Technische Universität
|
|
- Katarina Kohler
- vor 7 Jahren
- Abrufe
Transkript
1 Technische Universität München Fakultät für Informatik Forschungs- und Lehreinheit Informatik IX Filter im Frequenzraum Proseminar Jakob Külzer Betreuer: Abgabetermin: Dipl.-Inform. Heiko Gottschling
2 Inhaltsverzeichnis 1 Einleitung 2 2 Mathematische Grundlagen Fourierreihen Fouriertransformation Eindimensionale Fouriertransformation Zweidimensionale Fouriertransformation Fast Fourier Transform Räume Ortsraum Frequenzraum Darstellung des Frequenzraum Vom Orts- in den Frequenzraum Beispiele Bedeutung der Frequenzen Filter im Frequenzraum Warum im Frequenzraum? Prinzipielles Vorgehen Beispiele Für Filter Entfernen von Frequenzen High-Pass-Filter Low-Pass-Filter Gaussian Blur Zusammenfassung Literaturverzeichnis 15 1
3 Kapitel 1 Einleitung Digitale Bildverarbeitung ist in vielerlei Hinsicht sehr wichtig geworden. So werden Bildverarbeitungssysteme in der Industrie zur Qualitätskontrolle verwendet oder in der Medizin um Krankheiten oder Verletzungen zu diagnostizieren. Thema dieser Arbeit sollen Filter im Frequenzraum sein, eine Technik um Bilddaten schnell und effizient zu bearbeiten. 2
4 Kapitel 2 Mathematische Grundlagen Um Bilder mit einem Computer zu bearbeiten, bzw. von einem Computer bearbeiten zu lassen, müssen alle Prozesse mathematisch beschreibbar sein. Die für das Filtern im Frequenzraum benötigten Grundlagen sollen hier kurz angesprochen werden. 2.1 Fourierreihen Als Fourierreihe einer Funktion bezeichnet man deren Entwicklung als eine Summe von Sinus- und Cosinusschwingungen. Die Fourierreihen sind die die Grundlagen für die Fouriertransformationen, die wir später benutzen werden um Bilddaten in den Frequenzraum zu übertragen. Die allgemeine, reelle Darstellung einer Fourierreihe ist wie folgt: f(x) = a (a n cos(nωt) + b n sin(nωt)) (2.1) n=1 wobei mit ω den Sinus und Kosinus auf die entsprechende Periode skaliert: ω = 2π T Die Tatsache das sich so prinzipiell jedes beliebige Signal als ein Spektrum darstellen lässt, ist Grundlage für alle weiteren Überlegungen in dieser Arbeit. 2.2 Fouriertransformation Unter Fouriertransformation (Fouriertransformation) fasst man üblicherweise eine Menge gleichartiger Transformationen zusammen, die einer Funktion ihre Fouriertransformierte zuordnet. Für das Arbeiten mit digitalisierten Bilddaten benötigen wir die diskrete Fouriertransformation, da hier nur die Werte auf einem normalerweise äquidistanten Raster vorliegen. Das Raster dass das Bild formt ist gleichzeitig auch die kleinste Einheit die 3
5 KAPITEL 2. MATHEMATISCHE GRUNDLAGEN 4 mittels der Fouriertransformation erfasst werden kann, denn logischerweise können nicht Frequenzen errechnet werden die durch das Raster nicht mehr dargestellt werden Eindimensionale Fouriertransformation Allgemein ist die Fouriertransformation wie folgt definiert: F (ω) = 1 2π f(t) iωt dt (2.2) Die diskrete Fouriertransformation ist wie folgt definiert, sie bildet den Definitionsbereich, einen Menge von M komplexen Zahlen f i {f 0, f 1,..., f M 1 } auf sich selbst ab. ˆf u = 1 M M 1 m=0 f m e 2πiωmu M (2.3) Die inverse Fouriertransformation bildet die Werte wieder zurück ab: f m = M 1 u=0 ˆf u e 2πimu M (2.4) Den Term K u = e 2πmu M nennt man den Kern der Diskreten Fouriertransformation. Dieser gibt die Basisfunktionen an in die der Vektor zerlegt werden soll; hier werden Sinus- und Kosinusfunktionen mit unterschiedlichen Wellenlängen verwendet. Der Index u gibt an wie oft die Basisfunktion K u in das Intervall von M 1 reinpassen soll, d.h. unter dem Index u = 1 ist folglich die größte Struktur die in dem Vektor mit Größe M beobachtet werden kann; u = M 1 stellt demnach die höchsten Frequenzen, also die kleinsten Strukturen dar Zweidimensionale Fouriertransformation Um die Fouriertransformierte eines zweidimensionalen Bildes zu berechnen benötigt man natürlich auch eine zweidimensionale Fouriertransformation. Diese ist prinzipiell eine eindimensionale Fouriertransformation die auf komplexen zweidimensionalen M N Matrizen arbeitet: ˆF u,v = 1 MN M 1 x=0 N 1 y=0 F x,y e 2πixu M e 2πiyu N (2.5) Das Ergebnis der Transformation ist eine komplexwertige Repräsentation des ursprünglichen Bildes. Die Inverse dazu ist analog dazu definiert und überträgt die Transformierte wieder zurück in die ursprüngliche Form:
6 KAPITEL 2. MATHEMATISCHE GRUNDLAGEN 5 F m,n = M 1 u=0 N 1 v=0 ˆF u,v e 2πimu 2πinv M e M (2.6) Fast Fourier Transform Die direkte Umsetzung der zweidimensionalen Fouriertransformation ist sehr aufwendig da zuerst eine Eindimensionale Fouriertransformation auf jede Spalte und dann nochmals auf das Ergebnis angewendet werden muss, bei einer n n Matrix mit Werten immerhin O(n 2 ). Daher benutzt man hierfür in der Regel einen optimierten Algorithmus, die schnelle Fouriertransformation, auch FFT 1 genannt, der die Komplexität auf O(nlog 2 n) drückt. Die Grundidee hinter der FFT ist die Summen über n aus 2.5 bzw. 2.6 rekursiv nach dem divide-and-conquer Prinzip so lange zu halbieren, bis man bei der Länge eins angelangt ist. Das berechnen der DFT für die Länge eins ist dann trivial und kann sehr schnell ausgeführt werden. Allerdings hat dieses Verfahren den Nachteil das zu bearbeitende Bild von den Abmessungen immer eine Zweierpotenz sein muss. Hierbei hilft man sich meist indem man das Bild mit Nullen auf die entsprechende Größe bringt. Auf die Details der Implementierung kann hier aus Platzgründen nicht weiter eingegangen werden, hier sei auf [Huc02] oder [Jäh89] verwiesen. 1 Fast-Fourier-Transform
7 Kapitel 3 Räume Üblicherweise kennt man aus dem alltäglichen Leben das Bilder, so zum Beispiel beim Fernseher oder beim Bildschirm vom PC, als eine zweidimensionale Matrix mit Bildpunkten dargestellt wird. Darüber hinaus gibt es aber noch andere, hier soll kurz auf die übliche Methode, den sog. Ortsraum und auf eine, auf Anhieb etwas ungewöhnlichere, den Frequenzraum eingegangen werden. 3.1 Ortsraum Der Ortsraum ist eine recht einfache Repräsentation der Bilddaten, sie ist leicht darzustellen 1 und auch einfach vorzustellen: Ein rechteckiges Feld von farbigen Punkten. 3.2 Frequenzraum Der Frequenzraum dagegen ist etwas schwieriger. Hier wird das Bild als eine Summe von Frequenzen betrachtet 3.3 Darstellung des Frequenzraum Der Frequenzraum ist naturgemäß schwer darzustellen, da man eine Summe von Frequenzen schlecht visualisieren kann. In dieser Arbeit wurde daher folgender Ansatz gewählt welcher auch in [RFW03] verwendet wird: Der Punkt des Frequenzraumes mit der niedrigsten Frequenz wird in die Mitte des Bildes verschoben und desto weiter nach außen man geht, desto höher werden die Frequenzen. Der Grauwert des Pixels gibt den Betrag 1 Man beachte den Bildschirm vor sich! 6
8 KAPITEL 3. RÄUME 7 Abbildung 3.1: Die Fouriertransformierte Darstellung eines komplett einfarbigen Bildes. Lediglich eine Frequenz wird benötigt um dieses Bild zu beschreiben. des komplexen Wertes an; auf diesen wird ein Logarithmus angewendet da sonst die Werte zu stark auseinander klaffen und man in der Darstellung lediglich ein paar Punkte auf schwarzem Grund sehen würden. 3.4 Vom Orts- in den Frequenzraum Beispiele Um den Zusammenhang zwischen Orts- und Frequenzraum besser zu verstehen sollen hier zuerst einfache geometrische Formen transformiert werden. Den Anfang macht ein komplett einfarbiges Bild, Abb. 3.1, d.h. es sind so gesehen keine Frequenzen im Bild darzustellen. Erwartungsgemäß sieht die Frequenzraumdarstellung ebenso langweilig aus, sie enthält nur einen einzigen Wert und zwar die niedrigste Frequenz. Das nächste Beispiel 3.2 enthält schon mehr. Das Bild besteht aus abwechselnd schwarzen und weißen 2 Pixel breiten Streifen. Die transformierte Darstellung enthält nun 2 Punkte mehr als im vorigen Beispiel: die zwei Punkte rechts und links stellen die 2 Frequenzen für die Streifen dar. Die beiden Punkte liegen direkt auf der Horizontalen durch den Mittelpunkt da die meiste Änderung beim durchlaufen des Bildes in eben dieser Richtung statt findet. Würde man nun die Streifen schräg laufen lassen, würde sich die Darstellung des Frequenzraumes ebenfalls drehen. In Abb. 3.3 wurden die Streifen um 45 gedreht und in der transformierten kann man gut erkennen das sich die Pixel für die entsprechenden Frequenzen ebenfalls verschoben haben und nun auf der Diagonalen liegen die den größten Veränderungen entspricht.
9 KAPITEL 3. RÄUME 8 Abbildung 3.2: Links ein Bild das aus 2 Pixel breiten Streifen besteht, welche sich über die gesamte Breite fortsetzen. Rechts die transformierte Darstellung mit. Abbildung 3.3: Prinzipiell wie in Abb. 3.2, nur sind die Streifen nun um 45 gedreht.
10 KAPITEL 3. RÄUME 9 Abbildung 3.4: Das TUM Logo in seiner ursprünglichen Form und in seiner transformierten Darstellung. Als abschließendes Beispiel muss nun das TUM Logo herhalten. In Abb. 3.4 ist links wieder die ursprüngliche Darstellung wie man sie kennt und rechts die transformierte. Gut zu erkennen ist das sich ein Großteil der Frequenzen auf die horizontale und vertikale Achse verteilt da das Bild beim Durchlaufen in horizontaler bzw. vertikaler Richtung anteilsmäßig die meisten Änderungen durchmacht. Aufgrund des begrenzten Platzes in dieser Arbeit können nicht mehr Beispiel gebracht werden. Wen mehr darüber interessiert dem sei [RFW03] empfohlen, mit dem dort angebotenen Java-Applet kann man nach Herzenslust experimentieren Bedeutung der Frequenzen Beim Betrachten der transformierten Darstellungen stellt sich die Frage welche der Frequenzen für welchen Teil der Bildinformationen zuständig sind. Vereinfacht gesagt sind die hohen Frequenzen für Kanten und harte Übergänge verantwortlich während die niedrigeren Frequenzen die eher weiteren Verläufe übernehmen. Um die Bedeutung der einzelnen Frequenzteile zu verdeutlichen hier noch zwei weitere Bilder. In Abb. 3.5 ist ein Bild mit harten Übergängen gegeben. In der transformierten Darstellung ist gut zu erkennen das in den äußeren Bereichen mit den hohen Frequenzen viele Pixel vorhanden sind. Zum Vergleich sei in Abb. 3.6 ein Bild aus einem Verlauf gegeben, das keine harten Kanten enthält. Hier ist in der transformierten Darstellung gut zu erkennen das nach außen hin immer weniger Pixel vorhanden sind.
11 KAPITEL 3. RÄUME 10 Abbildung 3.5: Ein Bild mit harten Übergängen. Abbildung 3.6: Ein sanfter Verlauf von schwarz nach weiß.
12 Kapitel 4 Filter im Frequenzraum Doch nun zu dem eigentlichen Thema dieser Arbeit, dem Filtern der Bilddaten im Frequenzraum. Per Definition ist das Filtern eines Bildes die mathematische Überführung der ursprünglichen Funktion, des Bildes, in eine neue Funktion, dem gefilterten Bildes. Filtern kann man prinzipiell in jeder Darstellung eines Bildes jedoch bietet der Frequenzraum hier teilweise Vorteile. 4.1 Warum im Frequenzraum? Das Filtern im Frequenzraum hat dem Filtern im Ortsraum gegenüber bei manchen Operationen Vorteile. So lassen sich z.b. Frequenzbänder im Frequenzraum viel leichter manipulieren als dies im Ortsraum der Fall wäre da das Bild ja als Summe seiner Frequenzen vorliegt. 4.2 Prinzipielles Vorgehen Um ein Bild im Frequenzraum zu filtern geht man nach folgendem Schema vor: Übertragen der Bilddaten in den Frequenzraum mittels Fouriertransformation Abbildung 4.1: Prinzipielles Vorgehen beim Filtern im Frequenzraum. 11
13 KAPITEL 4. FILTER IM FREQUENZRAUM 12 Abbildung 4.2: Der Pinguin vor, während und nach dem High-Pass-Filter. Links ist das ursprüngliche Bild mit seiner transformierten Darstellung, in der Mitte ist das veränderte Spektrum zu sehen und rechts die zurücktransformierte Darstellung. Filter auf das Spektrum anwenden Spektrum wieder in den Ortsraum übertragen Alle Filter haben gemein das sie bestimmte Frequenzbereiche verändern oder sogar entfernen. 4.3 Beispiele Für Filter Entfernen von Frequenzen Prinzipiell gehören der High-Pass- und Low-Pass-Filter ebenfalls in diese Kategorie da sie auch einfach nur Frequenzen entfernen, aber diese Filter haben sich in dieser Form bereits etabliert und bieten gegenüber dem wahllosen entfernen von Frequenzen praktische Anwendungen High-Pass-Filter Beim High-Pass-Filter werden, wie der Name schon sagt, nur hohe Frequenzen durchgelassen, d.h. die niedrigen Frequenzen werden abgeschnitten. Wieviel genau hängt von der konkreten Implementierung ab. Der entstehende Effekt ist eine einfache Kantenglättung. In Abb. 4.2 kann man gut erkennen wie nur noch die Kanten vorhanden sind.
14 KAPITEL 4. FILTER IM FREQUENZRAUM 13 Abbildung 4.3: Weichgezeichnet! Links wurden einfach alle Frequenzen ab einem Grenzwert abgeschnitten. Rechts sind gut die Artefakte zu erkennen Low-Pass-Filter Ein Low-Pass-Filter arbeitet ähnlich dem High-Pass-Filter nur das er die hohen Frequenzen abschneidet. Wie weiter oben bereits festgestellt, sind die hohen Frequenzen besonders für die harten Übergänge verantwortlich und dementsprechend wirkt sich ein abschneiden dieser Frequenzen wie ein verwischen bzw. weichzeichnen aus. In Abb. 4.3 ist links das veränderte Spektrum des TUM-Logos zu sehen. Wie unschwer zu erkennen ist wurden alle Frequenzen ab einem bestimmten Grenzwert einfach abgeschnitten. Im zurücktransformierten Bild sind alle scharfen Kanten stark verwischt. Diesen Filter kann man auch verwenden um störende Frequenzen wie z.b. Rauschen aus den Bilddaten zu entfernen. Konkret wird dieser Filter eher selten in der Bildverarbeitung angewandt da das sich ergebende Bild meistens unangenehme Artefakte enthält welche in 4.3 als regelmäßige Wellen zu erkennen sind.diese Wellen entstehen da aufgrund des zu aprupten Abschneidens der entsprechenden Frequenzen die übrigen Frequenzen die in dem Bildabschnitt wichtig sind nach wie vor vorhanden sind Gaussian Blur Daher verwendet man normalerweise zum Weichzeichnen einen Gauß schen Weichzeichner welcher im Gegensatz zu dem einfachen Low-Pass-Filter die Frequenzen nicht aprupt abschneidet sondern zu einem bestimmten Grenzwert hin sanft abschneidet wie in Abb. 4.4 zu sehen.
15 KAPITEL 4. FILTER IM FREQUENZRAUM 14 Abbildung 4.4: Das TUM-Logo nach Anwendung eines Gauß schen Weichzeichners. Links ist der veränderte Frequenzraum zu sehen in dem die hohen Frequenzen abgeschnitten wurden. 4.4 Zusammenfassung Alles in allem lassen sich Bilder mit den gegebenen Verfahren vielfältig bearbeiten und verändern, leider kann hier in dieser Arbeit nicht auf mehr eingegangen werden. Alle Filter für den Frequenzraum basieren auf den oben vorgestellten Verfahren. Wieviel möglich ist kann man schon am durch Variieren der Parameter der oben erwähnten Filter erkennen. Verschiebt man z.b. einen Low-Pass-Filter bzw. einen Gauß schen Weichzeichner horizontal oder vertikal, so erhält man ein Weichzeichnen an der entsprechenden Achse.
16 Literaturverzeichnis [Bou98] Paul Bourke. imagefilter/, [Huc02] Schneider Huckle. Numerik für Informatiker. Springer Verlag, [Jäh89] Bernd Jähne. Digitale Bildverarbeitung. Springer Verlag, [RFW03] A. Walker R. Fisher, S. Perkins and E. Wolfart. Interactive fourier transform experimentation [Win98] B. L. Winkler. Filtern im frequenzraum. lehre/dibito/vorlesung/node44.html,
Übung: Computergrafik 1
Prof. Dr. Andreas Butz Prof. Dr. Ing. Axel Hoppe Dipl.-Medieninf. Dominikus Baur Dipl.-Medieninf. Sebastian Boring Übung: Computergrafik 1 Fouriertransformation Organisatorisches Neue Abgabefrist für Blatt
Mehr(Fast) Fourier Transformation und ihre Anwendungen
(Fast) Fourier Transformation und ihre Anwendungen Johannes Lülff Universität Münster 14.01.2009 Definition Fouriertransformation F (ω) = F [f(t)] (ω) := 1 2π dt f(t)e iωt Fouriersynthese f(t) = F 1 [F
MehrDigitale Bildverarbeitung (DBV)
Digitale Bildverarbeitung (DBV) Prof. Dr. Ing. Heinz Jürgen Przybilla Labor für Photogrammetrie Email: heinz juergen.przybilla@hs bochum.de Tel. 0234 32 10517 Sprechstunde: Montags 13 14 Uhr und nach Vereinbarung
MehrTechnik der Fourier-Transformation
Was ist Fourier-Transformation? Fourier- Transformation Zeitabhängiges Signal in s Frequenzabhängiges Signal in 1/s Wozu braucht man das? Wie macht man das? k = 0 Fourier- Reihe f ( t) = Ak cos( ωkt) +
Mehr1. Filterung im Ortsbereich 1.1 Grundbegriffe 1.2 Lineare Filter 1.3 Nicht-Lineare Filter 1.4 Separabele Filter 1.
. Filterung im Ortsbereich. Grundbegriffe. Lineare Filter.3 Nicht-Lineare Filter.4 Separabele Filter.5 Implementierung. Filterung im Frequenzbereich. Fouriertransformation. Hoch-, Tief- und Bandpassfilter.3
MehrSpektralanalyse. Spektralanalyse ist derart wichtig in allen Naturwissenschaften, dass man deren Bedeutung nicht überbewerten kann!
Spektralanalyse Spektralanalyse ist derart wichtig in allen Naturwissenschaften, dass man deren Bedeutung nicht überbewerten kann! Mit der Spektralanalyse können wir Antworten auf folgende Fragen bekommen:
MehrUniversität Trier. Fachbereich IV. Wintersemester 2004/2005. Wavelets made easy. Kapitel 2 Mehrdimensionale Wavelets und Anwendungen
Universität Trier Fachbereich IV Wintersemester 2004/2005 Wavelets made easy Kapitel 2 Mehrdimensionale Wavelets und Anwendungen Thomas Queckbörner 16.11.2004 Übersicht des Kapitels: 1. Einführung 2. Zweidimensionale
MehrBildverarbeitung Herbstsemester 2012. Fourier-Transformation
Bildverarbeitung Herbstsemester 2012 Fourier-Transformation 1 Inhalt Fourierreihe Fouriertransformation (FT) Diskrete Fouriertransformation (DFT) DFT in 2D Fourierspektrum interpretieren 2 Lernziele Sie
MehrPerlen der Informatik I Wintersemester 2012 Aufgabenblatt 6
Technische Universität München WS 2012 Institut für Informatik Prof. Dr. H.-J. Bungartz Prof. Dr. T. Huckle Prof. Dr. M. Bader Kristof Unterweger Perlen der Informatik I Wintersemester 2012 Aufgabenblatt
MehrComputergrafik 2: Filtern im Frequenzraum
Computergrafik 2: Filtern im Frequenzraum Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies (Grundlagen
MehrÜbung zur Vorlesung 2D Grafik Wintersemester 05/06. Otmar Hilliges
Übung zur Vorlesung 2D Grafik Wintersemester 05/06 Übungsblatt 5 Musterlösung auf der Übungsseite. https://wiki.medien.ifi.lmu.de/pub/main/uebung2dgrafikws 0506/FFT_LSG.jar Page 2 transform() for (y =
MehrComputergraphik I. Das Abtasttheorem. Problem bei räumlicher Abtastung: Oliver Deussen Abtasttheorem 1
Das Abtasttheorem Problem bei räumlicher Abtastung: Oliver Deussen Abtasttheorem 1 Problem bei zeitlicher Abtastung: Oliver Deussen Abtasttheorem 2 Darstellung auf Monitor Was geschieht eigentlich, wenn
MehrSchnelle Fouriertransformation (FFT)
Schnelle Fouriertransformation (FFT) Inhaltsverzeichnis 1 Schnelle Fouriertransformation (FFT)... 3 1.1 Das Realtime-Konzept der Goldammer-Messkarten... 3 1.2 Das Abtasttheorem oder Regeln für die Abtastung
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Fourier-Transformation Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 1 Einordnung in die Inhalte der Vorlesung Einführung
Mehr5 Kontinuierliches Wachstum
5 Kontinuierliches Wachstum Kontinuierlich meßbare Größe Wir betrachten nun eine Größe a, die man kontinuierlich messen kann. Den Wert von a zum Zeitpunkt t schreiben wir nun als a(t). Wir können jedem
Mehr(Fast) Fourier Transformation und ihre Anwendungen
(Fast) Fourier Transformation und ihre Anwendungen Johannes Lülff Universität Münster 14.01.2009 Inhaltsverzeichnis 1 Einführung 2 FFT 3 Anwendungen 4 Beschränkungen 5 Zusammenfassung Definition Fouriertransformation
Mehrλ(a n ) n 1 = (λa n ) n 1. Abbildung 1: Graph einer Folge. b n = arctan(n), f n = cos(nπ), g n = n 2, h n = ( 1) n n.
Folgen Es sei X eine beliebige Menge. Eine Folge mit Werten in X ist eine Abbildung von N nach X. Es wird also jeder natürlichen Zahl n (dem Index) ein Element a n aus X zugeordnet (das n-te Folgenglied).
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.
MehrDefinition der Entropie unter Verwendung von supp(p XY )
Definition der Entropie unter Verwendung von supp(p XY ) Wir fassen die Ergebnisse des letzten Abschnitts nochmals kurz zusammen, wobei wir von der zweidimensionalen Zufallsgröße XY mit der Wahrscheinlichkeitsfunktion
MehrReihen, Einleitung. 1-E1 Ma 2 Lubov Vassilevskaya
Reihen, Einleitung 1-E1 Ma 2 Lubov Vassilevskaya Einleitung Im Folgenden werden wir Reihen, d.h. Summen von Zahlen untersuchen. Wir unterscheiden zwischen einer endlichen Reihe, bei der die Summe endlich
Mehr1.4 Gradient, Divergenz und Rotation
.4 Gradient, Divergenz und Rotation 5.4 Gradient, Divergenz und Rotation Die Begriffe Gradient, Divergenz und Rotation erfordern die partiellen Ableitung aus Abschnitt.. sowie das Konzept des Differentialoperators.
Mehr9 Fourier-Transformation
9 Fourier-Transformation Zoltán Zomotor Versionsstand: 5. September 2015, 18:26 Die nummerierten Felder bitte mithilfe der Videos ausfüllen: http://www.z5z6.de This work is based on the works of Jörn Loviscach
MehrFILTER UND FALTUNGEN
Ausarbeitung zum Vortrag von Daniel Schmitzek im Seminar Verarbeitung und Manipulation digitaler Bilder I n h a l t. Der Begriff des Filters 3 2. Faltungsfilter 4 2. Glättungsfilter 4 2.2 Filter zur Kantendetektion
MehrGrundlagen der Computer-Tomographie
Grundlagen der Computer-Tomographie Quellenangabe Die folgenden Folien sind zum Teil dem Übersichtsvortrag: imbie.meb.uni-bonn.de/epileptologie/staff/lehnertz/ct1.pdf entnommen. Als Quelle für die mathematischen
MehrFolgen und Grenzwerte
Wintersemester 2015/201 Folgen und Grenzwerte von Sven Grützmacher Dieser Vortrag wurde für den (von der Fachschaft organisierten) Vorkurs für die Studienanfänger an der Fakultät für Mathematik und Informatik
MehrFunktionen mit mehreren Variablen. Voraussetzungen:
Funktionen mit mehreren Variablen Voraussetzungen: Grundlegende Kenntnisse über Ableiten (Zu inden in dem Artikel Dierential und Integralrechnung au www.antigauss.de), sowie eine Vorstellung davon, was
MehrDiskrete Signalverarbeitung und diskrete Systeme
Diskrete Signalverarbeitung und diskrete Systeme Computer- basierte Verarbeitung von Signalen und Realisierung von Systemverhalten erfordern diskrete Signale und diskrete Systembeschreibungen. Wegen der
MehrFourier-Zerlegung, Fourier-Synthese
Fourier-Zerlegung, Fourier-Synthese Periodische Funktionen wiederholen sich nach einer Zeit T, der Periode. Eine periodische Funktion f(t) mit der Periode T genügt der Beziehung: f( t+ n T) = f( t) für
Mehr5.4 Basis, Lineare Abhängigkeit
die allgemeine Lösung des homogenen Systems. Wieder ist 2 0 L i = L h + 0 1 Wir fassen noch einmal zusammen: Ein homogenes lineares Gleichungssystem A x = 0 mit m Gleichungen und n Unbekannten hat n Rang(A)
MehrDarstellung als Filterbank. Annahme für die Codierung: bestimmter Betrachtungsabstand, Wiedergabegröße Bestimmter Betrachtungswinkel für das Auge.
Darstellung als Filterbank Annahme für die Codierung: bestimmter Betrachtungsabstand, Wiedergabegröße Bestimmter Betrachtungswinkel für das Auge. - Trifft in bestimmten Maße auch auf das Original zu, da
Mehrf (t) =A sin ( t+ ) (1)
1 Das Sinoid in verschiedenen Schreibweisen f (t) A t enthalt fur jedes zwei Parameter, A und v. f (t) =A sin ( t+ ) (1) Formt man um f (t) =A (cos tsin + sin tcos ) und setzt b = A sin a = A cos so ergibt
MehrLineare Gleichungen mit 2 Variablen
Lineare Gleichungen mit 2 Variablen Lineare Gleichungen mit 2 Variablen sind sehr eng verwandt mit linearen Funktionen. Die Funktionsgleichung einer linearen Funktion f(x) = m x+q m: Steigung, q: y Achsenabschnitt
MehrMathematik für Informatiker 1 Wintersemester 2013/14 Heimarbeitsblatt 14
Dipl.Inf. Malte Isberner Dr. Oliver Rüthing Dipl.Inf. Melanie Schmidt Dr. Hubert Wagner Übungen zur Vorlesung Mathematik für Informatiker Wintersemester 3/4 Heimarbeitsblatt 4 Die Lösungshinweise dienen
Mehr6 Trigonometrische Funktionen
6 Trigonometrische Funktionen 6. Definition Die Trigonometrischen Funktionen (oder Winkelfunktionen) Sinus-, Kosinusund Tangensfunktion stellen den Zusammenhang zwischen Winkel und Seitenverhältnis dar.
MehrDiskrete und Schnelle Fourier Transformation. Patrick Arenz
Diskrete und Schnelle Fourier Transformation Patrick Arenz 7. Januar 005 1 Diskrete Fourier Transformation Dieses Kapitel erläutert einige Merkmale der Diskreten Fourier Transformation DFT), der Schnellen
MehrInterpretation: f(x) wird zerlegt als Summe von unendlich vielen Funktionen
C6.3 Fourier-Transformation Entspricht Fourier-Reihe für 'Fourier-Integral' Für endliches L: (C6.1b.3) Für stellt eine kontinuierliche Funktion dar: und Fourier-Summe wird ein Integral: 'Fourier-Transformation'
MehrDiskrete Cosinustransformation (DCT)
Fachbereich Medieninformatik Hochschule Harz Diskrete Cosinustransformation (DCT) Referat Björn Wöldecke 10954 Abgabe: 15.01.2007 Inhaltsverzeichnis Einleitung / Vorwort... 1. Methoden zur Datenreduktion...
MehrDie Fakultät. Thomas Peters Thomas Mathe-Seiten 2. Mai 2010
Die Fakultät Thomas Peters Thomas Mathe-Seiten www.mathe-seiten.de 2. Mai 200 Dieser Artikel gibt die Definition der klassischen Fakultät und führt von dort aus zunächst zu der Anwendung in Taylor-Reihen
Mehr10 - Elementare Funktionen
Kapitel 1 Mathematische Grundlagen Seite 1 10 Elementare Funktionen Definition 10.1 (konstante Funktion) Konstante Funktionen sind nichts weiter als Parallelen zur xachse, wenn man ihren Graphen in das
Mehr3 Reihen. 3.1 Konvergenz und Divergenz. Die Eindeutigkeit nach Satz 13 ergibt schließlich (5). (6) folgt aus (2) und (1) wegen. 1 a +log ba.
Die Eindeutigkeit nach Satz 3 ergibt schließlich (5). (6) folgt aus (2) und () wegen Aussage (7) ergibt sich aus () und (6). 0 = log b = log b ( a a) = log b a +log ba. 3 Reihen 3. Konvergenz und Divergenz
MehrBildverarbeitung. Bildvorverarbeitung - Fourier-Transformation -
Bildverarbeitung Bildvorverarbeitung - Fourier-Transformation - 1 Themen Methoden Punktoperationen / Lokale Operationen / Globale Operationen Homogene / Inhomogene Operationen Lineare / Nichtlineare Operationen
MehrZusammenfassung : Fourier-Reihen
Zusammenfassung : Fourier-Reihen Theorem : Jede (nicht-pathologische) periodische Funktion läßt sich schreiben als "Fourier-Reihe" der Form: Vorzeichen ist Konvention, in Mathe : + Fourier-Transformation
MehrKontinuierliche Fourier-Transformation. Laplace-Transformation
Kontinuierliche Fourier-Transformation. Laplace-Transformation Jörn Loviscach Versionsstand: 16. Juni 2010, 17:56 Die nummerierten Felder sind absichtlich leer, zum Ausfüllen in der Vorlesung. Videos dazu:
MehrElementare Geometrie. Inhaltsverzeichnis. info@mathenachhilfe.ch. Fragen und Antworten. (bitte nur für den Eigengebrauch verwenden)
fua0306070 Fragen und Antworten Elementare Geometrie (bitte nur für den Eigengebrauch verwenden) Inhaltsverzeichnis 1 Geometrie 1.1 Fragen............................................... 1.1.1 Rechteck.........................................
MehrComputergraphik 1 2. Teil: Bildverarbeitung. Fouriertransformation Ende FFT, Bildrestauration mit PSF Transformation, Interpolation
Computergraphik 1 2. Teil: Bildverarbeitung Fouriertransformation Ende FFT, Bildrestauration mit PSF Transformation, Interpolation LMU München Medieninformatik Butz/Hoppe Computergrafik 1 SS2009 1 2 Repräsentation
MehrAngewandte Mathematik und Programmierung
Angewandte Mathematik und Programmierung Einführung in das Konzept der objektorientierten Anwendungen zu mathematischen Rechnens SS2013 Inhalt Fourier Reihen Sehen wir in 2 Wochen Lösung der lin. Dgln.
MehrKap. 7: Wavelets. 2. Diskrete Wavelet-Transformation (DWT) 4. JPEG2000. H. Burkhardt, Institut für Informatik, Universität Freiburg DBV-I 1
Kap. 7: Wavelets. Die kontinuierliche Wavelet-Transformation (WT). Diskrete Wavelet-Transformation (DWT) 3. Sh Schnelle Wavelet-Transformation ltt ti (FWT) 4. JPEG000 H. Burkhardt, Institut für Informatik,
MehrParseval-Identität: Seien zwei Funktionen v. mit Fourier-Reihen: dann gilt: Parseval-Identität. Speziell:
Parseval-Identität: Seien zwei Funktionen v. mit Fourier-Reihen: dann gilt: (kühnes Vertauschen von Integral und Summe!) Parseval-Identität Speziell: Anmerkung: beide Seiten kann man als Skalarprodukt
Mehr3.7 Anti-Alias-Verfahren
3.7 Anti-Alias-Verfahren Wir hatten Treppeneffekte bereits beim Rastern von Bildern kennengelernt. Aber auch beim Wiederholen verkleinerter Texturen können sich durch Rasterungseffekte unschöne Interferenzerscheinungen
MehrTransformation - Homogene Koordinaten. y + b )
Transformation - Homogene Koordinaten In der "üblichen" Behandlung werden für die Verschiebung (Translation) und die Drehung (Rotation) verschiedene Rechenvorschriften benutzt - einmal Addition von Vektoren
Mehry x x y ( 2x 3y + z x + z
Matrizen Aufgabe Sei f R R 3 definiert durch ( ) x 3y x f = x + y y x Berechnen Sie die Matrix Darstellung von f Aufgabe Eine lineare Funktion f hat die Matrix Darstellung A = 0 4 0 0 0 0 0 Berechnen Sie
MehrMorphologische Filter
Morphologische Filter Industrielle Bildverarbeitung, Vorlesung No. 8 1 M. O. Franz 28.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht 1 Morphologische
MehrDas inhomogene System. A x = b
Ein homogenes lineares Gleichungssystem A x = 0 mit m Gleichungen und n Unbestimmten hat immer mindestens die Lösung 0. Ist r der Rang von A, so hat das System n r Freiheitsgrade. Insbesondere gilt: Ist
MehrNichtmonotone Grauwertabbildung
LMU München Medieninformatik Butz/Hilliges 2D Graphics WS2005 02.12.2005 Folie 1 Nichtmonotone Grauwertabbildung Zwei Grauwertfenster in einem Bild. g (g) 0 511 2100 g Erzeugt künstliche Kanten. Grenzen
MehrMATLAB Kurs 2010 Teil 2 Eine Einführung in die Frequenzanalyse via MATLAB
MATLAB Kurs 2010 Teil 2 Eine Einführung in die via MATLAB 26.11.2010 & 03.12.2010 nhaltsverzeichnis 1 2 3 Ziele Kurze Einführung in die -Analyse Ziele Kurze Einführung in die -Analyse MATLAB Routinen für
MehrLektion 4: Prozeduren mit Parametern
Lektion 4: Prozeduren mit Parametern Bearbeitet von Daniel Labas und Kristel Jenkel In der Prozedur QUADRAT (vgl. Kap. 3) ist eine feste Seitenlänge vorgesehen. Wünschenswert wäre eine Prozedur, bei der
MehrKurs über Lineare Gleichungssysteme. PD Dr. Karin Halupczok
Kurs über Lineare Gleichungssysteme PD Dr. Karin Halupczok Mathematisches Institut Albert-Ludwigs-Universität Freiburg http://home.mathematik.unifreiburg.de/halupczok/diverses.html karin.halupczok@math.uni-freiburg.de
MehrInhaltsverzeichnis. Daniel von Grünigen. Digitale Signalverarbeitung. mit einer Einführung in die kontinuierlichen Signale und Systeme
Inhaltsverzeichnis Daniel von Grünigen Digitale Signalverarbeitung mit einer Einführung in die kontinuierlichen Signale und Systeme ISBN (Buch): 978-3-446-44079-1 ISBN (E-Book): 978-3-446-43991-7 Weitere
MehrBernoulli-Zahlen, Zetafunktion und Summen von Potenzen
Bernoulli-Zahlen, Zetafunktion und Summen von Potenzen Thomas Peters Thomas Mathe-Seiten www.mathe-seiten.de 30. September 0 Die Bernoulli-Zahlen gehören zu den wichtigsten Konstanten der Mathematik. Wir
MehrVektoren. Kapitel 3. 3.1 Skalare, Vektoren, Tensoren. 3.2 Vektoren
Kapitel 3 Vektoren 31 Skalare, Vektoren, Tensoren Viele physikalische Größen lassen sich bei bekannter Maßeinheit durch Angabe ihres Betrages als reelle Zahl vollständig angeben Solche Größen nennt man
MehrDigitale Signalverarbeitung
Daniel Ch. von Grünigen Digitale Signalverarbeitung mit einer Einführung in die kontinuierlichen Signale und Systeme 4. Auflage Mit 222 Bildern, 91 Beispielen, 80 Aufgaben sowie einer CD-ROM mit Lösungen
MehrKapitel 7. Bildverarbeitung im Frequenzraum
Kapitel 7 Bildverarbeitung im Frequenzraum Durchführung von Faltungen im Frequenzraum Filterung im Frequenzraum: Tiefpass- und Hochpass-Filter, etc. Bildrestaurierung Notch-Filter: Entfernung periodischer
MehrLongitudinale und transversale Relaxationszeit
Longitudinale und transversale Relaxationszeit Longitudinale Relaxationszeit T 1 (Zeit, die das System benötigt, um nach dem rf- Puls zurück ins Gleichgewicht zu kommen) Transversale Relaxationszeit T
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrComputergrafik 2: Fourier-Transformation
Computergrafik 2: Fourier-Transformation Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies (Grundlagen
MehrKurzzusammenstellung der in der Vorlesung behandelten impliziten Gleichungen und deren Ableitungen
Kurzzusammenstellung der in der Vorlesung behandelten impliziten Gleichungen und deren Ableitungen Einleitung: Funktion mit einer Veränderlichen Als Einleitung haben wir folgende Funktion besprochen: y
MehrNumerische Methoden. Thomas Huckle Stefan Schneider. Eine Einführung für Informatiker, Naturwissenschaftler, Ingenieure und Mathematiker.
Thomas Huckle Stefan Schneider Numerische Methoden Eine Einführung für Informatiker, Naturwissenschaftler, Ingenieure und Mathematiker 2. Auflage Mit 103 Abbildungen und 9 Tabellen 4Q Springer Inhaltsverzeichnis
Mehr7 Fourier-Transformation
7 Fourier-Transformation Ausgangspunkt: Die bereits bekannte Fourier-Reihenentwicklung einer T-periodischen, stückweise stetig differenzierbaren Funktion f T : R R, f T (t) = k= γ k e ikωt mit Frequenz
MehrFilterung von Bildern (2D-Filter)
Prof. Dr. Wolfgang Konen, Thomas Zielke Filterung von Bildern (2D-Filter) SS06 6. Konen, Zielke Aktivierung Was, denken Sie, ist ein Filter in der BV? Welche Filter kennen Sie? neuer Pixelwert bilden aus
MehrRunde 9, Beispiel 57
Runde 9, Beispiel 57 LVA 8.8, Übungsrunde 9,..7 Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 3..7 Angabe Seien y, z C N und c, d C N ihre Spektralwerte. Außerdem bezeichne (x k ) k die N - periodische
MehrAufgaben Fibonacci-Folgen 28. April 2006 Blatt 3 B. Werner SoSe 06
25. August 2006 Aufgaben Fibonacci-Folgen 28. April 2006 Blatt 3 B. Werner SoSe 06 Präsenzaufgaben: Aufgabe P9: Man betrachte n Münzwürfe, wobei man mit Null Wappen und mit Eins Zahl codiere. Man erhält
MehrDiskrete Strukturen. Abgabetermin: 20. September 2011, 14 Uhr in die DS Briefkästen
Technische Universität München Fakultät für Informatik Lehrstuhl für Effiziente Algorithmen Prof. Dr. Ernst W. Mayr Dr. Werner Meixner Sommersemester 2011 Übungsblatt 5 12. September 2011 Diskrete Strukturen
MehrMultivariate Analysis
Kapitel Multivariate Analysis Josef Leydold c 6 Mathematische Methoden I Multivariate Analysis / 38 Lernziele Funktionen in mehreren Variablen Graph und Niveaulinien einer Funktion in zwei Variablen Partielle
MehrMathematische Erfrischungen III - Vektoren und Matrizen
Signalverarbeitung und Musikalische Akustik - MuWi UHH WS 06/07 Mathematische Erfrischungen III - Vektoren und Matrizen Universität Hamburg Vektoren entstanden aus dem Wunsch, u.a. Bewegungen, Verschiebungen
MehrMesstechnik. Prof. Dr.-Ing. H. Bösche Fachbereich Maschinenbau Fachhochschule Münster University of Applied Sciences. 11.
Messtechnik Prof. Dr.-Ing. H. Bösche Fachbereich Maschinenbau Fachhochschule Münster University of Applied Sciences 11. März 2009 Inhaltsverzeichnis 1 wichtiger Hinweis 4 2 Kreuz- und Autokorrelation 5
MehrKapitel 4. Reihen 4.1. Definition und Beispiele
Kapitel 4. Reihen 4.1. Definition und Beispiele Ist (a n ) eine Folge von Zahlen, so heißt der formale Ausdruck a ν = a 0 + a 1 + a 2 +... eine Reihe; die einzelnen a ν sind die Glieder dieser Reihe. Um
MehrKrümmungsapproximation auf 3D-Modellen
Krümmungsapproximation auf 3D-Modellen Mathematische Grundlagen und Approximation Christian Cyrus Matrikelnummer 157707 Fakultät für Informatik Otto-von-Guericke-Universität Magdeburg Diese Ausarbeitung
Mehr2D-Visualisierung komplexer Funktionen
2D-Visualisierung komplexer Funktionen 1 Komplexe Zahlen Die komplexen Zahlen C stellen eine Erweiterung der reellen Zahlen dar, in der das Polynom z 2 + 1 eine Nullstelle besitzt. Man kann sie als Paare
MehrPisafit Mathematik Klammern. Inhaltsverzeichnis
Klammern Inhaltsverzeichnis Inhaltsverzeichnis... 2 Impressum... 3 Klammern... 5 Typische Stolpersteine... 7 Übungsaufgaben:... 8 Übungsaufgaben... 9 Mehrere Klammerebenen... 12 Seite 2 Impressum Produktion:
MehrEinführung in die Trigonometrie
Einführung in die Trigonometrie Sinus, Kosinus, Tangens am rechtwinkligen Dreieck und am Einheitskreis Monika Sellemond, Anton Proßliner, Martin Niederkofler Thema Stoffzusammenhang Klassenstufe Trigonometrie
MehrEinführung in die Algebra
Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 19 Algebraisch abgeschlossene Körper Wir haben zuletzt erwähnt, dass ein lineares Polynom X a über einem Körper stets irreduzibel
MehrBiosignal Processing II
Biosignal Processing II LEARNING OBJECTIVES Describe the main purposes and uses of the Fouriertransforms. Describe the basic properties of a linear system. Describe the concepts of signal filtering. FOURIERREIHE
MehrMagische Quadrate. Mögliche Aufgabenstellungen: Überprüfen, ob ein vorgegebenes Zahlenquadrat ein magisches Quadrat ist.
. Was sind magische Quadrate? Magische Quadrate Die Zahlen bis lassen sich auf vielerlei Arten so in einem x Quadrat anordnen, dass - jede der vier Zeilensummen, - jede der vier Spaltensummen - und auch
MehrDas negative Zweierkomplementzahlensystem
Das negative Zweierkomplementzahlensystem Ines Junold 07. Dezember 2009 1 / 21 Inhaltsverzeichnis 1 Einleitung 2 Das konventionelle Zweierkomplement 3 Das negative Zweierkomplementsystem 4 Zusammenfassung
MehrAufgabe 1 (a) Bestimmen Sie die Schnittgerade der beiden Ebenen gegeben durch 3x y 2z 5 = 0 und x y 4z 3 = 0.
Mathematik I für Naturwissenschaften Dr. Christine Zehrt 22.11.18 Übung 10 (für Pharma/Geo/Bio) Uni Basel Besprechung der Lösungen: 26. November 2018 in den Übungsstunden Aufgabe 1 (a) Bestimmen Sie die
MehrWas bisher geschah. digitale Bilder: Funktion B : pos col Matrix B col pos. Punktoperationen f : col 1 col 2
Was bisher geschah digitale Bilder: Funktion B : pos col Matrix B col pos statistische Merkmale Punktoperationen f : col 1 col 2 (Bildanalyse) (Farbtransformation) Geometrische Operationen f : pos 1 pos
MehrNumerisches Programmieren, Übungen
Technische Universität München SS 2012 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Alexander Breuer Dipl.-Math. Dipl.-Inf. Jürgen Bräckle Dr.-Ing. Markus
MehrMatrizen und Drehungen
Matrizen und Drehungen 20. Noember 2003 Diese Ausführungen sind im wesentlichen dem Skript zur Vorlesung Einführung in die Theoretische Physik I und II on PD Dr. Horst Fichtner entnommen. Dieses entstand
Mehr2D Graphik: FFT und Anwendungen der Fouriertransformation. Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges Freitag, 25.
LMU München Medieninformatik Butz/Hilliges D Graphics WS005 5..005 Folie D Graphik: FFT und Anwendungen der Fouriertransformation Vorlesung D Graphik Andreas Butz, Otmar Hilliges Freitag, 5. ovember 005
MehrProgrammierung und Angewandte Mathematik
Programmierung und Angewandte Mathematik C++ /Scilab Programmierung und Einführung in das Konzept der objektorientierten Anwendungen zu wissenschaftlichen Rechnens SS 2012 Inhalt Steckbrief der Funktion
MehrMathematische Funktionen
Mathematische Funktionen Viele Schüler können sich unter diesem Phänomen überhaupt nichts vorstellen, und da zusätzlich mit Buchstaben gerechnet wird, erzeugt es eher sogar Horror. Das ist jedoch gar nicht
Mehr8 Lineare Abbildungen
80 8 Lineare Abbildungen In diesem Kapitel untersuchen wir lineare Abbildungen von R n nach R m wie zum Beispiel Spiegelungen, Drehungen, Streckungen und Orthogonalprojektionen in R 2 und R 3 Man nennt
MehrGrundlagen der Bildverarbeitung: Übung 3
Grundlagen der Bildverarbeitung: Übung 3 Michael Korn Raum: BC414, Tel.: 0203-379 - 3583, E-Mail: michael.korn@uni-due.de Michael Korn (michael.korn@uni-due.de) Grundlagen der Bildverarbeitung: Übung 3
MehrMatrizen. a12 a1. a11. a1n a 21. a 2 j. a 22. a 2n. A = (a i j ) (m, n) = i te Zeile. a i 1. a i 2. a i n. a i j. a m1 a m 2 a m j a m n] j te Spalte
Mathematik I Matrizen In diesem Kapitel werden wir lernen was Matrizen sind und wie man mit Matrizen rechnet. Matrizen ermöglichen eine kompakte Darstellungsform vieler mathematischer Strukturen. Zum Darstellung
MehrInduktive Definitionen
Priv.-Doz. Dr.rer.nat.habil. Karl-Heinz Niggl Technische Universität Ilmenau Fakultät IA, Institut für Theoretische Informatik Fachgebiet Komplexitätstheorie und Effiziente Algorithmen J Induktive Definitionen
MehrEVC Repetitorium Blender
EVC Repetitorium Blender Michael Hecher Felix Kreuzer Institute of Computer Graphics and Algorithms Vienna University of Technology INSTITUTE OF COMPUTER GRAPHICS AND ALGORITHMS Filter Transformationen
Mehr3.3 Das Abtasttheorem
17 3.3 Das Abtasttheorem In der Praxis kennt man von einer zeitabhängigen Funktion f einem Signal meist nur diskret abgetastete Werte fn, mit festem > und ganzzahligem n. Unter welchen Bedingungen kann
MehrGanzrationale Funktionen
Eine Dokumentation von Sandro Antoniol Klasse 3f Mai 2003 Inhaltsverzeichnis: 1. Einleitung...3 2. Grundlagen...4 2.1. Symmetrieeigenschaften von Kurven...4 2.1.1. gerade Exponenten...4 2.1.2. ungerade
Mehr