Histogramm-anschaulich. Histogramme und Bilder. Histogramm-mathematisch. Farbhistogramm. Grauwerthistogramm. Inhaltsbasierte Bildsuche Histogramme
|
|
- Dieter Otto
- vor 5 Jahren
- Abrufe
Transkript
1 Inhaltsbasierte Bildsuche Histogramme Universität Bremen, Aug. Histogramm-anschaulich Zum Messen von Häufigeiten eines Mermals (Hier: Zahlen - in der Matrix) /9 /9 /9 /9.%.% %.%.%,,,, /8/ Histogramme, Histogramm-mathematisch normiertes Histogramm: N M h(d) = δ(i(i, j) d). N M = =, x = δ ( x) =, x i j d Farbe (-) I(i,j) Farbe des (i,j)-ten Pixels vom Bild I N Höhe des Bildes M Breite des Bildes Histogramme und Bilder Eines der einfachsten Mermale für Bilder gibt an wie oft eine Bestimmt Farbstufe im Bild vorommt Grauwertbilder -> ein Histogramm pro Bild Farbbilder -> drei Histogramme pro Bild (Rot,Grün,Blau) /8/ Histogramme, /8/ Histogramme, Grauwerthistogramm 8 x = 7.78 Pixel Farbhistogramm Drei Histogramme für Rot, Grün und Blau für bugs.jpg : Die Anzahl der Pixel, die einen bestimmten Grauwert im Bild Haben, wird im Histogramm abgetragen rot grün blau /8/ Histogramme, /8/ Histogramme, 6
2 Mehrdimensionale Histogramme Das Histogramm ist ein Vetor mehr, sondern ein Würfel Für ein RGB Bild hätten wir dann: N M h(r, g, b) = δ(i(i, j) r)* δ(i(i, j) g)* δ(i(i, j) b). N M i = j = Übung Aufgabe : Führe die Funtion imhist für die Beispielbilder ape.gif und ape6.gif aus. Wie unterscheiden sie sich? Wo würdest Du den Threshold für das Bild mit folgendem Histogramm setzen? Warum? /8/ Histogramme, 7 /8/ Histogramme, 8 Übung () Aufgabe : Schreibe selber eine Funtion, die das normierte Histogramm eines Grauwertbildes berechnet! Tipp: Nehme zunächst eine leine Matrix und überlege Dir wie das Histogramm von dieser aussieht Anmerung: Das Histogramm ist ein Vetor. Du annst es mit dem Befehl bar zeichnen. Teste Deine Funtion mit den Grauwertbildern im Ordner images Übung () Aufgabe : Schreibe eine Funtion, die ein dreidimensionales Histogramm berechnet. Teste Deine Funtion mit Farbbildern! Wie önnte man ein dreidimensionales Histogramm visualisieren? /8/ Histogramme, 9 /8/ Histogramme, Notizen Notizen () /8/ Histogramme, /8/ Histogramme,
3 Inhaltsbasierte Bildsuche Aufbau einer Suchmaschiene mit Histogrammen System BilderDB Anfragebild Universität Bremen, Aug. Histogramm DB Ähnlicheitsmaß Ausgabe /8/ Histogramme, Histogrammberechnung Wir haben es mit RGB Bildern zu tun Einfachster Vorschlag: Addiere R+G+B, um ein Grauwertbild zu erhalten. Berechne anschließend das Histogramm des Grauwertbildes Fortgeschrittener Vorschlag: Berechne das dreidimensionale Histogramm Mermal-DB Berechne für jedes Bild das Histogramm Bei Bildern ist eine Schleife hilfreich Du annst z.b. mit tic und toc messen wie lange die Berechnung dauert Speichere die Mermalsdatenban mit save mermaldb.mat mermaldb /8/ Histogramme, /8/ Histogramme, 6 Ähnlicheitsmaß Hier gibt es mehrere Möglicheiten: Histogramm-Intersection (empfohlen): d i= min( HO ( i), HO' ( i)) Eulidische Distanz: d i= ( H ( i) H '( i)) O O Graphische Ausgabe Nach der Ähnlicheitsberechnung erhalten wir eine Liste mit Bildnummern Zeichne die ersten Bilder mit imshow und subplot Das erste Bild in der Ähnlicheitsliste sollte immer das Anfragebild sein! Später lernen wir noch andere! /8/ Histogramme, 7 /8/ Histogramme, 8
4 Überblic-Evaluation Inhaltsbasierte Bildsuche Evaluation Universität Bremen, Aug. Wozu Evaluation? Wichtige Eigenschaften Basics: Bilddatenbanen Ground truth Evaluationsmethoden Anleitung zur Benutzung der Evaluationsfuntionen /8/ Histogramme, Wozu Evaluation? Welche Mermale sind generell gut? Welche Mermale sind für welche Bilder besonders geeignet? Kann man herausfinden warum? -> Mit diesem Wissen önnen wir unsere Programme verbessern! Wichtige Eigenschaften Messbareit Eine einzige Zahl als Ergebnis: = gut, = schlecht Einen Graphen als Ergebnis (ist schwer zu lesen, enthält aber mehr Informationen) Vergleichbareit Welches Suchsystem ist besser? Welche Parameter liefern gute Ergebnisse? Konstrution von lernfähigen Algorithmen /8/ Histogramme, /8/ Histogramme, Bilddatenbanen Anforderungen an eine Bilddatenban: Bilder für jeden frei benutzbar Benutzt von vielen anderen Forschungsgruppen zur Evaluation Verfügbare Bilddatenbanen: WANG: Bilder, Kategorien UW database: 9 Bilder, Anmerungen zu den Bildern, eine Klassen ZuBuD: Bilder von jedem der Häuser CalTech database: Grauwertbilder, bestimmt Objete (Motorräder,Flugzeuge,Gesichter) Ground truth Gibt an welche Bilder ähnlich sind Welche Definition von ähnlich soll man verwenden? Wenn sie (optisch) ähnlich aussehen? Wenn ihr Inhalt ähnlich ist? Wenn sie unter dieselbe abstrate Kategorie fallen? /8/ Histogramme, /8/ Histogramme,
5 Woher beommt man die Ground truth? Schon in DB enthalten (z.b. Aufteilung in Kategorien) Unterteilung in Gruppen durch Experten Simulation der Benutzer Diretes Fragen der Benutzer Schlüsselwörter zu jedem Bild Unsere Ground truth Zu 7 Bildern der WANG Datenban wurde eine Ground truth erstellt Bild.jpg Bild 676.jpg /8/ Histogramme, /8/ Histogramme, 6 Evaluationsmethoden Presicion-Recall Berechnung V {, }: Recall: n A R = A + C Relevanz des Douments mit Rang Fallout: Precision: B F = B + D Treffer: A = Vn Falscher Alarm: B = ( Vn) = A N N Misses: C = V A Correct Dissmisals: D = ( V ) B A A A B = = + /8/ Histogramme, 7 P n PR-Graph Beispiele PR-Graphen: gut nicht so gut /8/ Histogramme, 8 Hendri s Funtionen M-Files by Hendri Tessendorf ev_query_images, um die 7 Bilder der ground truth anzuzeigen: ev_my_functions, um den PR-Graphen für einen dieser Bilder zu zeichnen plot_my_pr_all_averaged, um den PR- Graphen für alle 7 Bilder zu zeichnen /8/ Histogramme, 9 Literatur Performance Evaluation in Content-Based Image Retrieval: Overview and Proposals 999 (H.Müller, W.Müller, D. McG. Squire, T. Pun) Classification Error Rate for Quantative Evaluation of Content-based Image Retrieval Systems (T. Deselaers, D. Keysers, H. Ney) A Performance Evaluation Protocol for Content-Based Image Retrieval Algorithms/Systems (Liu Wenyin, Zhong Su, Stan Li, Yan-Feng Sun, Hongjiang Zhang) IMAGE RETRIEVAL EVALUATION CBAIVL-98 (John R. Smith) /8/ Histogramme,
6 Inhaltsbasierte Bildsuche Co-occurrence Matrix Universität Bremen, Aug. Definition Co-occurrence Co-occurrence = räumliche Abhängigeit Genauer: Das Vorommen eines bestimmten Wertes im Zusammenhang mit einem bestimmten Abstand und einer bestimmten Richtung /8/ Histogramme, Co-occurrence Matrix normierte symmetrische Matrix Größe: n x n n = der größte Wert in der Matrix Richtung wird durch Winel θ festgelegt Wir betrachten Werte mit Abstand d Richtung und Abstand und haben Abstand d =. und haben Abstand d=. -8: Alle Punte mit Abstand d = vom mittleren Punt 8 degrees 7 6 degrees Winel θ 9 degrees degrees /8/ Histogramme, /8/ Histogramme, Beispiel für d = Übung degree #(,) #(,) #(,) #(,) #(,) #(,) #(,) #(,) #(,) #(,) #(,) #(,) #(,) #(,) #(,) #(,) degree 9 degree degree Wie sehen die Cooccurrence Matrizen für die Richtungen θ=9 Grad und Abstand d= für die folgende Matrix aus? Schreibe eine m- Funtion cooc.m, die aus d für beliebige Matrizen die Cooccurrence Matrix für θ=9 (,,) Grad berechnet! /8/ Histogramme, /8/ Histogramme, 6
Bilder. Bildsuchmaschiene. Bildsuche. Überblick. Beispiele im WWW. Inhaltsbasierte Bildsuche Motivation
Bilder Inhaltsbasierte Bildsuche Motivation Informatica Feminale Universität Bremen, Aug. 2005 Maja Temerinac Albert-Ludwigs-Universität Freiburg Ein Bild sagt mehr als tausend Worte. Chinesisches Sprichwort
MehrAhnlichkeitsbestimmung von Bildern
Seminar: Content Based Image Retrieval Lehrstuhl fur Mustererkennung und Bildverarbeitung 10. Januar 2005 Ubersicht Einfuhrung Problemstellung: Vergleiche Merkmale verschiedener Bilder und bewerte deren
MehrPCA based feature fusion
PCA based feature fusion Seminar Inhaltsbasierte Bildsuche WS 04/05 Übersicht Motivation: PCA an einem Beispiel PCA in der Bildsuche Tests Zusammenfassung / Ausblick Diskussion / Demo 2 Motivation: PCA
MehrNumerik I. Aufgaben und Lösungen
Universität zu Köln SS 009 Mathematisches Institut Prof. Dr. C. Tischendorf Dr. M. Selva, mselva@math.uni-oeln.de Numeri I Musterlösung 1. Übungsblatt, Python Aufgaben und Lösungen 1. (4 Punte Die Stichprobenvarianz
Mehr15. Elementare Graphalgorithmen
Graphen sind eine der wichtigste Modellierungskonzepte der Informatik Graphalgorithmen bilden die Grundlage vieler Algorithmen in der Praxis Zunächst kurze Wiederholung von Graphen. Dann Darstellungen
MehrStunden 2 und 3: Eigenschaften der zentrischen Streckung und Übungen
Stunden und 3: Eigenschaften der zentrischen Strecung und Übungen Ziel der Stunden: Die Schüler - ennen ausgewählte wichtige Eigenschaften der zentrischen Strecung und - önnen bei vorgegebenem Strecungsfator
MehrRecommender Systeme mit Collaborative Filtering
Fakultät für Informatik Technische Universität München Email: rene.romen@tum.de 6. Juni 2017 Recommender Systeme Definition Ziel eines Recommender Systems ist es Benutzern Items vorzuschlagen die diesem
MehrInhaltsverzeichnis. 52 Weitere Publikationen. 54 Eigene Notizen. XLogo Programmieren
Inhaltsverzeichnis 6 Vorwort 8 Vorstellung der Autoren 9 Anleitung 10 Kapitel 1: Einstellungen 11 13 Kapitel 2: So funktioniere ich 14 Kapitel 3: Teste mich! 15 Kapitel 4: Programme im Editor schreiben
Mehrdem Lehrplan entsprechend für alle HTL Abteilungen im 4. und 5. Jahrgang;
bernhard.nietrost@htl-steyr.ac.at Seite von 2 Risio Mathematische / Fachliche Inhalte in Stichworten: Stochasti: Laplace, Abzähltechnien, UND/ODER-Regel, bedingte W-eit, Erwartungswert, Vertrauensbereich;
MehrStrukturmethoden: Röntgenstrukturanalyse von Einkristallen. Sommersemester Christoph Wölper. Universität Duisburg-Essen
Struturmethoden: Röntgenstruturanalyse von Einristallen Sommersemester 2014 Christoph Wölper Universität Duisburg-Essen Christoph Wölper christoph.woelper@uni-due.de http://www.uni-due.de/~adb297b Vorlesungs-Sript
MehrWiMa-Praktikum 1. Woche 8
WiMa-Praktikum 1 Universität Ulm, Sommersemester 2017 Woche 8 Lernziele In diesem Praktikum sollen Sie üben und lernen: Besonderheiten der For-Schleife in Matlab Wiederholung des Umgangs mit Matrizen und
Mehr19. Dynamic Programming I
Fibonacci Zahlen 9. Dynamic Programming I Fibonacci, Längste aufsteigende Teilfolge, längste gemeinsame Teilfolge, Editierdistanz, Matrixettenmultipliation, Matrixmultipliation nach Strassen [Ottman/Widmayer,
MehrInformatik I Übung, Woche 48: Nachbesprechung Aufgabe 10.1: Implementation von wechselgeld.pas
Informatik I Übung, Woche 48: Nachbesprechung Aufgabe 10.1: Implementation von wechselgeld.pas Giuseppe Accaputo 26. November, 2015 Wechselgeld: Definition Wechselgeld: Wir sind im Besitz von m Münzen,
MehrDifferentialrechnung im R n
Kapitel 9 Differentialrechnung im R n Bisher haben wir uns mit Funtionen beschäftigt, deren Verhalten durch eine einzelne Variable beschrieben wird. In der Praxis reichen solche Funtionen in der Regel
MehrDatenbankaspekte der Bildsuche: Effizienz, Interaktion und Evaluierung
Datenbanaspete der Bildsuche: Effizienz, Interation und Evaluierung Vorlesung Bildverarbeitung 2, Teil 6 Wintersemester 2001/2002 Ullrich Köthe, FB Informati, Uni Hamburg Beschleunigung der Suche in Bilddatenbanen
MehrWas bisher geschah. digitale Bilder: Funktion B : pos col Matrix B col
Was bisher geschah digitale Bilder: Funktion B : pos col Matrix B col pos mit den Mengen pos von Positionen (Adressen) col von Farben, Intensitäten Aufgaben maschineller Bildverarbeitung: Erzeugung, Wiedergabe,
MehrAlgo&Komp. - Wichtige Begriffe Mattia Bergomi Woche 6 7
1 Kürzeste Pfade Woche 6 7 Hier arbeiten wir mit gewichteten Graphen, d.h. Graphen, deren Kanten mit einer Zahl gewichtet werden. Wir bezeichnen die Gewichtsfunktion mit l : E R. Wir wollen einen kürzesten
MehrAlgorithmus zum Graphen-Matching. und. Anwendung zur inhaltsbasierten Bildersuche
Algorithmus zum Graphen-Matching und Anwendung zur inhaltsbasierten Bildersuche Gliederung 1. Einführung 2. Algorithmus Beschreibung Beispiel Laufzeit 3. Anwendung des Algorithmus Seite 1 von 18 1. Einführung
MehrKapitel 31 Bild- und Tonretrieval. HHU Düsseldorf, WS 2008/09 Information Retrieval 483
Kapitel 31 Bild- und Tonretrieval HHU Düsseldorf, WS 2008/09 Information Retrieval 483 Multimedia Information Retrieval Content-based Information Retrieval gesprochene Sprache Musik und weitere Audio-Dokumente
Mehr2.1 Häufigkeitsverteilung bei kategorialen Variablen
2 Verteilungen 7 2 Verteilungen Leitfragen: Welche Ausprägungen eines Mermals ommen im Datensatz vor? Wie häufig ommen die einzelnen Ausprägungen vor? Wie verteilen sich die Ergebnisse einer statistischen
MehrDas neue Fließband der Auto AG 1
MaMaEuSch Management Mathematics for European Schools http://www.mathemati.unil.de/~mamaeusch/ Das neue Fließband der Auto AG 1 Lösungen der Übungsaufgaben Silvia Schwarze 2 Boris Klees 3 Diese Veröffentlichung
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Tutorium 24-6. Sitzung Marcus Georgi tutorium@marcusgeorgi.de 04.12.2009 1 Repräsentation von Graphen im Rechner Adjazenzlisten Adjazenzmatrizen Wegematrizen 2 Erreichbarkeitsrelationen
Mehr6.2 Die Varianzanalyse und das lineare Modell
6.2 Die Varianzanalyse und das lineare Modell Man ann die Varianzanalyse auch in einem linearen Modell darstellen. Im univariaten einfatoriellen Fall lautet die Gleichung des linearen Modells in Komponentenschreibweise:
Mehr(query by image content)
Proseminar Multimedia Information-Retrieval-Systeme (query by image content) Das QBIC Projekt 1. Einleitung 1.1 Was ist QBIC 1.2 Wo wird es verwendet 2. QBIC im Detail 2.1 technische Grundlagen 2.2 Aufbau
Mehr(λ), t P j i = P j i. heißt symmetrisch, wenn t A = A und antisymmetrisch, wenn
3. 1 Transposition der Elementarmatrizen aus R n n. Für 1 i, j n und λ G(R) bzw. λ R gilt t S i (λ) S i (λ), t Q j i (λ) Qi j (λ), t P j i P j i. 3. 11 Definition. Eine Matrix A R n n t A A. heißt symmetrisch,
MehrMathematik: LehrerInnenteam Arbeitsblatt Semester ARBEITSBLATT Wahrscheinlichkeitsverteilungen
ARBEITSBLATT 7- Wahrscheinlicheitsverteilungen Lernziele: Wahrscheinlicheitsfuntion und Verteilungsfuntion disreter Verteilungen berechnen und zeichnen önnen. Dichtefuntion und Verteilungsfuntion stetiger
MehrInhaltsbasierte Bildsuche. Matthias Spiller. 17. Dezember 2004
Kantenbasierte Merkmale für die Bildsuche Inhaltsbasierte Bildsuche Matthias Spiller 17. Dezember 2004 Übersicht Übersicht Einleitung Was sind Kanten? Kantenrichtungs Histogramm Der Canny-Algorithmus Feature-Erzeugung
Mehr4. Mathematik-Schularbeit für die 5. Klasse Autor: Gottfried Gurtner
4. Mathemati-Schularbeit für die 5. Klasse Autor: Gottfried Gurtner Arbeitszeit: 100 Minuten Lernstoff: Mathematische Grundompetenzen (Un-)Gleichungen und Gleichungsssteme: AG.3 Quadratische Gleichungen
MehrD-INFK Lineare Algebra HS 2018 Özlem Imamoglu Olga Sorkine-Hornung. Serie 11
D-INFK Lineare Algebra HS 2018 Özlem Imamoglu Olga Sorkine-Hornung Serie 11 1. In dieser Aufgabe wollen wir die Parameter einer gewissen Modellfunktion aus ein paar gemessenen Werten bestimmen. Das Modell
MehrKonstruktion CPA-sicherer Verschlüsselung
Konstrution CPA-sicherer Verschlüsselung Algorithmus Verschlüsselung Π B Sei F eine längenerhaltende, schlüsselabhängige Funtion auf n Bits. Wir definieren Π B = (Gen, Enc, Dec) für Nachrichtenraum M =
MehrGrundbegriffe der Informatik Musterlösung zu Aufgabenblatt 9
Grundbegriffe der Informatik Musterlösung zu Aufgabenblatt 9 Aufgabe 9.1 (5+ Punkte) Für Graphen mit gewichteten Kanten steht in der Adjazenzmatrix an der Stelle i,j eine 0, falls es keine Kante von i
MehrDie Zahlbereiche N, Z, Q
Die Zahlbereiche N, Z, Q Ausgangspunt: N = {1,, 3...} Menge der natürlichen Zahlen schrittweise Konstrution 1 := { }, := {, { }}, 3 := {, { }, {, { }}}... (also: n + 1 := n {n} J.v. Neumann 193 N wird
MehrPerformance-Evaluierung bei inhaltsbasierter Bildsuche. Andreas Tenge Seminar Bilddatenbanken Technische Fakultät Universität Bielefeld im SS 2003
Performance-Evaluierung bei inhaltsbasierter Bildsuche Andreas Tenge Seminar Bilddatenbanken Technische Fakultät Universität Bielefeld im SS 2003 Inhaltsverzeichnis 0 Vorwort 1 1 Motivation 1 2 Evaluierung
Mehr1. Aufgabe [2 Punkte] Seien X, Y zwei nicht-leere Mengen und A(x, y) eine Aussageform. Betrachten Sie die folgenden Aussagen:
Klausur zur Analysis I svorschläge Universität Regensburg, Wintersemester 013/14 Prof. Dr. Bernd Ammann / Dr. Mihaela Pilca 0.0.014, Bearbeitungszeit: 3 Stunden 1. Aufgabe [ Punte] Seien X, Y zwei nicht-leere
MehrKombinatorik. ÖMO-Fortgeschrittenen-Kurs an der TU Graz. Jan Pöschko. 6. März Grundlegendes 2. 2 Zählen mit Binomialkoeffizienten 3
Kombinatori ÖMO-Fortgeschrittenen-Kurs an der TU Graz Jan Pöscho 6. März 009 Inhaltsverzeichnis Grundlegendes Zählen mit Binomialoeffizienten 3 3 Inlusions-Exlusions-Prinzip 4 4 Schubfachschluss 6 Zählen
MehrSteigung und Tangente. Steigung eines Funktionsgraphen in einem Punkt
R. Brinkmann http://brinkmann-du.de Seite 1 06..008 Steigung und Tangente Steigung eines Funktionsgraphen in einem Punkt In Segelflugzeugen sind häufig Flugschreiber eingebaut, die die Flughöhe in Abhängigkeit
MehrProgrammieren in C(++) und Mathematica - Übungen 2 SS 2018
Prof. Dr. A. Maas Institut für Physik N A W I G R A Z Programmieren in C(++) und Mathematica - Übungen SS 018 13./15. März 018 Das Ziel dieses Mal ist ein wenig den Entwurf eines Programms mittels Pseudocodes
MehrLineare Algebra 1. Vorbereitungsaufgaben zur Ersten Teilklausur. Studiengang: B.Sc. Mathematik, B.Ed. Mathematik, B.Sc. Physik
Prof. Dr. R. Tumulka, Dr. S. Eichmann Mathematisches Institut, Universität Tübingen Sommersemester 2017 2.6.2017 Lineare Algebra 1 Vorbereitungsaufgaben zur Ersten Teilklausur Studiengang: B.Sc. Mathematik,
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathemati Prof. Dr. Oliver Matte Max Lein Zentralübung 15. Abzählbareit Mathemati für Physier 2 Analysis 1) Wintersemester 2010/2011 Lösungsblatt 3 29.10.2009) i)
MehrIn diesem Abschnitt werden Programmierkonzepte vorgestellt, die häufig in der Praxis vorkommen.
7 Konzepte In diesem Abschnitt werden Programmieronzepte vorgestellt, die häufig in der Praxis vorommen. 7.1 Reursion Eines der wichtigsten Konzepte ist die Reursion. Eine Funtion arbeitet reursiv, wenn
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru D.
Dr. V. Gradinaru D. Devaud Herbstsemester 5 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie Aufgabe..a Bezüglich des euklidischen Skalarprodukts in R ist die Orthogonalprojektion
MehrInhaltsbasierte Bildsuche mit Farbhistogrammen
Fakultät Informatik Fachrichtung Intelligente Systeme, Aufgabenstellungen der Bildanalyse und Mustererkennung Inhaltsbasierte Bildsuche mit Farbhistogrammen Dresden, 19.06.2009 Gliederung Grundlagen CBIR
MehrChi² Test und Kontingenzkoeffizient. - aber keine natürliche Reihenfolge
Chi² Test und Kontingenzoeffizient Für nominalsalierte Daten: - diese haben unterschiedliche Ausprägung, - aber eine natürliche Reihenfolge 1. Chi² Test Test nominalsalierter Daten Vergleich von beobachteten
Mehr(Bamberg)
Konzeption eines Frameworks für die Evaluation von Tag-Suggestion-Algorithmen Martin Garbe Steffen Oldenburg Lukas Zielinski Prof. Dr. Clemens Cap (Universität Rostock) 08.05.2008 (Bamberg) Übersicht Tags
MehrÜbungen zur Vorlesung Kanonische Formulierung der ART. Blatt 7
Übungen zur Vorlesung Kanonische Formulierung der ART von Domenico Giulini Blatt 7 Aufgabe 1 Sei d c : R 3 R 0 x d c ( x) d( c, x) := x c die eulidische Distanzfuntion relativ zu c und J ( c,a) : C (Σ,
MehrTheorie der Kondensierten Materie I WS 2017/2018
Karlsruher Institut für Technologie Institut für Theorie der Kondensierten Materie Theorie der Kondensierten Materie I WS 207/208 Prof. Dr. A. Mirlin, PD Dr. I. Gornyi Blatt 3 Dr. N. Kainaris, Dr. S. Rex,
MehrVorbemerkungen. Die Programmieroberfläche des ClassPad
Vorbemerkungen Erfahrungen zeigen, dass die Programmiermöglichkeiten des ClassPad im Unterricht kaum genutzt werden. Dabei bieten aus unserer Sicht viele Situationen die Gelegenheit, die Programmieroberfläche
MehrÜbungen zu Numerische Mathematik (V2E2) Sommersemester 2008
Übungen zu Numerische Mathemati (V2E2) Sommersemester 2008 Prof. Dr. Martin Rumpf Dr. Martin Lenz Dipl.-Math. Nadine Olischläger Übungsblatt 1 Abgabe: 24. April 2008 Aufgabe 1 Zur Berechnung der Quadratwurzel
Mehr2.1 Klassische kombinatorische Probleme
2 Kombinatori Aufgabenstellung: Anzahl der verschiedenen Zusammenstellungen von Objeten. Je nach Art der zusätzlichen Forderungen, ist zu unterscheiden, welche Zusammenstellungen als gleich, und welche
MehrAufgabe 1. Signal Processing and Speech Communication Lab. Graz University of Technology
Signal Processing and Speech Communication Lab. Graz University of Technology Aufgabe 1 Senden Sie die Hausübung bis spätestens 22.4.2015 per Email an hw1.spsc@tugraz.at. Verwenden Sie MatrikelNummer1
MehrZugriff auf Matrizen. Anhängen von Elementen. Punktweise Operatoren. Vektoren und Matrizen in MATLAB II
Zugriff auf Matrizen. Anhängen von Elementen. Punktweise Operatoren. Vektoren und Matrizen in MATLAB II Matrixzugriff Wir wollen nun unsere Einführung in die Arbeit mit Vektoren und Matrizen in MATLAB
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
MehrAnfangswertprobleme: Grundlagen
Anfangswertprobleme: Grundlagen In diesem Skript werden die Grundlagen erklärt, wie man mit Matlab Anfangswertprobleme analysieren kann. Contents Beispiel: Entladung eines Kondensators Beispiel mit expliziter
MehrKapitel 4. Determinante. Josef Leydold Mathematik für VW WS 2017/18 4 Determinante 1 / 24
Kapitel 4 Determinante Josef Leydold Mathematik für VW WS 2017/18 4 Determinante 1 / 24 Was ist eine Determinante? Wir wollen messen, ob n Vektoren im R n linear abhängig sind bzw. wie weit sie davon entfernt
MehrLernmodul 7 Algorithmus von Dijkstra
Folie 1 von 30 Lernmodul 7 Algorithmus von Dijkstra Quelle: http://www.map24.de Folie 2 von 30 Algorithmus von Dijkstra Übersicht Kürzester Weg von A nach B in einem Graphen Problemstellung: Suche einer
MehrGraphenalgorithmen und lineare Algebra Hand in Hand Prof. Dr. Henning Meyerhenke
Graphenalgorithmen und lineare Algebra Hand in Hand Prof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrEvaluierung und Retrievalmaße. Seminar experimentelle Evaluierung In Information Retrieval WS05/06
Evaluierung und Retrievalmaße Seminar experimentelle Evaluierung In Information Retrieval WS05/06 Einleitung - Evaluierung Wichtig für IR Zusammenhang zwischen einer Suchanfrage und den zurückgegebenen
MehrHochschule Bremerhaven Medizintechnik Mathcad Kapitel 6
6. Diagramme mit Mathcad In diesem Kapitel geht es um andere, als X Y Diagramme. 6.. Kreisdiagramme. Schritt: Die darzustellende Funktion muß zunächst als Funktion definiert werden, zum Beispiel f(x):=
MehrTheoretische Informatik 1
Theoretische Informatik 1 Approximierbarkeit David Kappel Institut für Grundlagen der Informationsverarbeitung Technische Universität Graz 02.07.2015 Übersicht Das Problem des Handelsreisenden TSP EUCLIDEAN-TSP
MehrVorlesung Datenbanken II SS 2006
Vorlesung Datenbanken II SS 2006 1 Vorlesung Datenbanken II SS 2006 Sven Wachsmuth, Technische Fakultät, AG Angewandte Informatik Vorlesung Datenbanken II SS 2006 2 Suche in Bilddatenbanken Verschlagwortete
MehrBeispiellösungen zu Blatt 116 (ab Klasse 9)
µ κ Mathematisches Institut Georg-August-Universität Göttingen Aufgabe 1 Beispiellösungen zu Blatt 116 (ab Klasse 9) Finde jeweils alle Zahlen x, die die Gleichung a) x + x +... + 015x + 016x = 017 bzw.
MehrZweiter Teil des Tutorials. Workspace M-files Matrizen Flow Control Weitere Datenstrukturen Gemeinsames Beispiel erarbeiten
Zweiter Teil des Tutorials Workspace M-files Matrizen Flow Control Weitere Datenstrukturen Gemeinsames Beispiel erarbeiten Workspace Im Workspace sind die Variablen mit ihrem jeweiligen Wert gespeichert.
MehrAm Dienstag, den 16. Dezember, ist Eulenfest. 1/45
Am Dienstag, den 16. Dezember, ist Eulenfest. 1/45 Grundbegriffe der Informatik Einheit 12: Erste Algorithmen in Graphen Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Wintersemester 2008/2009
MehrMusterlösung Zahlentheorie Frühlingssemester 2015, Aufgabenblatt 1
Aufgabenblatt 1 40 Punte Aufgabe 1 (Teilermengen) Seien a = 128 und b = 129. a) Beschreiben Sie die Teilermengen T(a) und T(b) in aufzählender Form. 2 b) Seien p, q zwei verschiedene Primzahlen. (i) Wie
MehrCrashkurs: MATLAB (Teil II)
Crashkurs: MATLAB (Teil II) Übungsaufgaben Im Rahmen des Mentorings (SoSe 209) 0.04.209 Funktionen, Kontrollstrukturen, Abbildungen Hinweis. Schreiben Sie jede der folgen Aufgaben in eine eigene Skript-Datei
Mehr3 Kurzeinführung in Matlab
3 Kurzeinführung in Matlab Matlab ist ein sehr leistungsfähiges interaktives Programmpaket für numerische Berechnungen. Nutzen Sie dies parallel zu den Vorlesungen. Sie können damit persönlich erfahren,
MehrMathematische Werkzeuge R. Neubecker, WS 2016 / 2017
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 2016 / 2017 Optimierung: Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen Optimierungsprobleme Optimierung Suche nach dem Maximum oder Minimum
MehrMathematische Werkzeuge R. Neubecker, WS 2018 / 2019 Optimierung Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 018 / 019 Optimierung Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen 1 Optimierung Optimierungsprobleme Suche nach dem Maximum oder Minimum
MehrComputergrafik Universität Osnabrück, Henning Wenke,
Computergrafik Universität Osnabrück, Henning Wenke, 2012-05-14 Kapitel V: Modeling Transformation & Vertex Shader 5.1 Vertex Definitionen: Vertex Vertex Computergrafik Mathematischer Punkt auf einer Oberfläche
MehrHöhere Mathematik für die Fachrichtung Physik
Karlsruher Institut für Technologie Institut für Analysis Dr. Christoph Schmoeger Dipl.-Math. Sebastian Schwarz WS 018/019 5.10.018 Höhere Mathemati für die Fachrichtung Physi Lösungsvorschläge zum. Übungsblatt
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathemati PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Höhere Mathemati für Informatier II (Sommersemester 00) Lösungen zu Aufgabenblatt
MehrInhaltangabe. 1. Vektorraummodell und Latent Semantic Indexing. 2. PageRank und stochastische Matrizen
Inhaltangabe. Vetorraummodell und Latent Semantic Indeing. PageRan und stochastische Matrien Voraussetungen: -Vetoren, Winel wischen Vetoren, Orthonormieren -Graphen, Matrien, Matri-Vetorprodut . IR Vetrorraummodell
Mehr1 Einführung. Bildformate Analyse der LSB-Ersetzung Weitere steganographische Algorithmen. Syndromkodierung in der Steganographie
Gliederung Einführung 1 Einführung 2 3 4 WS 2012/2013 Steganographie und Multimedia-Forensik Folie 121 Farbwahrnehmung Blau: 435,8 nm Grün: 546,1 nm Rot: 700 nm (445 nm) (535 nm) (575 nm) Empfindlichkeit
Mehr5. Übungsblatt zur Einführung in die Stochastik
Fachbereich Mathematik Prof. Dr. Michael Kohler Dipl.-Math. Andreas Fromkorth Dipl.-Inf. Jens Mehnert SS 09 25.5.2009 5. Übungsblatt zur Einführung in die Stochastik Aufgabe 18 Drei Spieler bekommen jeweils
MehrMathematische Probleme, SS 2013 Donnerstag $Id: dreieck.tex,v /04/26 11:37:34 hk Exp $
$Id: dreiec.tex,v 1.9 2013/04/26 11:37:34 h Exp $ 1 Dreiece 1.5 Einige spezielle Punte im Dreiec In der letzten Sitzung haben wir die Konstrution der vier speziellen Punte S m, S w, S u und S h beendet.
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
MehrAufgabe 1. Signal Processing and Speech Communication Lab. Graz University of Technology
Signal Processing and Speech Communication Lab. Graz University of Technology Aufgabe 1 Senden Sie die Hausübung bis spätestens 26.4.2017 per Email an hw1.spsc@tugraz.at. Verwenden Sie MatrikelNummer1
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
MehrDer Binomialkoeffizient (Einführung):
Der Binomialoeffizient (Einführung): ) Wie viele Kombinationsmöglicheiten gibt es, Kugeln in Kästchen anzuordnen? Lösung: ) Beispiel: Fragen sollen beantwortet werden. Die Antwort ann richtig (r) oder
MehrHäufigkeitsverteilungen (1) - Einführung -
sverteilungen (1) - Einführung - Ausgangsmaterial für die Darstellung von Daten ist eine Urliste. Bsp. 20 StudentInnen eines Tutoriums wurden nach ihrem Alter befragt. Alter 19, 23, 21, 18, 20, 19, 21,
MehrTeil IX. Verteilungen an Daten anpassen ( Maximum-Likelihood-Schätzung. fitten ) Woche 7: Maximum-Likelihood-Schätzung. Lernziele
Woche 7: Maimum-Lielihood-Schätzung Patric Müller ETHZ Teil IX Verteilungen an Daten anpassen ( fitten ): Maimum-Lielihood-Schätzung WBL 17/19, 12.06.2017 Wahrscheinlicheit
MehrSalsaJ Übung 0. Programm öffnen / Menüstruktur Öffne das Programm SalsaJ (Salsaj2.jar). Open Image File Bilddatei öffnen
SalsaJ Übungen SalsaJ Übung 0 Programm öffnen / Menüstruktur Öffne das Programm SalsaJ (Salsaj2.jar). Open Image File Bilddatei öffnen Save Image Bild speichern Undo Last Operation Letzte Aktion rückgängig
Mehrcompressed domain image retrieval
Compressed domain image retrieval Christian Ott Seminar Inhaltsbasierte Bildsuche - Universität reiburg - 4. ebruar 25 4. ebruar 25, C.Ott Seite 1 Übersicht 1. Einleitung 2. JPEG 3. Merkmalsextraktion
MehrError-correcting codes
Informationsblatt für die Lehrkraft Multiplikation Error-correcting codes Beitrag zu "Werkstattunterricht Multiplikation" Allgemeine Didaktik - Seminar SS95 Autor: Ernesto Ruggiano Oberwiesenstr. 42 8050
MehrKategorie Seite Kapitel Titel im E-Book+ Bild/Text Info Üben 11 A Interaktive Übung Übungen zum Wiederholen des Wissens aus der Volksschule (einfach)
Kategorie Seite Kapitel Titel im E-Book+ Bild/Text Info Üben 11 A Interaktive Übung Übungen zum Wiederholen des Wissens aus der Volksschule (einfach) Verstehen 12 A Historisches Video Prof. Taschner über
MehrMod. 2 p. 1. Prof. Dr. Christoph Kleinn Institut für Waldinventur und Waldwachstum Arbeitsbereich Fernerkundung und Waldinventur
Histogramme der Grauwerte der TM Kanäle 1-7 für das Beispielsbild. - Kanäle 4 und 5 zeigen mehr Differenzierung als die anderen (Kontrast=das Verhältnis der hellsten zur dunkelsten Fläche in der Landschaft).
Mehr1 Einleitung Einordnung des Gebietes Aufbau des Buches Philosophie Inhalte Einige Lehrbücher...
Inhaltsverzeichnis 1 Einleitung... 1 1.1 Einordnung des Gebietes... 1 1.2 Aufbau des Buches... 3 1.2.1 Philosophie... 3 1.2.2 Inhalte... 5 1.3 Einige Lehrbücher... 6 2 Allgemeine Begriffe... 11 2.1 Einige
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)
MehrÜbungsblatt 2 Grundkurs IIIa für Physiker
Übungsblatt Grundurs IIIa für Physier Othmar arti, othmar.marti@physi.uni-ulm.de 6. 5. 00 Aufgaben für die Übungsstunden Lichtgeschwindigeit, Huygenssches Prinzip, Reflexion 3, Brechung 4, PDF-Datei 5.
MehrKapitel IR:II. II. Grundlagen des Information Retrieval. Retrieval-Evaluierung Indexterme
Kapitel IR:II II. Grundlagen des Information Retrieval Retrieval-Evaluierung Indexterme IR:II-1 Basics STEIN 2005-2010 Batch-Mode-Retrieval einmaliges Absetzen einer Anfrage; nur eine Antwort wird geliefert
MehrKomplexe Netzwerke Gradverteilung der Knoten, Skalenfreiheit, Potenzgesetz
Ernst Moritz Arndt Universität Greifswald 24. 4. 29 Komplexe Netzwere Gradverteilung der Knoten, Salenfreiheit, Potenzgesetz Dr. Matthias Scholz www.networ-science.org/ss29.html 1 Begriffe und Definitionen
Mehrx 11 x 31. x 3n x 21. x 1n x 2n ( 1 k 2 und (x k k2) k = ( 1 x k1 des R n ist konvergent, wenn alle Komponentenfolgen x kn = 0
Mathemati für Naturwissenschaftler II 33 32 Folgen Seien (x = x,x 2, und (y = y,y 2, zwei Folgen in den reellen Zahlen ( x ( y = x ( y, x2 y 2, bildet dann eine Folge im R 2 und dies lässt sich natürlich
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN. Basisdarstellung und das Skalarprodukt (Teil 2)
TECHNISCHE UNIERSITÄT MÜNCHEN Zentrum Mathematik Prof. Dr. Friedrich Roesler Ralf Franken, PhD Max Lein Lineare Algebra 1 WS 006/07 en Blatt 11 15.01.007 Basisdarstellung und das Skalarprodukt (Teil )
MehrKAPITEL 4. Orthogonalität. 1. Der Winkel zwischen zwei Vektoren. Wir wiederholen die Definition des Skalarprodukts zweier Vektoren, Definition 1.7.
KAPITEL 4 Orthogonalität Der Winel zwischen zwei Vetoren Wir wiederholen die Definition des Salarproduts zweier Vetoren, Definition 7 DEFINITION 4 Seien a a, b b in n Wir definieren: a n b n () a, b a
MehrV. Metriken. Gliederung. I. Motivation. Lesen mathematischer Symbole. Wissenschaftliche Argumentation. Matrizenrechnung. Seite 67
Gliederung I. Motivation II. III. Lesen mathematischer Symbole Wissenschaftliche Argumentation IV. Matrizenrechnung V. Metriken Seite 67 Problemstellung: Gegeben seien 2 Punkte im Raum. Wie groß ist die
MehrProgrammierung 1 Studiengang MI / WI
Programmierung 1 Studiengang MI / WI Dipl.-Inf., Dipl.-Ing. (FH) Michael Wilhelm Hochschule Harz FB Automatisierung und Informatik mwilhelm@hs-harz.de http://mwilhelm.hs-harz.de Raum 2.202 Tel. 03943 /
MehrVorkurs Mathematik. Vorlesung 5. Verknüpfungen
Prof. Dr. H. Brenner Osnabrüc WS 2009/2010 Vorurs Mathemati Vorlesung 5 Vernüpfungen Die Addition und die Multipliation auf den natürlichen Zahlen und die Hintereinanderschaltung von Abbildungen auf einer
MehrFerienkurs zur algorithmischen diskreten Mathematik Kapitel 1: Grundlagen der algorithmischen Graphentheorie
Ferienkurs zur algorithmischen diskreten Mathematik Kapitel 1: Grundlagen der algorithmischen Graphentheorie Dipl-Math. Wolfgang Kinzner 2.4.2012 Kapitel 1: Grundlagen der algorithmischen Graphgentheorie
MehrElemente der Stochastik (SoSe 2016) 5. Übungsblatt
Dr. M. Weimar 02.05.2016 Elemente der Stochasti (SoSe 2016) 5. Übungsblatt Aufgabe 1 (4 Punte) Beweisen sie, dass die Potenzmenge P(A) einer beliebigen endlichen Menge A genau P(A) 2 A Elemente enthält!
Mehr