da seguinte forma: r = a + (b-a).*rand(n,m);

1 Parte - Estatstica
Exemplo 1:

1 Parte - Estatstica
Exemplo 1:
140 120

Histograma da Amostra

100

Frequncia

80

60

40

20

10

Valores

1 Parte - Estatstica
Comandos Bsicos para Estatstica: 1 - Gerando nmeros aleatrios: b) randn(n,m): Esse comando gera uma matriz n por m de nmeros aleatrios seguindo uma distribuio normal com mdia 0 e desvio padro 1.

1 Parte - Estatstica
O comando randn(n,m) pode ser usado para gerar valores de uma distribuio normal com uma mdia a e um desvio padro b da seguinte forma: r = a + b.*randn(n,m);

1 Parte - Estatstica
Exemplo 2:

1 Parte - Estatstica
Exemplo 2:
Histograma da Amostra
300 250

Frequncia

200

150

100

50

0 -10

-5

10

15

20

25

30

Valores

1 Parte - Estatstica
Comandos Bsicos para Estatstica: 2 Mdia e mediana a) mean(a): Esse comando utilizado para calcular a mdia de um vetor a ou das colunas de uma matriz numrica a.

1 Parte - Estatstica
Exemplo 3:

1 Parte - Estatstica
Comandos Bsicos para Estatstica: 2 Mdia e mediana a) median(a): Esse comando utilizado para calcular a mediana de um vetor a ou das colunas de uma matriz numrica a.

1 Parte - Estatstica
Exemplo 4:

1 Parte - Estatstica
Comandos Bsicos para Estatstica: 3 Desvio padro, Varincia, Valor Mximo e Valor Mnimo; a) std(a): Esse comando utilizado para calcular o desvio padro (Standard Deviation) de um vetor a ou das colunas de uma matriz numrica a.

1 Parte - Estatstica
Comandos Bsicos para Estatstica: 3 Desvio padro, Varincia, Valor Mximo e Valor Mnimo; b) var(a): Esse comando utilizado para calcular a varincia de um vetor a ou das colunas de uma matriz numrica a.

1 Parte - Estatstica
Comandos Bsicos para Estatstica: 3 Desvio padro, Varincia, Valor Mximo e Valor Mnimo; c) max(a): Esse comando utilizado para encontrar o maior valor de um vetor a ou das colunas de uma matriz numrica a.

1 Parte - Estatstica
Comandos Bsicos para Estatstica: 3 Desvio padro, Varincia, Valor Mximo e Valor Mnimo; c) min(a): Esse comando utilizado para encontrar o menor valor de um vetor a ou das colunas de uma matriz numrica a.

1 Parte - Estatstica
Exemplo 5:

1 Parte - Estatstica
Exemplo 5:

1 Parte - Estatstica
Exemplo 5:
Histograma da Amostra =10.0529, S.D.=4.8641, =23.659, Max=23.9662, Min=-4.0183
250

200

Frequncia

150

100

50

0 -5

10

15

20

25

Valores

1 Parte - Estatstica
4 Correlao: No uso estatstico geral, correlao se refere a medida da relao entre duas variveis, embora correlao no implique causalidade.

1 Parte - Estatstica
4 Correlao: a) corrcoef(x):O comando R = corrcoef(X) retorna a matriz de correlao R dos coeficientes de correlao calculados da matriz de entrada X cujas linhas so observaes e as colunas variveis aleatrias;

1 Parte - Estatstica
Problema exemplo: Deseja-se estudas as variveis peso (y) e altura (x) em uma amostra de 12 homens adultos. Os valores so apresentados na tabela 1.

1 Parte - Estatstica
Sujeito 1 2 3 4 5 6 7 8 9 10 11 12 Altura (cm) 182 174 170 180 183 160 156 157 168 175 176 190 Peso (Kg) 95 72 64 95 79 72 64 62 67 75 75 96

1 Parte - Estatstica
Primeiramente vamos inserir esses dados em um arquivo .m no Matlab e traa-los em um grfico para visualizar uma possvel relao.

1 Parte - Estatstica

1 Parte - Estatstica
Grfico da altura vs peso
120 100

Peso (Kg)

80

60

40

20

0 150

155

160

165

170

175

180

185

190

195

200

Altura (cm)

1 Parte - Estatstica
Em seguida vamos calcular a correlao entre as variveis altura e peso.

A resposta encontrada :

1 Parte - Estatstica
Coeficientes de correlao variam entre -1 e 1. Quanto mais prximo de 1 ou de -1 o coeficiente de correlao estiver maior a relao entre as duas variveis. O sinal apenas representa uma correlao positiva (y cresce a medida que x cresce) ou negativa (y decresce a medida que x cresce ou vice versa). Quanto mais prximo de 0 o coeficiente de correlao estiver menos correlacionadas as variveis so.

2 Parte Sinais

2 Parte: Processamento de Sinais

2 Parte Sinais
A disciplina Processamento de Sinais uma disciplina avanada no curso de engenharia e exige conhecimentos de transformadas e sries, convoluo, correlao, filtragem, etc... Por esse motivo vamos nos ater apenas a uma introduo do assunto sem nos aprofundarmos nas explicaes.

2 Parte Sinais
O que um sinal? Em geral, entende-se por sinal uma sequncia de estados que codifica uma mensagem.

2 Parte Sinais
Exemplo de um sinal de voz:

2 Parte Sinais
Exemplo de um sinal de voz:

2 Parte Sinais
Exemplo de um sinal de voz: Podemos verificas nos exemplos anteriores que a voz humana tem uma frequncia mxima de aproximadamente 4 kHz.

2 Parte Sinais
Teorema da amostragem (teorema de Nyquist): Dado um sinal contnuo com largura de banda Fmax, se amostrarmos esse sinal a uma frequncia maior ou igual a duas vezes Fmax, ento o sinal amostrado contm toda a informao do sinal contnuo e possvel recuperar exatamente o sinal original a partir das amostras.

2 Parte Sinais
Teorema da amostragem (teorema de Nyquist): Ou seja, se amostrarmos a voz humana a uma frequncia maior que 8 kHz possvel recuperar o sinal de voz gravado exatamente.

2 Parte Sinais
Exemplo 7:

2 Parte Sinais
Exemplo 7:

2 Parte Sinais
Exemplo 7:

2 Parte Sinais
Senoide de 2kHz
1

Amplitude

0.5

-0.5

-1

0.5

1.5

2.5

3.5

4.5 x 10

5
-3

Tempo (s) Senoide de 2kHz amostrada a 20 kHz


1

Amplitude

0.5

-0.5

-1

0.5

1.5

2.5

3.5

4.5 x 10

5
-3

Tempo (s) Senoide de 2kHz amostrada a 3 kHz


1

Amplitude

0.5

-0.5

-1

0.5

1.5

2.5

3.5

4.5 x 10

5
-3

Tempo (s)

2 Parte Sinais
O problema da filtragem: Um dos maiores problemas na transmisso de um sinal o rudo que contamina este; O rudo tem origem nos instrumentos utilizados para transmisso e recepo do sinal, fatores naturais, contaminao eletromagntica, etc.

2 Parte Sinais
Vamos ver agora um exemplo de filtragem: Um sinal contaminado por rudo de 60 Hz (proveniente da rede eltrica); Como esse sinal ruidoso pode ser filtrado e recuperado?

2 Parte Sinais
Exemplo 8:

2 Parte Sinais
Exemplo 8:

2 Parte Sinais
Exemplo 8:

2 Parte Sinais
Exemplo 8:

2 Parte Sinais
Sinal Senoidal de 20 Hz (Domnio do Tempo) 5 800 Espectro do Sinal Senoidal de 2 Hz (Domnio da Frequncia) 600 Amplitude (V) DEP (V) 0 0.5 1 1.5 Tempo (s) 2 2.5 3 0 400 200

-5

20

40

60 Frequncia (Hz)

80

100

120

Rudo de 60 Hz (Domnio do Tempo) 5 1400 1200 Amplitude (V) 1000 DEP (V) 800 600 400 200 -5 0 0.5 1 1.5 Tempo (s) 2 2.5 3 0 0 20

Espectro do Rudo de 60 Hz (Domnio da Frequncia)

40

60 Frequncia (Hz)

80

100

120

Sinal Ruidoso (Domnio do Tempo) 5 1400 1200 Amplitude (V) 1000 DEP (V) 800 600 400 200 -5 0 0.5 1 1.5 Tempo (s) 2 2.5 3 0 0 20

Espectro do Sinal Ruidoso (Domnio da Frequncia)

40

60 Frequncia (Hz)

80

100

120

2 Parte Sinais
Exemplo 8:

2 Parte Sinais
50
Magnitude (dB)

-50

-100

0.1

0.2

0.3 0.4 0.5 0.6 0.7 0.8 Normalized Frequency ( rad/sample)

0.9

0
Phase (degrees)

-500 -1000 -1500 -2000

0.1

0.2

0.3 0.4 0.5 0.6 0.7 0.8 Normalized Frequency ( rad/sample)

0.9

2 Parte Sinais
Sinal Filtrado (Domnio do Tempo) 5 Amplitude (V) 0

-5

1.5 2 2.5 Tempo (s) Espectro do Sinal Filtrado (Domnio da Frequncia)

0.5

600

DEP (V)

400

200

20

40

60 Frequncia (Hz)

80

100

120

3 Parte Imagens

3 Parte: Processamento de Imagens

3 Parte Imagens
A disciplina Processamento de Imagens uma disciplina que deriva do processamento de sinais (Se pensarmos a respeito, uma imagem nada mais que um sinal de duas dimenses) e tambm exige conhecimentos avanados do curso de engenharia; Por esse motivo vamos nos ater apenas a alguns exemplos de uso sem nos aprofundarmos nas explicaes.

3 Parte Imagens
1 Aprendendo como importar uma imagem e entendendo como ela representada. Para importar uma imagem utilizamos o comando: I=imread(filename,format); Onde filename o nome do arquivo de imagem e format o nome do formato do arquivo (exemplo: tif);

3 Parte Imagens
Para mostrar uma imagem importada utilizamos o comando: Imshow(nome_variavel); Onde nome_variavel o nome da varivel onde a figura foi armazenada;

3 Parte Imagens
Lena: uma imagem muito utilizada em processamento de imagens. uma imagem padronizada importante para a comparao de algoritmos.

3 Parte Imagens

3 Parte Imagens
Exemplo 9:

3 Parte Imagens
Exemplo 9: Observe tem 512 que ela em trs bits; que a figura x 512 pixels e armazenada matrizes de 8

3 Parte Imagens
Cada matriz de 8 bits apresenta a intensidade de uma das trs cores bsicas: Vermelho (R), Verde (G) e Azul (B); Vamos plotar cada matriz de cor independentemente com o seguinte comando (onde n varia entre 1 e 3): imshow(Image(:,:,n));

3 Parte Imagens
imshow(Image(:,:,1));

3 Parte Imagens
imshow(Image(:,:,2));

3 Parte Imagens
imshow(Image(:,:,3));

3 Parte Imagens
possvel ver ento que, em processamento de imagens, trabalhamos ou com cada matriz de cor independentemente como se fosse uma imagem preto e branca (tcnicas clssicas), ou trabalhamos com as trs componentes de cor juntas (tcnicas avanadas).

3 Parte Imagens
Exemplo 10: Reamostrando uma imagem: A imagem que temos utiliza 8 bits para cada cor, ou seja, cada cor possui 256 tonalidades possveis (0 a 255) o que nos d um total de mais de 16 milhes de tons possveis; E se, por motivo de espao, quisermos reamostrar essa imagem para apenas 64 tonalidades possveis?

3 Parte Imagens
Exemplo 10: Reamostrando uma imagem: Nesse caso usaremos apenas 4 bits para cada cor. ( 43 = 64 )

3 Parte Imagens
Exemplo 10:

3 Parte Imagens
Imagem original:

3 Parte Imagens
Imagem Reamostrada:

3 Parte Imagens
Em processamento de imagem o histograma de tons de uma imagem muito til; Para visualizarmos o histograma de tons de uma imagem em tons de cinza utilizamos o comando: imhist(nome_imagem) Onde nome_imagem o nome da varivel onde a imagem est armazenada.

3 Parte Imagens
Uma das utilidades do histograma a equalizao do mesmo de forma a tornar a imagem mais ntida. O comando de equalizao de um histograma de imagem : ImageEq = histeq(Image); Onde ImageEq o nome da varivel onde a nova imagem ser armazenada e Image o nome da varivel onde a imagem original est armazenada.

3 Parte Imagens
Exemplo 11:

3 Parte Imagens
Figura original e seu histograma de tons de cinza:

3000

2500

2000

1500

1000

500

0 0 50 100 150 200 250

3 Parte Imagens
Figura equalizada e seu histograma de tons de cinza:
5000 4500 4000 3500 3000 2500 2000 1500 1000 500 0 0 50 100 150 200 250

3 Parte Imagens
Por fim, um ltimo mtodo a ser explorado por esse curso a filtragem de imagens. Assim como os sinais, as imagens tambm possuem espectro de frequncia (esse assunto no ser abordado devido a complexidade do assunto para alunos iniciantes no curso de engenharia); Sendo assim existem inmeros mtodos de filtragem para imagens. Tanto no domnio do espao quanto no domnio da frequncia.

3 Parte Imagens
Um tipo de rudo comum encontrado em imagens o salt and pepper.

3 Parte Imagens
possvel verificar que a imagem mantem sua forma apesar de alguns pixels contaminados. Se utilizarmos um quadro, digamos de 3 x 3 pixels vemos que as cores nesse pequeno quadro quase a mesma. Se fizermos a mediana desse quadro e substituirmos um dado pixel pelo valor da mediana, possivelmente eliminaremos os pixels preto e branco ruidosos (j que esses so tons extremas, 0 ou 255);

3 Parte Imagens
Exemplo 12:

3 Parte Imagens
Exemplo 12:

3 Parte Imagens
Imagem Filtrada:

Final
Esperamos que o curso tenha sido til e tenha alcanado o objetivo de familiarizar os alunos com a ferramenta Matlab.

Obrigado!