Klassifikation durch direkten Vergleich (Matching)
|
|
- Annika Grosser
- vor 5 Jahren
- Abrufe
Transkript
1 Klassifikation durch direkten Vergleich (Matching) Eine triviale Lösung für die Klassifikation ergibt sich durch direkten Vergleich des unbekannten Musters in allen Erscheinungsformen der Äquivalenzklasse (Schablonenvergleich) gemäß einer Metrik d (Maß für die Klassenzugehörigkeit) mit den Prototypen einer Klasse (Bsp.: Holzpuzzle) Äquivalenzklasse: E G (x) :={g i (x) g i G} E G (x) d d d d 0 x 1 0 x 2 0 x 3 0 x 4 H. Burkhardt, Institut für Informatik, Universität Freiburg ME-I, Kap. 2c 1
2 Einführung einer Metrik d(x,y) für den Vergleich in unitären oder Innenprodukträumen (oder allgemeiner in Hilbert-Räumen): eine Metrik wird über das Innen- oder Skalarprodukt induziert d( E ( x), x ) = E ( x) x =< E ( x) x, E ( x) x > /2 G j G j G j G j j EG j d j j = E ( x) + x 2 < ( x), x > = ( x( p), x ) für p G Aus einem kleinsten Abstand resultiert ein größtes Innenprodukt bei normierten Vektoren (Maß für Ähnlichkeit ) H. Burkhardt, Institut für Informatik, Universität Freiburg ME-I, Kap. 2c 2
3 Skalarprodukte für kontinuierliche und digitalisierte Muster: Kontinuierliche Muster: 1D: < xy, >= xt ( ) ytdt ( ) 2D: < XY, >= X ( t, t ) Y( t, t ) dt dt Digitalisierte Muster: 1D: < xy, >= 2D: < XY, >= xy i i X Y i, j i, j H. Burkhardt, Institut für Informatik, Universität Freiburg ME-I, Kap. 2c 3
4 Berechnung des Skalarproduktes über den gesamten Parameterraum {p} der Bewegungsgruppe entspricht der Berechnung der Kreuzkorrelationsfunktion R x,y < x x >=< x p x p 0 0 E G ( ), j ( ), j>= R für xp ( ), x z.bsp. Translation bei Bildern der Dimension N N ergibt sich ein Aufwand, der proportional ist zu: N 2 {z} Skalarprodukt á N 2 {z} zykl.permut. = N 4 Die Korrelation lässt sich mit der schnellen Fouriertransformation effizienter berechnen, nämlich mit einem Aufwand von O(N 2 ld N) gemäß (siehe DBV-I): R x,y = F à1 (F(x) á F ã (y)) 0 j H. Burkhardt, Institut für Informatik, Universität Freiburg ME-I, Kap. 2c 4
5 Berechnung des Skalarproduktes über den gesamten Parameterraum {p} der Bewegungsgruppe hat im allgemeinen für ein Signal oder Bild der Dimension N einen Aufwand von: { dim( p ON ( 123 N ) ) Aufwand für ein Skalarprodukt Größe der Äquivalenzklasse Hierbei geht man davon aus, dass man jede Achse des Parameterraumes mit der Bilddimension auflöst, also z.b. N Translationen. H. Burkhardt, Institut für Informatik, Universität Freiburg ME-I, Kap. 2c 5
6 Affin-invariante Erkennung mit Korrelation in allen Parametern (matched Filter) Gegeben: Kontur mit N Punkten ON N = ON dim( p) 8 ( ) ( ) ops mit dim( p) : Freiheitsgrade 3 24 e.g. N = ops Annahme: 100 MIPS-Maschine (multiply-add) ops 16 8 ( ) 10 sek Jahre 8 = = 10 ops / sec 9 Alter des Kosmos: 5 10 Jahre H. Burkhardt, Institut für Informatik, Universität Freiburg ME-I, Kap. 2c 6
7 Klassifikation mit invarianten Merkmalen: Extraktion lageinvarianter Merkmale, anschließend Klassifikation im Merkmalsraum: E G (x) T x % d 1 d 2 d 3 d 4 0 x% 1 0 x% 2 0 x% 3 x% 0 4 xà = T(x) H. Burkhardt, Institut für Informatik, Universität Freiburg ME-I, Kap. 2c 7
8 Relevante and irrelevante Änderungen in Signalen und Bildern 1D 2D Idee: entferne alle irrelevante Änderungen mit Hilfe einer mathematischen Transformation T und verwende nur invariante Merkmale H. Burkhardt, Institut für Informatik, Universität Freiburg ME-I, Kap. 2c 8
9 Notwendige Bedingung für die Invarianz einer Abbildung T : 1) Notwendige Bedingung für die Invarianz bezüglich der Gruppenwirkung G: G x ~ x T( x ) = x% = x% = T( x ) Alle Elemente einer Äquivalenzklasse werden in einen Punkt des Merkmalsraumes abgebildet. Dies kann auch wie folgt formuliert werden: T( g x) = T( x) für g G i i H. Burkhardt, Institut für Informatik, Universität Freiburg ME-I, Kap. 2c 9
10 Invarianzbegriff bei zeitinvarianten Systemen Der oben eingeführte Invarianzbegriff darf nicht verwechselt werden mit der Definiton zeitinvarianter Systeme. Dort verlangt man, dass die Systemantwort auf eine verschobene Erregung bei unveränderter Form ebenfalls verschoben ist. Dies gilt sowohl für die Erregung mit einem δ-impuls, als auch für eine beliebige Erregung x. D.h.: T δ ( t) h( t) Impulsantwort T δ ( t t ) h( t t ) verschobene Impulsantwort 0 0 bzw.: T xt () yt () T x( t t ) y( t t ) 0 0 x() t yt () T H. Burkhardt, Institut für Informatik, Universität Freiburg ME-I, Kap. 2c 10
11 Operatorhomomorphismus Bei zeitinvarianten Systemen handelt es sich um einen Operatorhomomorphismus, d.h.es gilt: T(g i (x(t))) = g i (T(x(t))) = g i (y(t)) wobei.: g i (x(t)) = x(t àt i ) Dies bedeutet, dass die Operationen g und T vertauscht werden dürfen! H. Burkhardt, Institut für Informatik, Universität Freiburg ME-I, Kap. 2c 11
12 Vollständigkeit einer invarianten Abbildung T : 2) Die Vollständigkeit ist eine hinreichende Bedingung dafür, dass aus der Gleichheit zweier Merkmalsvektoren darauf geschlossen werden darf, dass die beiden Objekte aus der gleichen Äquivalenzklasse stammen (Umkehrschluss der notwendigen Bedingung): T ( x ) = T( x ) x ~ x 1 G D.h. es gibt keine Mehrdeutigkeiten bei der Zuordnung von Merkmalsvektoren zu Äquivalenzklassen. Schwächere Bedingung: Separierbarkeit (Vollständigkeit für eine Teilmenge) also z.bsp. Für die Menge aller Buchstaben bei der Zeichenerkennung H. Burkhardt, Institut für Informatik, Universität Freiburg ME-I, Kap. 2c 12
13 Abbildungseigenschaft der Transformation T: E G (x 1 ) E G (x 2 ) T T ~ x 1 Mehrdeutigkeit ~ x 2 E G (x 3 ) T ~ x 3 H. Burkhardt, Institut für Informatik, Universität Freiburg ME-I, Kap. 2c 13
14 Abbildungseigenschaften Maß für den Grad der Vollständigkeit T I T (x) E G (x) xà 1. Definition der Invarianten einer beliebigen kontrahienden Abbildung T: I T (x) :={x i T(x i )=T(x)} H. Burkhardt, Institut für Informatik, Universität Freiburg ME-I, Kap. 2c 14
15 Abbildungseigenschaften 2. Aus der notwendigen Bedingung der Invarianz folgt: E G (x) ò I T (x) muss Teilmenge sein! 3. Aus der Vollständigkeit folgt: E G (x) =I T (x) x X Bei der schwächeren Forderung der Separierbarkeit gilt diese Aussage nur für eine Teilmenge X 0 H. Burkhardt, Institut für Informatik, Universität Freiburg ME-I, Kap. 2c 15
16 Beispiele für lageinvariante Merkmale 1. Der Mittelwert von Bildern ist invariant bezüglich Euklidscher Bewegungen (Translation und Rotation). Jedoch: Merkmale nicht vollständig. A xö = N 1 PP x i,j 2. Das Histogramm oder die Häufigkeitsverteilung ebenso. Auch hier ist die notwendige Bedingung erfüllt, die Merkmale sind jedoch stark mehrdeutig. Man kann nämlich alle Bildpunkte beliebig permutieren, ohne das Histogramm zu verändern. Das Histogramm ist vollständig für die symmetrische Gruppe (alle N! Permutationen). Häufigkeit Grauwert H. Burkhardt, Institut für Informatik, Universität Freiburg ME-I, Kap. 2c 16
17 Satz: Nur nichtlineare Abbildungen sind in der Lage von kompakten Äquivalenzklassen Invarianten zu bilden. H. Burkhardt, Institut für Informatik, Universität Freiburg ME-I, Kap. 2c 17
18 Einfache Beispiele für invariante Abbildungen mit nichtlinearen Funktionen xà y=x 2 y= x Die Äquivalenzklasse wird gebildet auf der Basis betrags-gleicher Zahlen, also z.bsp.: (à 3) ø ï (+ 3) xà x Vollständige Invarianten! y = a 0 + a 2 x 2 + a 4 x 4 -x 2 -x 0 -x 1 x 1 +x 0 x 2 x Erfüllt notwendige, aber nicht hinreichende Bedingung; Mehrdeutigkeiten. Aber z.bsp. Separierbarkeit für x <x 0 H. Burkhardt, Institut für Informatik, Universität Freiburg ME-I, Kap. 2c 18
19 Nichtlineare Abbildungen zur Erzeugung von Invarianten linear affin nichtlinear nichtlinear H. Burkhardt, Institut für Informatik, Universität Freiburg ME-I, Kap. 2c 19
20 Weitere Anforderungen an die invarianten Abbildungen Stetigkeit der Abbildung Erhaltung von Clustern Was passiert bei systematischen Störungen? (Helligkeit- und Kontrastschwankungen) x = k x 0 + a u mit : u = H. Burkhardt, Institut für Informatik, Universität Freiburg ME-I, Kap. 2c 20
21 Lineare Systeme können diskriminieren zwischen Frequenzen oder spektralen Komponenten, nichtlineare Systeme sind in der Lage zwischen Äquivalenzklassen zu unterscheiden. Lemma: Gegeben sei eine lineare Abbildung S. Zwei Signale x 1,x 2 können nur zueinander äquivalent sein, wenn und nur wenn die Differenz x 1 -x 2 ein Element des Nullraums N(S) ist (dieser ist jedoch nicht kompakt).... Es ist unmöglich, mit linearen Abbildungen nichttriviale kompakte Äquivalenzklassen zu realisieren! H. Burkhardt, Institut für Informatik, Universität Freiburg ME-I, Kap. 2c 21
Allgemeine Ansätze zur Berechnung von Invarianten. H. Burkhardt, Institut für Informatik, Universität Freiburg ME-I, Kap. 5a 1
Kapitel 5 Allgemeine Ansätze zur Berechnung von Invarianten H. Burkhardt, Institut für Informatik, Universität Freiburg ME-I, Kap. 5a Die drei kanonischen Möglichkeiten zur Berechnung von Invarianten (notwendige
MehrDie Gruppe der affinen Abbildungen A
H. Burkhardt, Institut für Informatik, Universität Freiburg ME-I, Kap. 2b 1 Die Gruppe der affinen Abbildungen A Die Gruppe der affinen Abbildungen entsteht durch Wahl einer beliebigen regulären Matrix
Mehr6Si 6. Signal-und Bildfilterung sowie. H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I 1
6Si 6. Signal-und Bildfilterung sowie Korrelation H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I Bildfilterung und Korrelation Die lineare Bildfilterung wird zur Rauschunterdrückung
MehrKapitel 5. Allgemeine Ansätze zur Berechnung von Invarianten
Kapitel 5 Allgemeine Ansätze zur Berechnung von Invarianten Die drei kanonischen Möglichkeiten zur Berechnung von Invarianten (notwendige Bedingungen) ) Integration über die Transformationsgruppe (Haar-Integral,
MehrAlgorithmen zur lageinvarianten Merkmalsgewinnung für Draht gittermodelle
Vortrag zur Diplomarbeit Algorithmen zur lageinvarianten Merkmalsgewinnung für Draht gittermodelle Lehrstuhl für Mustererkennung und Bildverarbeitung Albert Ludwigs Universität Freiburg Marco Reisert Übersicht
MehrLageinvariante Konturbilderkennung. H. Burkhardt, Institut für Informatik, Universität Freiburg ME-I, Kap. 4a 1
Kapitel 4 Lageinvariante Konturbilderkennung H. Burkhardt, Institut für Informatik, Universität Freiburg ME-I, Kap. 4a 1 Konturerfassung und Konturbeschreibung Bei allgemeinen Grau- oder Farbbildvorlagen
MehrEuklidsche räumliche Bewegung (Rotation und Translation):
Die Gruppe der affinen Abbildungen Die Gruppe der affinen Abbildungen entsteht durch Wahl einer beliebigen regulären Matri A (det(a) ) und einer ranslation a: t' At a Bewegung einer beliebigen Kurve im
Mehr2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 2016 Lineare Algebra und analytische Geometrie II Auf dem R n gibt es sehr viele verschiedene Normen, allerdings hängen sehr viele wichtige Begriffe wie die Konvergenz
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 2018 Lineare Algebra und analytische Geometrie II Vorlesung 52 Auf dem R n gibt es sehr viele verschiedene Normen, allerdings hängen sehr viele wichtige Begriffe wie die
MehrDer n-dimensionale Raum
Der n-dimensionale Raum Mittels R kann nur eine Größe beschrieben werden. Um den Ort eines Teilchens im Raum festzulegen, werden schon drei Größen benötigt. Interessiert man sich für den Bewegungszustand
MehrLösung zu Serie Zeige, dass das Minimalpolynom jedes Jordanblocks gleich seinem charakteristischen
Lineare Algebra D-MATH, HS 4 Prof. Richard Pink Lösung zu Serie. Zeige, dass das Minimalpolynom jedes Jordanblocks gleich seinem charakteristischen Polynom ist. Lösung: Das charakteristische Polynom eines
MehrAffininvariante Fourierdeskriptoren
Affininvariante Fourierdesriptoren Gesucht: eine Verallgemeinerung der zuvor eingeführten ähnlicheitsinvarianten Fourierdesriptoren auf Affininvarianz. H. Burhardt, Institut für Informati, Universität
MehrProseminar "Aufgabenstellungen der Bildanalyse und Mustererkennung"
Fakultät Informatik, Institut für künstliche Intelligenz, Intelligent Systems Proseminar "Aufgabenstellungen der Bildanalyse und Mustererkennung" Lokale Merkmalsdeskriptoren Jens Stormberg - Dresden, 19.06.2009
MehrSymmetrien. Transformationen. Affine und euklidische Räume
Symmetrien Transformationen Der Gruppenbegriff entwickelte sich aus dem Begriff der Transformationsgruppe. In dieser Form tauchen auch die meisten Gruppen in der Mathematik, Physik, Chemie, Kristallographie,
MehrBild-Erkennung & -Interpretation
Kapitel I Bild-Erkennung & -Interpretation FH Aachen / Jülich, FB 9 Prof. Dr. rer.nat. Walter Hillen (Dig Img I) 1 Einführung Schritte zur Bilderkennung und Interpretation: Bild-Erfassung Vorverarbeitung
Mehr2.5 Diskrete Bewegungsgruppen I: die Punktgruppe,
Diskrete Geometrie (Version 3) 20. November 2011 c Rudolf Scharlau 133 2.5 Diskrete Bewegungsgruppen I: die Punktgruppe, Friesgruppen In diesem Abschnitt ist wie bisher ein euklidischer (Vektor-)Raum E
MehrModulteilprüfung Geometrie (BaM-GS, L3M-RF)
Modulteilprüfung Geometrie (BaM-GS, L3M-RF) Prof. Dr. Martin Möller SoSe 2011 // 05. Juli 2011 Kontrollieren Sie, ob Sie alle Blätter (12 einschließlich zweier Deckblätter) erhalten haben, und geben Sie
MehrExtremalprobleme mit Nebenbedingungen
Extremalprobleme mit Nebenbedingungen In diesem Abschnitt untersuchen wir Probleme der folgenden Form: g(x 0 ) = inf{g(x) : x Ω, f(x) = 0}, (x 0 Ω, f(x 0 ) = 0). (1) Hierbei sind Ω eine offene Menge des
MehrAlgebraische Kurven. Holger Grzeschik
Algebraische Kurven Holger Grzeschik 29.04.2004 Inhaltsübersicht 1.Einführung in die Theorie algebraischer Kurven 2.Mathematische Wiederholung Gruppen, Ringe, Körper 3.Allgemeine affine Kurven 4.Singuläre
MehrPrüfung EM1 28. Jänner 2008 A :=
1. Die Menge der Eigenwerte der Matrix ist Prüfung EM1 28. Jänner 2008 A := ( 0 1 ) 0 1 A. {1, 0} B. { 1} C. {0} D. {0, 1, 1} E. {0, 1} 2. Es seien V ein n-dimensionaler reeller Vektorraum, ein Skalarprodukt
MehrDifferentialgeometrie II (Flächentheorie) WS
Differentialgeometrie II (Flächentheorie) WS 2013-2014 Lektion 3 30. Oktober 2013 c Daria Apushkinskaya 2013 () Flächentheorie: Lektion 3 30. Oktober 2013 1 / 23 3. Erste Fundamentalform parametrisierten
Mehr1 Einleitung Definitionen, Begriffe Grundsätzliche Vorgehensweise... 3
Inhaltsverzeichnis 1 Einleitung 1 1.1 Definitionen, Begriffe........................... 1 1.2 Grundsätzliche Vorgehensweise.................... 3 2 Intuitive Klassifikation 6 2.1 Abstandsmessung zur Klassifikation..................
MehrUntersuchen Sie, ob die folgenden Abbildungen linear oder nicht linear sind. x y
Aufgabe 1 Untersuchen Sie, ob die folgenden Abbildungen linear oder nicht linear sind. (( )) 3x x (a) Sei f : R 2 R 3 mit f = 2y + x y x y ( ) 4 (b) Sei f : R R 2 mit f(x) = x + 1 (( )) ( ) x x y (c) Sei
Mehr8 Euklidische und unitäre Vektorräume. Skalarprodukte Orthogonalität Matrizen
8 Euklidische und unitäre Vektorräume Skalarprodukte Orthogonalität Matrizen 8 Euklidische und unitäre Vektorräume Skalarprodukte Orthogonalität Matrizen In diesem Kapitel werden nur endlich dimensionale
Mehr6 Determinanten Pink: Lineare Algebra HS 2014 Seite 66
6 Determinanten Pink: Lineare Algebra HS 2014 Seite 66 6 Determinanten 6.1 Symmetrische Gruppe Definition: Eine bijektive Abbildung von einer Menge X auf sich selbst heisst eine Permutation von X. Satz-Definition:
Mehr5. Raum-Zeit-Symmetrien: Erhaltungssätze
5. Raum-Zeit-Symmetrien: Erhaltungssätze Unter Symmetrie versteht man die Invarianz unter einer bestimmten Operation. Ein Objekt wird als symmetrisch bezeichnet, wenn es gegenüber Symmetrieoperationen
MehrComputer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 5 Quadriken Polarität Transformationen Klassifikation von Quadriken Geraden in Regelquadriken Die kubische Wendelinie (twisted
MehrBild, Faser, Kern. Stefan Ruzika. 23. Mai Mathematisches Institut Universität Koblenz-Landau Campus Koblenz
Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz 23. Mai 2016 Stefan Ruzika 7: Bild, Faser, Kern 23. Mai 2016 1 / 11 Gliederung 1 Schulstoff 2 Körper 3 Vektorräume 4 Basis
Mehr6. Texterkennung in Videos Videoanalyse
6. Texterkennung in Videos Videoanalyse Dr. Stephan Kopf 1 Übersicht Motivation Texterkennung in Videos 1. Erkennung von Textregionen/Textzeilen 2. Segmentierung einzelner Buchstaben 3. Auswahl der Buchstabenpixel
MehrLineare Algebra I (WS 13/14)
Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 06.12.2013 Alexander Lytchak 1 / 16 Wiederholung Ist V ein Vektorraum, so heißen Abbildungen T v : V V der Form w w
Mehr1. Vektoralgebra 1.0 Einführung Vektoren Ein Vektor ist eine Größe, welche sowohl einen Zahlenwert (Betrag) als auch eine Richtung hat.
1. Vektoralgebra 1.0 Einführung Vektoren Ein Vektor ist eine Größe, welche sowohl einen Zahlenwert (Betrag) als auch eine Richtung hat. übliche Beispiele: Ort r = r( x; y; z; t ) Kraft F Geschwindigkeit
MehrComputer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg,
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg, Gliederung 4 Invarianten Isometrien (Kongruenzen) Ähnlichkeitsabbildungen Affine Transformationen Projektive Transformationen 2 von
MehrGrundlagen Kondition Demo. Numerisches Rechnen. (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang
Numerisches Rechnen (für Informatiker) M. Grepl P. Esser & G. Welper & L. Zhang Institut für Geometrie und Praktische Mathematik RWTH Aachen Wintersemester 2011/12 IGPM, RWTH Aachen Numerisches Rechnen
MehrInhaltsverzeichnis. 1 Hardwaregrundlagen
Inhaltsverzeichnis 1 Hardwaregrundlagen 2.1 Koordinatentransformationen 2.2 Transformationen in der Ebene 2.3 Transformationen im Raum 3 Repräsentation und Modellierung von Objekten 4 Rasterung 5 Visibilität
Mehr3 Vektorräume abstrakt
Mathematik I für inf/swt Wintersemester / Seite 7 Vektorräume abstrakt Lineare Unabhängigkeit Definition: Sei V Vektorraum W V Dann heißt W := LH(W := Menge aller Linearkombinationen aus W die lineare
MehrInhalt. Mathematik für Chemiker II Lineare Algebra. Vorlesung im Sommersemester Kurt Frischmuth. Rostock, April Juli 2015
Inhalt Mathematik für Chemiker II Lineare Algebra Vorlesung im Sommersemester 5 Rostock, April Juli 5 Vektoren und Matrizen Abbildungen 3 Gleichungssysteme 4 Eigenwerte 5 Funktionen mehrerer Variabler
Mehr30 Metriken und Normen
31 Metriken und Normen 153 30 Metriken und Normen Lernziele: Konzepte: Metriken, Normen, Skalarprodukte, Konvergenz von Folgen Frage: Versuchen Sie, möglichst viele verschiedene Konvergenzbegriffe für
Mehr3 Metrische und normierte Räume
3 Metrische und normierte Räume 3.1 Metrische Räume Mit der metrischen Struktur wird der aus dem Ê n bekannte Abstandsbegriff abstrahiert. Wir können uns einen metrischen Raum als eine Punktmenge vorstellen,
Mehr12 Lineare Algebra - Übersicht. Themen: Unterräume Lineare Abbbildungen Gauß-Algorithmus Eigenwerte und Normalformen
12 Lineare Algebra - Übersicht Themen: Unterräume Lineare Abbbildungen Gauß-Algorithmus Eigenwerte und Normalformen Unterräume Sei X ein Vektorraum über Ã. Eine Teilmenge M X heißt Unterraum von X, wenn
Mehrist ein n-dimensionaler, reeller Vektorraum (vgl. Lineare Algebra). Wir definieren auf diesem VR ein Skalarprodukt durch i y i i=1
24 14 Metrische Räume 14.1 R n als euklidischer Vektorraum Die Menge R n = {(x 1,..., x n ) x i R} versehen mit der Addition und der skalaren Multiplikation x + y = (x 1 + y 1,..., x n + y n ) λx = (λx
MehrHöhere Mathematik III für Physiker Analysis 2
Ralitsa Bozhanova Jonas Kindervater Ferienkurs im Anschluss an das Wintersemester 2008 Höhere Mathematik III für Physiker Analysis 2 16. bis 20. Februar 2009 1 Inhaltsverzeichnis Inhaltsverzeichnis 1 Der
MehrNachrichtentechnik [NAT] Kapitel 3: Zeitkontinuierliche Systeme. Dipl.-Ing. Udo Ahlvers HAW Hamburg, FB Medientechnik
Nachrichtentechnik [NAT] Kapitel 3: Zeitkontinuierliche Systeme Dipl.-Ing. Udo Ahlvers HAW Hamburg, FB Medientechnik Sommersemester 2005 Inhaltsverzeichnis Inhalt Inhaltsverzeichnis 3 Zeitkontinuierliche
MehrAnalysis II (FS 2015): ZUSAMMENHÄNGENDE METRISCHE RÄUME
Analysis II (FS 2015): ZUSAMMENHÄNGENDE METRISCHE RÄUME Dietmar A. Salamon ETH-Zürich 23. Februar 2015 1 Topologische Grundbegriffe Sei (X, d) ein metrischer Raum, d.h. X ist eine Menge und d : X X R ist
MehrWas bisher geschah. Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch
Was bisher geschah Definition digitaler Bilder B : pos col Bildanalyse, statistische Merkmale Signale im Orts- und Frequenzraum Bildbearbeitung durch Punktoperationen (Farbtransformation) f : col1 col
Mehr3. Analyse der Kamerabewegung Video - Inhaltsanalyse
3. Analyse der Kamerabewegung Video - Inhaltsanalyse Stephan Kopf Bewegungen in Videos Objektbewegungen (object motion) Kameraoperationen bzw. Kamerabewegungen (camera motion) Semantische Informationen
MehrAnalysis II. Vorlesung 47
Prof. Dr. H. Brenner Osnabrück SS 2014 Analysis II Zu einer reellwertigen Funktion Vorlesung 47 interessieren wir uns wie schon bei einem eindimensionalen Definitionsbereich für die Extrema, also Maxima
MehrStudienrichtung: Physik / technische Mathematik, Lehramt, oder andere.
Lineare Algebra und Analytische Geometrie II Sommer 26 2.9.26 Zweite Klausur für Studierende der Mathematik (inkl. Lehramt) Dritte Klausur für Studierende der Physik Name (deutlich lesbar!):.......................................................................
MehrKapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel XII - Kennzahlen mehrdimensionaler Zufallsvariablen Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska
MehrLineare Gleichungssysteme
Kapitel 6 Lineare Gleichungssysteme 6. Gaußalgorithmus Aufgabe 6. : Untersuchen Sie die folgenden linearen Gleichungssysteme mit dem Gaußalgorithmus auf Lösbarkeit und bestimmen Sie jeweils die Lösungsmenge.
MehrBildverarbeitung. Fachschaftsrat Informatik. Professor Fuchs. Fragen TECHNISCHE UNIVERSITÄT DRESDEN. Unterteilung der Filter in Klassen
Professor Fuchs Unterteilung der Filter in Klassen Wie erstellt man bei der Segmentierung objektumschreibende Formen? Eigenschaften der Zellkomplextopologie Was ist ein Histogramm? Wozu ist es gut? Unterschied
Mehr~ v 2. Abbildung 3: Zweiter Schritt des Gram-Schmidt-Verfahrens. k 1. i=1. v k = w k
v 1 v 1 v 2 v 2 W 2 -v (v, v ) 1 1 2 Abbildung 3: Zweiter Schritt des Gram-Schmidt-Verfahrens. k. Schritt: Subtraktion der Komponenten von ṽ k in Richtung von v 1,v 2,...,v k 1 und Normierung von w k auf
MehrWiederholung. Wir wiederholen einige Begriffe und Sätze der Analysis, die in der Maßtheorie eine wichtige Rolle spielen.
Wiederholung Wir wiederholen einige Begriffe und Sätze der Analysis, die in der Maßtheorie eine wichtige Rolle spielen. Definition. Sei X eine Menge und d : X X R eine Abbildung mit den Eigenschaften 1.
MehrHow To Create A Panorama Image From A Photoelectric Image From An Image From The Camera (I)
Chapter 3 Image Registration Distributed Algorithms for Einführung (I) Definition: Image Registration Gegeben: 2 Bilder der gleichen Szene aber aufgenommen aus unterschiedlichen Perspektiven Gesucht: Transformation,
Mehr9 Metrische und normierte Räume
9 Metrische und normierte Räume Idee: Wir wollen Abstände zwischen Punkten messen. Der Abstand soll eine reelle Zahl 0 sein (ohne Dimensionsangabe wie Meter...). 9.1 Definition Sei X eine Menge. Eine Metrik
MehrAlbert-Ludwigs-Universität Freiburg Institut für Informatik Lehrstuhl für Mustererkennung und Bildverarbeitung Prof. Dr.-Ing.
Musterlösung Blatt 6 Aufgabe 6.. Albert-Ludwigs-Universität Freiburg Institut für Informatik Lehrstuhl für Mustererkennung und Bildverarbeitung Prof. Dr.-Ing. Hans Burkhardt 6.. Die Fourierkoeffizienten
MehrEuklidische und unitäre Vektorräume
Kapitel 7 Euklidische und unitäre Vektorräume In diesem Abschnitt ist der Körper K stets R oder C. 7.1 Definitionen, Orthonormalbasen Definition 7.1.1 Sei K = R oder C, und sei V ein K-Vektorraum. Ein
Mehr4.4 Hermitesche Formen
44 Hermitesche Formen Wie üblich bezeichnen wir das komplex konjugierte Element von ζ = a + bi C (a, b R) mit ζ = a bi Definition 441 Sei V ein C-Vektorraum Eine hermitesche Form (HF) auf V ist eine Abbildung
Mehr10 Der Integralsatz von Gauß
10 Der Integralsatz von Gauß In diesem Abschnitt beweisen wir den Integralsatz von Gauß, die mehrdimensionale Verallgemeinerung des Hauptsatzes der Differential- und Integralrechnung. Aussage des Satzes
MehrVergleich und Erzeugung von Topologien und topologischen
KAPITEL 3 Vergleich und Erzeugung von Topologien und topologischen Räumen 3.1. Definition. Auf einer Menge X seien zwei Topologien τ und σ gegeben. Ist jede bezüglich σ offene Menge auch bezüglich τ offen,
MehrDieser Foliensatz darf frei verwendet werden unter der Bedingung, dass diese Titelfolie nicht entfernt wird.
Thomas Studer Relationale Datenbanken: Von den theoretischen Grundlagen zu Anwendungen mit PostgreSQL Springer, 2016 ISBN 978-3-662-46570-7 Dieser Foliensatz darf frei verwendet werden unter der Bedingung,
Mehr4 Funktionenfolgen und normierte Räume
$Id: norm.tex,v 1.57 2018/06/08 16:27:08 hk Exp $ $Id: jordan.tex,v 1.34 2018/07/12 20:08:29 hk Exp $ 4 Funktionenfolgen und normierte Räume 4.7 Kompakte Mengen Am Ende der letzten Sitzung hatten wir zwei
MehrKapitel 2: Mathematische Grundlagen
[ Computeranimation ] Kapitel 2: Mathematische Grundlagen Prof. Dr. Stefan M. Grünvogel stefan.gruenvogel@fh-koeln.de Institut für Medien- und Phototechnik Fachhochschule Köln 2. Mathematische Grundlagen
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 2016 Lineare Algebra und analytische Geometrie II Vorlesung 34 Die Diagonalisierbarkeit von Isometrien im Komplexen Satz 34.1. Es sei V ein endlichdimensionaler C-Vektorraum
Mehr5.3 Darstellungsmatrizen affiner Abbildungen
5.3 Darstellungsmatrizen affiner Abbildungen Definition 5.3.1. Seien A und B endlich-dimensionale ARs mit dim A n, dim B m und KS E : (p 0,..., p n ) von A und KS F : (q 0,..., q m ) von B. Sei α : A B
MehrComputer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 8 Epipolargeometrie Die Fundamentalmatrix Korrelation Schätzung der Fundamentalmatrix Homographie infolge einer Ebene Sonderfälle
MehrDistributed Algorithms. Image and Video Processing
Chapter 6 Optical Character Recognition Distributed Algorithms for Übersicht Motivation Texterkennung in Bildern und Videos 1. Erkennung von Textregionen/Textzeilen 2. Segmentierung einzelner Buchstaben
MehrLineare Algebra 1. Roger Burkhardt
Lineare Algebra 1 Roger Burkhardt roger.burkhardt@fhnw.ch Fachhochschule Nordwestschweiz Hochschule für Technik Institut für Geistes- und Naturwissenschaft HS 2008/09 4 Einführung Vektoren und Translationen
MehrStetige Funktionen. Definition. Seien (X, d) und (Y, D) metrische Räume und f : X Y eine Abbildung. i) f heißt stetig in x 0 (x 0 D(f)), wenn
Stetige Funktionen Eine zentrale Rolle in der Analysis spielen Abbildungen f : X Y, wobei X und Y strukturierte Mengen sind (wie z.b. Vektorräume oder metrische Räume). Dabei sind i.a. nicht beliebige
MehrUnüberwachtes Lernen
Unüberwachtes Lernen Mustererkennung und Klassifikation, Vorlesung No. 12 M. O. Franz 17.01.2008 Übersicht 1 Hauptkomponentenanalyse 2 Nichtlineare Hauptkomponentenanalyse 3 K-Means-Clustering Übersicht
MehrAnalysis II. Vorlesung 37. Differenzierbare Kurven
Prof. Dr. H. Brenner Osnabrück SS 2015 Analysis II Vorlesung 37 Differenzierbare Kurven Eine Animation des Graphen der trigonometrischen Parametrisierung des Einheitskreises. Die grünen Punkte sind Punkte
MehrWiederholungsserie II
Lineare Algebra II D-MATH, FS 205 Prof. Richard Pink Wiederholungsserie II. Zeige durch Kopfrechnen, dass die folgende reelle Matrix invertierbar ist: 205 2344 234 990 A := 224 423 990 3026 230 204 9095
MehrI) MATRIZEN. 1) Speichern geometrischer Daten: Punkte, Vektoren. j - te Variable (Spalte), j = 1,2,3,..., n
I) MATRIZEN Motivation: 1) Speichern geometrischer Daten: Punkte, Vektoren. 2) Lineare Gleichungen y1 = a11x1+ a12x2 + a13x3 y2 = a21x1+ a22x2 + a23x3... Koeffizienten a ij i - te Gleichung (Zeile), i
MehrAufgaben und Lösungen zur Klausur Lineare Algebra im Frühjahr 2009
I. (4 Punkte) Gegeben sei die Menge Aufgaben und Lösungen zur Klausur Lineare Algebra im Frühjahr 9 G := { a c b a, b, c R }. (a) Zeigen Sie, dass G zusammen mit der Matrizenmultiplikation eine Gruppe
MehrMathematik I. Vorlesung 20 Ein metrischer Raum ist dadurch ausgezeichnet, dass es in ihm eine Abstandsfunktion gibt, und dass dadurch zwei Punkte
Prof. Dr. H. Brenner Osnabrück WS 2009/2010 Mathematik I Vorlesung 20 Ein metrischer Raum ist dadurch ausgezeichnet, dass es in ihm eine Abstandsfunktion gibt, und dass dadurch zwei Punkte näher zueinander
Mehrgegeben: G sei endliche Gruppe, jede Untergruppe von G sei ein Normalteiler zu zeigen: je zwei Elemente teilerfremder Ordnung kommutieren
Stefan K. 4.Übungsblatt Algebra I Aufgabe 1 gegeben: G sei endliche Gruppe, jede Untergruppe von G sei ein Normalteiler von G zu zeigen: je zwei Elemente teilerfremder Ordnung kommutieren Beweis: Seien
Mehr13. ABBILDUNGEN EUKLIDISCHEN VEKTORRÄUMEN
13. ABBILDUNGEN in EUKLIDISCHEN VEKTORRÄUMEN 1 Orthogonale Abbildungen im R 2 und R 3. Eine orthogonale Abbildung ist eine lineare Abbildung, die Längen und Orthogonalität erhält. Die zugehörige Matrix
MehrInvariantentheorie. Vorlesung 1 Wir beginnen mit einigen typischen Beispielen zur Invariantentheorie. Dreieckskongruenzen
Prof. Dr. H. Brenner Osnabrück WS 2012/2013 Invariantentheorie Vorlesung 1 Wir beginnen mit einigen typischen Beispielen zur Invariantentheorie. Dreieckskongruenzen Beispiel 1.1. Wir betrachten Dreiecke
Mehr3: Bewegungen und Ähnlichkeiten:
3: Bewegungen und Ähnlichkeiten: Was sind kongruente (bzw. deckungsgleiche) Figuren? [Box2-94] [Kra2-138] [Rei2-173a] [Rei2-173b] Zwei Teilmengen M,M einer Euklidischen Ebene (E,G) heißen kongruent, wenn
Mehr5 Lineare Algebra (Teil 3): Skalarprodukt
5 Lineare Algebra (Teil 3): Skalarprodukt Der Begriff der linearen Abhängigkeit ermöglicht die Definition, wann zwei Vektoren parallel sind und wann drei Vektoren in einer Ebene liegen. Daß aber reale
MehrUnendliche Gruppen als geometrische Objekte
Unendliche Gruppen als geometrische Objekte Ralf Meyer Georg-August-Universität Göttingen 12. November 2004 1 Endlich erzeugte Gruppen und die Wortmetrik Wir definieren endlich erzeugte Gruppen und führen
MehrSerie Sei V ein Vektorraum. Man nennt eine lineare Abbildung P : V V eine Projektion, falls P 2 = P gilt. Zeigen Sie:
Prof Emmanuel Kowalski Lineare Algebra II Serie 3 Sei V ein Vektorraum Man nennt eine lineare Abbildung P : V V eine Projektion, falls P 2 = P gilt Zeigen Sie: a Der Kern und das Bild einer Projektion
MehrL 2 -Theorie und Plancherel-Theorem
L -Theorie und Plancherel-Theorem Seminar Grundideen der Harmonischen Analysis bei Porf Dr Michael Struwe HS 007 Vortrag von Manuela Dübendorfer 1 Wiederholung aus der L 1 -Theorie Um die Fourier-Transformation
MehrÜbungsaufgaben 2. Lineare Räume. 2t 0 1 C t
Übungsaufgaben Lineare Räume Aufgabe. Für welche Wahl des Parameters t R wird durch die drei Vektoren B B B @ A ; @ ta ; @ t A t t eine Basis im R gebildet? Lösung. Die drei Vektoren bilden genau dann
MehrKlassifikation diskreter Isometrien
Klassifikation diskreter Isometrien der Ebene Konrad Schöbel Mathematisches Institut Friedrich-Schiller-Universität Jena Motivation Quelle: Wikipedia Ziel Wir möchten die möglichen Symmetrien einer solchen
MehrD-MAVT Lineare Algebra I HS 2017 Prof. Dr. N. Hungerbühler. Lösungen Serie 10
D-MAVT Lineare Algebra I HS 2017 Prof. Dr. N. Hungerbühler Lösungen Serie 10 1. Für a 1 : 1 1 0, a 2 : 1 1, a 3 : 1 1 1, b : 2 2 2 1 und A : (a 1, a 2, a 3 ) gelten welche der folgenden Aussagen? (a) det(a)
MehrTeil I. Lineare Algebra I Vorlesung Sommersemester Olga Holtz. MA 378 Sprechstunde Fr und n.v.
Teil I Lineare Algebra I Vorlesung Sommersemester 2011 Olga Holtz MA 378 Sprechstunde Fr 14-16 und nv holtz@mathtu-berlinde Sadegh Jokar MA 373 Sprechstunde, Do 12-14 und nv jokar@mathtu-berlinde Kapitel
MehrÜbung 5 zur Vorlesung SYSTEMORIENTIERTE INFORMATIK HW-, SW-CODESIGN
Fakultät Informatik, Institut für Angewandte Informatik, Professur Technische Informationssysteme Übung 5 zur Vorlesung SYSTEMORIENTIERTE INFORMATIK HW-, SW-CODESIGN BEDEUTUNG DER GEWICHTSFUNKTION UND
Mehr3 Topologische Gruppen
$Id: topgr.tex,v 1.2 2010/05/26 19:47:48 hk Exp hk $ 3 Topologische Gruppen Als letztes Beispiel eines topologischen Raums hatten wir die Zariski-Topologie auf dem C n betrachtet, in der die abgeschlossenen
MehrTopologische Grundbegriffe II. Inhaltsverzeichnis
Vortrag zum Seminar zur Analysis, 03.05.2010 Dennis Joswig, Florian Goy Aufbauend auf den Resultaten des Vortrages Topologische Grundbegriffe I untersuchen wir weitere topologische Eigenschaften von metrischen
Mehr3 Lineare Algebra (Teil 1): Lineare Unabhängigkeit
3 Lineare Algebra (Teil : Lineare Unabhängigkeit 3. Der Vektorraum R n Die Menge R n aller n-dimensionalen Spalten a reeller Zahlen a,..., a n R bildet bezüglich der Addition a b a + b a + b. +. :=. (53
MehrGleitspiegelung und Verkettungen von Spiegelung und Parallelverschiebung
Gleitspiegelung und Verkettungen von Spiegelung und Parallelverschiebung Def. Eine Gleitspiegelung ist eine Spiegelung an einer Geraden (Spiegelachse) verknüpft mit einer Translation parallel zu dieser
Mehr