Image Mosaicing. Michael Koop Hans-Ulrich Klein. Sommersemester ImageMosaicing
|
|
- Felix Eberhardt
- vor 8 Jahren
- Abrufe
Transkript
1 Image Mosaicing Michael Koop Hans-Ulrich Klein Sommersemester 2004 ImageMosaicing
2 Vortragsinhalt 1. Einführung 2. Vorgehensweise zur Erstellung von Mosaikbildern 3. Zylindrische Panoramabilder 4. Feature-basierte Mosaikbilder ImageMosaicing 1
3 1. Einsatz von Mosaikbildern In der Wissenschaft werden aus vielen einzelnen Bildern ein hochauflösendes Bild erzeugt. Zur Veranschaulichung der Umgebung werden zylindrische Panoramabilder verwendet. Endurance Crater, Mars, aufgenommen am von Opportunity. 360 Grad Panorama neben dem Krater Bonneville, aufgenommen ImageMosaicing 2
4 Einsatz von Mosaikbildern Mosaikbilder ermöglichen Kompression und Indizierung von Videos ImageMosaicing 3
5 Einsatz von Mosaikbildern Als Environment Maps werden Mosaikbilder für viele Einsatzgebiete genutzt Simulatoren 3D Spiele ImageMosaicing 4
6 Einsatz von Mosaikbildern... und natürlich von Photographen für weitwinklige Aufnahmen. ImageMosaicing 5
7 2. Vorgehensweise zur Erstellung von Mosaikbildern Die verschiedenen Verfahren zur Erstellung von Mosaikbildern müssen dieselben grundlegenden Probleme lösen und besitzen daher einen ähnlichen Ablauf: 1. Vorverarbeitung 2. Bildregistrierung 3. Behandlung der Bildübergänge ImageMosaicing 6
8 Vorverarbeitung Vorverarbeitung der Quellbilder mit Verfahren der Bildverarbeitung (z.b. schlechte Belichtung Histogrammausgleich) Auswahl überlappender Bilder zur Registrierung bei zylindrischen oder sphärischen Panoramabildern: Projektion auf ein geometrisches Objekt ImageMosaicing 7
9 Bildregistrierung Problem: Finde die Koordinatentransformation f, welche die Punkte des Bildes G optimal auf die Punkte des Bildes F abbildet. Beim Erstellen von Mosaikbildern ist f optimal, wenn f die Differenz zwischen F und G minimiert. Ein mögliches Differenzmaß ist die L 2 -Norm: L 2 ( f ) = ( y )1 (F(x,y) G( f (x,y))) 2 2 x Kameramodell beschränkt den Suchraum intensitäten-basierte und feature-basierte Algorithmen ImageMosaicing 8
10 Bildübergänge Welchen Wert erhält der Pixel P im Mosaikbild, wenn an der Stelle P mehr als ein Quellbild registriert ist? einfaches Übereinanderlegen führt zu sichtbaren Diskontinuitäten der Intensitätswerte an den Grenzen der Quellbilder Idee: Alle an der Stelle P registrierten Quellbilder mit unterschiedlichen Gewichten einfließen lassen, so dass kontinuierliche Bildübergänge entstehen ImageMosaicing 9
11 3. Zylindrische Panoramabilder Zylindrische Panoramabilder können eine Sicht darstellen und werden daher in der Computergrafik oft als Environment Maps verwendet. Aufgrund des restriktiven Kameramodells sind sie relativ leicht zu erstellen: 1. Projektion auf einen Zylinder 2. Registrierung durch Translation 3. Zusammenfügen der Bilder ImageMosaicing 10
12 Zylindrische Projektion θ = arctan X Z υ = Y X 2 + Z 2 ImageMosaicing 11
13 Zylindrische Projektion unter Verwendung der Brennweite P B = (x h x,y h y, f ) = ( f X/Z, fy /Z, f ) ImageMosaicing 12
14 Zylindrische Koordinaten Bild-Koordinaten Damit die transformierten Bilder leicht gespeichert und weiterverarbeitet werden können, werden sie in einer Ebene ausgerollt. x = θ y = υ ImageMosaicing 13
15 Implementierung der Zylindrischen Projektion Brennweite f in Pixeln muss bekannt sein Auflösung der Bilder sollte beibehalten werden Radius = f setzen Interpolation Ursprung des Bildkoordinatensystems beachten ImageMosaicing 14
16 Bildregistrierung nach Lucas und Kanade F(x), G(x) h G(x) F(x) G F x F (x) h F(x + h) F(x) h G(x) F(x) F (x) F(x + h) F(x) + hf (x) = G(x) F(x) h (F (x) 0) (h 0) ImageMosaicing 15
17 Der Registrierungsalgorithmus im eindimensionalen Fall Ziel: Minimierung der Fehlerfunktion E E = (F(x + h) G(x)) 2 x (F(x) + hf (x) G(x)) 2 x 0 = E h h x (F(x) + hf (x) G(x)) 2 = 2F (x)(f(x) + hf (x) G(x)) x h x F (x)(g(x) F(x)) x F (x) 2 ImageMosaicing 16
18 Der Registrierungsalgorithmus im eindimensionalen Fall Schätze h iterativ und verwende die k-te Schätzung, um die k + 1-te Schätzung zu verbessern. h 0 = 0 h k+1 = h k + x F (x + h k )(G(x) F(x + h k )) x F (x + h k ) 2 ImageMosaicing 17
19 Der Registrierungsalgorithmus im zweidimensionalen Fall Der Algorithmus lässt sich direkt auf den zweidimensionalen Fall übertragen. Mit h = (h x,h y ) T und = ( x 1, x 2 ) ergibt sich: E = (F(x + h) G(x)) 2 (F(x) + F h G(x)) 2 x x 0 = E h h (F(x) + F h G(x)) 2 x [ ] 1 [ ] h F T F F T (G(x) F(x)) x x ImageMosaicing 18
20 Probleme und Verbesserungen lokale Minima Vorregistrierung nötig Eine oder beide partiellen Ableitungen haben an jedem Pixel den Wert 0. beschränkt auf Translation Erweiterungen existieren Iteration konvergiert schneller mit geschickter Gewichtung der einzelnen Schätzungen ImageMosaicing 19
21 Implementierung 1. Eingabe: Zwei zu registrierende Bilder F und G + eine initiale Schätzung der Verschiebung h (besser: hierarchisches Verfahren z.b. nach Bergen et. al) 2. Konvertierung zu Grauwertbildern 3. Gauss-Glättung (Wahl von σ?) 4. Berechnung der partiellen Ableitungsbilder F x und F y mit Sobel-Masken 5. Durchführung der vorgstellten Iteration zur Schätzung von h mit der Abbruchbedingung h i h i 1 < S ImageMosaicing 20
22 Implementierung h pre = (420; 6) T h opt = (428; 1) T σ = 2 S = 0,2 Iteration h T i (h i h i 1 ) T 0 (1, 537; 1, 430) - 1 (3, 236; 2, 948) (1, 699; 1, 518) 2 (5, 038; 4, 299) (1, 802; 1, 351) 3 (6, 589; 5, 116) (1, 551; 0, 817) 4 (7, 482; 5, 376) (0, 893; 0, 260) 5 (7, 919; 5, 437) (0, 437; 0, 061) 6 (8, 052; 5, 419) (0, 133; 0, 018) ImageMosaicing 21
23 Behandlung der Bildübergänge Weise dem Mosaikbild I M an der Stelle (x,y) das gewichtete Mittel der an der Stelle (x,y) registrierten Quellbilder I i zu: I M (x,y) = m i=0 w i (x,y)i i (x,y) m i=0 w i (x,y) w i (x,y) = 1, i, (x,y) führt nur bei gleichmäßiger Beleuchtung und präziser Registrierung zu guten Ergebnissen besser: w i (x,y) = w ix (x)w iy (y) Wobei w ix (x) und w iy (y) zwei Dreiecksfunktionen mit dem Wert 0 am rechten und linken Bildrand bzw. oberen und unteren Bildrand sind. Je näher ein Pixel am Bildrand liegt, desto schwächer wird er gewichtet. ImageMosaicing 22
24 Beispielbilder ImageMosaicing 23
25 4. Feature-basierte Mosaikbilder Bildregistrierung anhand einzelner Merkmale Ziel: Transformation von Bildern in das Koordinatensystem eines Basisbildes Bestimmung der Transformationsmatrix durch Bildmerkmale Einsatz für Mosaikbilder von planen Szenen 3D Szenen nur beschränkt behandelbar ImageMosaicing 24
26 Perspektivische Verzerrung Bei der Photographie einer Ebene aus verschiedenen Winkeln entstehen perspektivische Verzerrungen Eigenschaften einer perspektivischen Verzerrung: eigentlich parallele Geraden treffen sich in einem Fluchtpunkt nahe Objekte erscheinen größer als entferte Objekte Punkte die vor einer persp. Verzerrung auf einer Geraden lagen befinden sich danach immer noch auf einer Geraden Eine perspektivische (Rück)-Transformation kann durch eine Matrixmultiplikation realisiert werden. Diese soll bestimmt werden. ImageMosaicing 25
27 Homogene Koordinaten Die Transformation soll durch eine Matrixmultiplikation realisiert werden. Dazu werden die kartesischen Koordinaten um eine Dimension erweitert. Ein 2D Punkt (P) wird durch drei Koordinaten (P ) beschrieben : P = ( x y ) P = xz yz z Im allgemeinen wird z = 1 gewählt. ImageMosaicing 26
28 Bestimmung der Transformationsmatrix Eine Matrix zur perspektivischen Transformation hat folgende Gestalt: M = m 00 m 01 m 01 m 10 m 11 m 12 m 20 m 21 m 22 Wobei nur die ersten acht Parameter entscheident sind. Der neunte Parameter ergibt sich, da die Multiplikation der Transformationsmatrix mit einem Skalar die selbe Transformation beschreibt. Die Parameter werden meist so gewählt, dass m 22 = 1 gilt. ImageMosaicing 27
29 Bestimmung der Transformationsmatrix Die acht Parameter der Transformationsmatrix sollen gefunden werden. Dies kann durch vier korrespondierende Punkte geschehen: Jeder Punkt hat zwei Freiheitsgerade, die x-koordinate und die y-koordinate. Es muss gelten, dass die Koordinaten eines Punktes im zu registrierendem Bild multipliziert mit der Transformationsmatrix die Koordinaten des korrespondierenden Punktes im Basisbild ergibt: x z y z z = m 00 m 01 m 02 m 10 m 11 m 12 m 20 m 21 1 x y 1 Oder in nicht-homogenen Koordinaten: x = m 00x + m 01 y + m 02 m 20 x + m 21 y + 1 y = m 10x + m 11 y + m 12 m 20 x + m 21 y + 1 ImageMosaicing 28
30 Bestimmung der Transformationsmatrix Mit einigen Umformaungen ergibt sich: x = m 00 x + m 01 y + m 02 m 20 xx m 21 yx y = m 10 x + m 11 y + m 12 m 20 xy m 21 yy Nach dem Hinzufügen einiger fetter Nullen : x = m 00 x + m 01 y + m m m m 12 m 20 xx m 21 yx y = 0 m m m 02 + m 10 x + m 11 y + m 12 m 20 xy m 21 yy ImageMosaicing 29
31 Bestimmung der Transformationsmatrix Dies kann man jetzt wieder als lineares Gleichungssystem schreiben. x 1 y x 1 x 1 x 1 y x 1 y 1 1 x 1 y 1 y 1 y 1 x 2 y x 2 x 2 x 2 y x 2 y 2 1 x 2 y 2 y 2 y 2 x 3 y x 3 x 3 x 3 y x 3 y 3 1 x 3 y 3 y 3 y 3 x 4 y x 4 x 4 x 4 y x 4 y 4 1 x 4 y 4 y 4 y 4 a b c d e f g h = x 1 y 1 x 2 y 2 x 3 y 3 x 4 y 4 Dieses Gleichungssystem kann gelöst werden und ergibt dann die acht gesuchten Parameter. ImageMosaicing 30
32 Probleme Es dürfen keine drei Punkte auf einer Geraden liegen Die meisten Verfahren zur Merkmalsextraktion werden mehr als vier Punkte pro Bild ergeben. (Dazu später mehr) ImageMosaicing 31
33 Vorgehensweise bei mehr als vier Punkten Wenn im Basisbild n 1 Punkte gefunden wurden und im zu registrierendem Bild n 2 Punkte, dann können mit dem eben vorgestellten Verfahren 4! ( )( n1 n2 4 Transformationsmatritzen gefunden werden. Jede 4-elementige Teilmenge der Punkte im Basisbild bestimmt mit jeder 4-elementigen Teilmenge der Punkte im zu registrierendem Bild eine Transformationsmatrix (durch weitere Annahmen kann diese Anzahl reduziert werden). Vorgehensweise: Berechnung und Bewertung aller möglichen Transformationen. Die Beste wird dann genutzt. 4 ) ImageMosaicing 32
34 Bewertung einer Transformationsmatrix für jede Transformationsmatrix H i : 1. berechne für jeden detektierten Punkt im zu registrierendem Bild mittels H i dessen transformierten Koordinaten 2. berechne für jeden detektierten Punkt ein Korrelationsmaß/ eine Bewertung zwischen den Intensitätswert des Punktes im zu registrierendem Bild und dem Intensitätswert des Punktes mir den berechneten Koordinaten im Basisbild 3. berechne die Summe über alle Punkte von diesem Maß Die beste Transformation ist diejenige mit der größten Korrelation, bzw. kleinstem Abstand. (z.b. quadratischer Abstand, Earth Mover...) ImageMosaicing 33
35 Weitere Möglichkeit bei 4 oder mehr Punkten Eine zweite Möglichkeit mit mehr als vier detektierten Merkmalen umzugehen nutzt einen ähnlichen Ansatz wie zur Bewertung oben: Die Parameter der Transformation werden gleichzeitig geschätzt. Dazu wird ein Fehlerterm aufgestellt, der minimiert werden muss. min n i=1 mit ε i = (x i x i) 2 + (y i y i) 2 wobei n die Anzahl der detektierten Punkte ist, x i der durch x = m 00x + m 01 y + m 02 y = m 10x + m 11 y + m 12 m 20 x + m 21 y + 1 m 20 x + m 21 y + 1 bestimmte Punkt und x i der detektierte Punkt im zu registrierenden Bild. Zur Lösung dieser Minimierung wird ein iteratives Verfahren vorgeschlagen, der Levenberg-Marquardt Algorithmus. ε 2 i ImageMosaicing 34
36 Beispielbilder ImageMosaicing 35
37 Merkmalextraktion Bestimmung von interessanten Punkten weit verbreitetes Problem in der Bildanalyse gut geeignet sind Ecken, da diese translationsinvariant sind manuelle Eingabe bspw. Algorithmus SUSAN ImageMosaicing 36
38 manuelle Eingabe einfach zu realisieren sofort klar welche Punkte korrespondieren in unserer Implementierung genutzt ImageMosaicing 37
39 Smallest Univalue Segment Assimilating Nucleus Idee: Vergleich jeden Pixel mit seinen Nachbarpixeln und bestimme dabei die Anzahl der Pixel mit einer ähnlichem Intensität An einer Ecke sind die wenigsten Nachbarpixel dem gerade betrachtetem Pixel ähnlich. ImageMosaicing 38
40 Smallest Univalue Segment Assimilating Nucleus Berechne für jeden Nucleus mit jedem benachbarten Pixel einen Vergleichswert c(p act, p 0 ) = { 1 wenn I(pact ) I(p 0 ) t 0 wenn I(p act ) I(p 0 ) t addiere diese Vergleichswerte für jeden Nucleus zu n(p 0 ) Bestimme eine Eckenstärke R(p 0 ) = { g n(p0 ) wenn n(p 0 ) g 0 wenn n(p 0 ) g Je kleiner n(p 0 ), umso größer die Eckenstärke. Schwellwert g bestimmt die Eckenform und ist bei Ecken < n max 2, ImageMosaicing 39
41 SUSAN Verbesserungen durch andere Vergleichswertberechnung wirkliche Betrachtung von Regionen Es gibt eine Vielzahl von weiteren Methoden zur Merkmalsextraktion. ImageMosaicing 40
3. 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
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,
MehrMathematik für Wirtschaftswissenschaftler im WS 12/13 Lösungen zu den Übungsaufgaben Blatt 12
Mathematik für Wirtschaftswissenschaftler im WS /3 Lösungen zu den Übungsaufgaben Blatt Aufgabe 5 Welche der folgenden Matrizen sind positiv bzw negativ definit? A 8, B 3 7 7 8 9 3, C 7 4 3 3 8 3 3 π 3
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
MehrBildverarbeitung: 3D-Geometrie. D. Schlesinger () Bildverarbeitung: 3D-Geometrie 1 / 13
Bildverarbeitung: 3D-Geometrie D. Schlesinger () Bildverarbeitung: 3D-Geometrie 1 / 13 Lochkamera Modell C Projektionszentrum, Optische Achse, Bildebene, P Hauptpunkt (optische Achse kreuzt die Bildebene),
MehrEntwicklung einer robusten Methode zur Berechnung von Stereokorrespondenzen
Entwicklung einer robusten Methode zur Berechnung von Stereokorrespondenzen Seminar - Wintersemester 2010/2011 Fakultät Technik und Informatik Department Informatik Gregory Föll Übersicht Rückblick Stereo
MehrDas Wort Vektor kommt aus dem lateinischen und heißt so viel wie "Träger" oder "Fahrer".
Was ist ein Vektor? Das Wort Vektor kommt aus dem lateinischen und heißt so viel wie "Träger" oder "Fahrer". Vektoren sind Listen von Zahlen. Man kann einen Vektor darstellen, indem man seine Komponenten
MehrSerie 3. z = f(x, y) = 9 (x 2) 2 (y 3) 2 z 2 = 9 (x 2) 2 (y 3) 2, z 0 9 = (x 2) 2 + (y 3) 2 + z 2, z 0.
Analysis D-BAUG Dr Cornelia Busch FS 2016 Serie 3 1 a) Zeigen Sie, dass der Graph von f(x, y) = 9 (x 2) 2 (y 3) 2 eine Halbkugel beschreibt und bestimmen Sie ihren Radius und ihr Zentrum z = f(x, y) =
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
Mehr4. Segmentierung von Objekten Video - Inhaltsanalyse
4. Segmentierung von Objekten Video - Inhaltsanalyse Stephan Kopf Inhalt Vorgehensweise Berechnung der Kamerabewegungen zwischen beliebigen Bildern Transformation eines Bildes Hintergrundbilder / Panoramabilder
Mehr(a) Zunächst benötigen wir zwei Richtungsvektoren der Ebene E; diese sind zum Beispiel gegeben durch die Vektoren
Aufgabe Gegeben seien die Punkte A(,,, B(,,, C(,,. (a Geben Sie die Hesse-Normalform der Ebene E, welche die drei Punkte A, B und C enthält, an. (b Bestimmen Sie den Abstand des Punktes P (,, 5 zur Ebene
Mehrgeschlossene Schachtel mit einem kleinen Loch
Kameramodellierung Lochkamera Kamerakonstante Kamerazentrum geschlossene Schachtel mit einem kleinen Loch ideale Kamera: Loch hat keine Ausdehnung die Strahlen sind ein Büschel von Geraden Abbildung erfolgt
MehrAnwendungen der Differentialrechnung
KAPITEL 3 Anwendungen der Differentialrechnung 3.1 Lokale Maxima und Minima Definition 16: Sei f : D R eine Funktion von n Veränderlichen. Ein Punkt x heißt lokale oder relative Maximalstelle bzw. Minimalstelle
MehrHöhere Mathematik III WS 05/06 Lösungshinweis Aufgabe G 11 Blatt 2
Höhere Mathematik III WS 5/6 Lösungshinweis Aufgabe G 11 Blatt Die zu optimierende Zielfunktion ist der Abstand zum Ursprung. Ein bekannter Trick (Vereinfachung der Rechnung) besteht darin, das Quadrat
Mehr18.2 Implizit definierte Funktionen
18.2 Implizit definierte Funktionen Ziel: Untersuche Lösungsmengen von nichtlinearen Gleichungssystemen g(x) = 0 mit g : D R m, D R n, d.h. betrachte m Gleichungen für n Unbekannte mit m < n, d.h. wir
MehrKAPITEL 6. Nichtlineare Ausgleichsrechnung
KAPITEL 6 Nichtlineare Ausgleichsrechnung Beispiel 61 Gedämpfte Schwingung: u + b m u + D m u = 0, Lösungen haben die Form: u(t) = u 0 e δt sin(ω d t + ϕ 0 ) Modell einer gedämpften Schwingung y(t; x 1,
MehrQualitätsüberwachung von automatisch verfolgten Merkmalen in Bildsequenzen
Qualitätsüberwachung von automatisch verfolgten Merkmalen in Bildsequenzen J. Shi und C. Tomasi Good features to Track (CVPR94 Seattle, Juni 1994) Dozent: Dr. Felix v. Hundelshausen Referenten: Philipp
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
MehrAM3: Differenzial- und Integralrechnung im R n. 1 Begriffe. 2 Norm, Konvergenz und Stetigkeit. x 1. x 2. f : x n. aus Platzgründen schreibt man:
AM3: Differenzial- und Integralrechnung im R n 1 Begriffe f : x 1 f 1 (x 1, x 2,..., x n ) x 2... f 2 (x 1, x 2,..., x n )... x n f m (x 1, x 2,..., x n ) }{{}}{{} R n R m aus Platzgründen schreibt man:
MehrRechnen mit Vektoren, analytische Geometrie
Dr. Alfred Eisler Rechnen mit Vektoren, analytische Geometrie Themenbereich Vektorrechnung, analytische Geometrie Inhalte Eingabe von Vektoren Rechnen mit Vektoren Normalvektoren im R 2 Vektorielles Produkt
MehrMathematik. für das Ingenieurstudium. 10 Funktionen mit mehreren Variablen. Jürgen Koch Martin Stämpfle.
10 Funktionen mit mehreren Variablen www.mathematik-fuer-ingenieure.de 2010 und, Esslingen Dieses Werk ist urheberrechtlich geschützt. Alle Rechte, auch die der Übersetzung, des Nachdruckes und der Vervielfältigung
MehrTechnische Universität München Zentrum Mathematik
Technische Universität München Zentrum Mathematik Michael Strobel Geometriekalküle WS 217/18 http://www-m1.ma.tum.de/geometriekalkuelews1718 Lösungen zu Aufgabenblatt 7 (29. Februar 217) Aufgabe 1. Abstand
Mehr3.1 Motivation. - Mit (mehreren) Koordinatentransformationen wird das Objektsystem in das Gerätesystem transformiert.
3.1 Motivation Wichtige Grundlage der Bildwiedergabe auf dem Bildschirm oder anderen Ausgabegeräten sind Koordinatensysteme und Koordinatentransformationen im IR 2 und IR 3. Im allgemeinen unterscheidet
MehrDifferentialrechnung bei Funktionen mehreren Variablen
Kap. 6 Differentialrechnung bei Funktionen mehreren Variablen Im folgenden geht es um Funktionen des Typsf :R n R X... Y =f(x,...,x n ) X n Eine Weiterentwicklung der Differentialrechnung für solche Funktionen
Mehr5.10. Mehrdimensionale Extrema und Sattelpunkte
5.1. Mehrdimensionale Extrema und Sattelpunkte Zur Erinnerung: Eine Funktion f von einer Teilmenge A des R n nach R hat im Punkt a ein (strenges) globales Maximum, falls f( x ) f( a ) (bzw. f( x ) < f(
MehrKommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler. (a) Bestimmen Sie die kartesische Form von Wintersemester 7/8 (..8) z = ( + i)( i) + ( + i). (b) Bestimmen Sie sämtliche komplexen Lösungen
Mehr7.11. Extrema unter Nebenbedingungen
7.11. Extrema unter Nebenbedingungen Randextrema Wir haben schon bemerkt, daß die üblichen Tests mit Hilfe von (eventuell höheren) Ableitungen nur Kriterien für (lokale) Extrema im Inneren des Definitionsgebietes
MehrÜbungen zum Ferienkurs Analysis II
Übungen zum Ferienkurs Analysis II Differenzierbarkeit und Taylor-Entwicklung Übungen, die mit einem Stern markiert sind, werden als besonders wichtig erachtet.. Jacobi-Matrix Man bestimme die Jacobi-Matrix
MehrProf. Steinwart Höhere Mathematik I/II Musterlösung A =
Prof. Steinwart Höhere Mathematik I/II Musterlösung 7..7 Aufgabe ( Punkte) (a) Bestimmen Sie die Eigenwerte und Eigenräume der Matrix A mit 3 3 A = 3 Ist die Matrix A diagonalisierbar? (b) Die Matrix A
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
Mehr9.2 Invertierbare Matrizen
34 9.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
MehrÜbungen zur Ingenieur-Mathematik III WS 2011/12 Blatt Aufgabe 25: Berechnen Sie den kritischen Punkt der Funktion
Übungen zur Ingenieur-Mathematik III WS 11/1 Blatt 8 3.11.11 Aufgabe 5: Berechnen Sie den kritischen Punkt der Funktion fx, y 3x 5xy y + 3 und entscheiden Sie, ob ein Maximum, Minimum oder Sattelpunkt
MehrBildregistrierung in der Medizin. Fethi KAYA - Yusuf ÖZBEK
Bildregistrierung in der Medizin Fethi KAYA - Yusuf ÖZBEK 30.05.2011 1 Inhalt 1. Einführung zur Registrierung 2. Registrierungsalgorithmen 3. Transformationen 4. Mutual Information 5. Demo 2 1- Registrierung
MehrÜberprüfung der 2.Ableitung
Übungen zum Thema: Extrempunkte ganzrationaler Funktionen Lösungsmethode: Überprüfung der.ableitung Version: Ungeprüfte Testversion vom 8.9.7 / 1. h 1. Finde lokale Extrema der unten aufgeführten ganzrationalen
MehrAlgorithmik III Algorithmen und Modelle für kontinuierliche Datenstrukturen
Algorithmik III Algorithmen und Modelle für kontinuierliche Datenstrukturen Rekonstruktion kontinuierlicher Daten Interpolation multivariater Daten Ulrich Rüde Lehrstuhl für Systemsimulation Sommersemester
MehrEinführung in die medizinische Bildverarbeitung WS 12/13
Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel Kurze Wiederholung Prozess einer räumliche Transformation zu finden um ein Bild auf ein anderes Bild abzubilden Eingabe: Fixed und
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
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.
MehrRückblick auf die letzte Vorlesung. Bemerkung
Bemerkung 1) Die Bedingung grad f (x 0 ) = 0 T definiert gewöhnlich ein nichtlineares Gleichungssystem zur Berechnung von x = x 0, wobei n Gleichungen für n Unbekannte gegeben sind. 2) Die Punkte x 0 D
MehrKlausur HM II/III F 2003 HM II/III : 1
Klausur HM II/III F 3 HM II/III : Aufgabe : (7 Punkte) Untersuchen Sie die Funktion f : R R gegeben durch x 3 y 3 f(x, y) x + y sin, (x, y) (, ) x + y, (x, y) (, ) auf Stetigkeit und Differenzierbarkeit.
MehrTutorium Mathematik II, M Lösungen
Tutorium Mathematik II, M Lösungen 7. Juni 201 *Aufgabe 1. Gegeben seien fx, y = xy 2 8e x+y und P = 1, 2. Der Gradient von f ist genau an der Stelle P Null. a Untersuchen Sie mit Hilfe der Hesse-Matrix,
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
Mehr2 Funktionen in mehreren Variablen: Differentiation
Satz 2. (Richtungsableitung) Für jede auf der offenen Menge D R n total differenzierbaren Funktion f (insbesondere für f C 1 (D, R) und für jeden Vektor v R n, v 0, gilt: n v f(x) = f(x) v = f xi (x)v
MehrParallele Algorithmen in der Bildverarbeitung
Seminar über Algorithmen - SoSe 2009 Parallele Algorithmen in der Bildverarbeitung von Christopher Keiner 1 Allgemeines 1.1 Einleitung Parallele Algorithmen gewinnen immer stärker an Bedeutung. Es existieren
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
MehrKommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 26/7 (2.3.27). (a) Bestimmen Sie die kartesische Form von z = 5i 2i und z 2 = ( ) 9 3 2 2 i. (b) Bestimmen Sie sämtliche
Mehr8.2 Invertierbare Matrizen
38 8.2 Invertierbare Matrizen Die Division ist als Umkehroperation der Multiplikation definiert. Das heisst, für reelle Zahlen a 0 und b gilt b = a genau dann, wenn a b =. Übertragen wir dies von den reellen
MehrGrundlagen: Bildbearbeitung / Objekterkennung. Julia Peterwitz zum Seminar: Videobasierte Erkennung und Analyse menschlicher Aktionen
Grundlagen: Bildbearbeitung / Objekterkennung Julia Peterwitz zum Seminar: Videobasierte Erkennung und Analyse menschlicher Aktionen Videoerkennung! Warum? Live-Übertragung von Veranstaltungen Überwachung
Mehrf. y = 0,2x g. y = 1,5x + 5 h. y = 4 6x i. y = 4 + 5,5x j. y = 0,5x + 3,5
11. Lineare Funktionen Übungsaufgaben: 11.1 Zeichne jeweils den Graphen der zugehörigen Geraden a. y = 0,5x 0,25 b. y = 0,1x + 2 c. y = 2x 2 d. 2x + 4y 5 = 0 e. y = x f. y = 0,2x g. y = 1,5x + 5 h. y =
Mehrz 2 + 2z + 10 = 0 = 2 ± 36 2 Aufgabe 2 (Lineares Gleichungssystem) Sei die reelle 3 4 Matrix
Mathematik für Wirtschaftswissenschaftler im WS 03/04 Lösungsvorschläge zur Klausur im WS 03/04 Aufgabe (Komplexe Zahlen (4 Punkte a Berechnen Sie das Produkt der beiden komplexen Zahlen + i und 3 + 4i
MehrOptimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren 1 Minimierung ohne Nebenbedingung Ein Optimierungsproblem besteht aus einer zulässigen Menge und einer Zielfunktion Minimum
MehrÜbungen zur Ingenieur-Mathematik III WS 2012/13 Blatt
Übungen zur Ingenieur-Mathematik III WS 2012/13 Blatt 9 19.12.2012 Aufgabe 35: Thema: Differenzierbarkeit a) Was bedeutet für eine Funktion f : R n R, dass f an der Stelle x 0 R n differenzierbar ist?
Mehr6 Symmetrische Matrizen und quadratische Formen
Mathematik für Ingenieure II, SS 009 Dienstag 3.6 $Id: quadrat.tex,v.4 009/06/3 4:55:47 hk Exp $ 6 Symmetrische Matrizen und quadratische Formen 6.3 Quadratische Funktionen und die Hauptachsentransformation
MehrKlausur Numerische Mathematik (für Elektrotechniker), 24. Februar 2016
Verständnisfragen-Teil ( Punkte) Jeder der Verständnisfragenblöcke besteht aus Verständnisfragen. Werden alle Fragen in einem Verständnisfragenblock richtig beantwortet, so gibt es für diesen Block Punkte.
MehrÜbungsaufgaben zur Linearen Funktion
Übungsaufgaben zur Linearen Funktion Aufgabe 1 Bestimmen Sie den Schnittpunkt der beiden Geraden mit den Funktionsgleichungen f 1 (x) = 3x + 7 und f (x) = x 13! Aufgabe Bestimmen Sie den Schnittpunkt der
MehrD-MAVT/D-MATL FS 2017 Dr. Andreas Steiger Analysis IILösung - Serie18
D-MAVT/D-MATL FS 7 Dr. Andreas Steiger Analysis IILösung - Serie8. Klicken Sie die falsche Aussage an. a) Der Operator div ) ordnet einem Vektorfeld v ein Skalarfeld div v zu. v b) div v = x, v y, v )
MehrSchattenwurf mit Perspective Shadow Maps
16. April 2010 Xpiriax Software Wer wir sind und was wir machen Hobby-Entwicklerteam, zur Zeit 6 Personen gegründet Anfang 2008 Schwerpunkte: Spiele- & 3D-Engine-Programmierung Ziele: Erfahrung, Arbeitsproben,
MehrImplizite Funktionen. Ist für eine stetig differenzierbare Funktion f : R n R m R n. so lässt sich das Gleichungssystem
Implizite Funktionen Ist für eine stetig differenzierbare Funktion f : R n R m R n f (x, y ) = (0,..., 0) t, det f x (x, y ) 0, so lässt sich das Gleichungssystem f k (x 1,..., x n, y 1,..., y m ) = 0,
MehrStroppel Musterlösung , 180min. Aufgabe 1 (5 Punkte) Gegeben sei eine lineare Abbildung α: R 4 R 3 : x Ax mit. . Weiter sei b = A =
Stroppel Musterlösung 4. 9., 8min Aufgabe 5 Punkte Gegeben sei eine lineare Abbildung α: R 4 R 3 : x Ax mit 4 A =. Weiter sei b = 3 gegeben. Entscheiden Sie jeweils, ob die durch gekennzeichneten freien
MehrIterative Methods for Improving Mesh Parameterizations
Iterative Methods for Improving Mesh Parameterizations Autoren: Shen Dong & Michael Garland, SMI 07 Nicola Sheldrick Seminar Computergrafik April 6, 2010 Nicola Sheldrick (Seminar Computergrafik)Iterative
MehrTechnische Universität München Zentrum Mathematik. Übungsblatt 11
Technische Universität München Zentrum Mathematik Mathematik Elektrotechnik Prof. Dr. Anusch Taraz Dr. Michael Ritter Übungsblatt 11 Hausaufgaben Aufgabe 11.1 Berechnen Sie jeweils die Jacobi-Matrix folgender
MehrAlgorithmische Methoden zur Netzwerkanalyse Vorlesung 7, 30.11.2011 Henning Meyerhenke
Algorithmische Methoden zur Netzwerkanalyse Vorlesung 7, 30.11.2011 Henning Meyerhenke 1 KIT Henning Universität desmeyerhenke: Landes Baden-Württemberg und nationales Algorithmische Forschungszentrum
MehrEffizienz von Algorithmen
Effizienz von Algorithmen Letzte Bearbeitung: Jan 211 Ein wichtiger Aspekt bei Algorithmen sind seine "Kosten". Wir wollen uns hier ausschließlich mit der Laufzeit des gewählten Algorithmus beschäftigen.
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
MehrVHDL - Grundlagen des Pointrenderings
VHDL - Grundlagen des Pointrenderings Marc Reichenbach, Timo Nieszner Informatik 3 / Rechnerarchitektur Universität Erlangen Nürnberg 2013 1 / 25 Rendern von Dreiecksnetzen Quelle: Inf9, CG-Slides grobmaschiges
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
MehrUNIVERSITÄT KARLSRUHE Institut für Analysis HDoz. Dr. P. C. Kunstmann Dipl.-Math. M. Uhl. Sommersemester 2009
UNIVERSITÄT KARLSRUHE Institut für Analysis HDoz Dr P C Kunstmann Dipl-Math M Uhl Sommersemester 009 Höhere Mathematik II für die Fachrichtungen Elektroingenieurwesen, Physik und Geodäsie inklusive Komplexe
MehrDer metrische Raum (X, d) ist gegeben. Zeigen Sie, dass auch
TECHNISCHE UNIVERSITÄT BERLIN SS 07 Institut für Mathematik Stand: 3. Juli 007 Ferus / Garcke Lösungsskizzen zur Klausur vom 6.07.07 Analysis II. Aufgabe (5 Punkte Der metrische Raum (X, d ist gegeben.
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
Mehr8. Übungsblatt zur Mathematik I für Maschinenbau
Fachbereich Mathematik Prof. Dr. M. Joswig Dr. habil. Sören Kraußhar Dipl.-Math. Katja Kulas 8. Übungsblatt zur Mathematik I für Maschinenbau Gruppenübung WS / 6..-.. Aufgabe G (Matrixinversion mit Gauß-Algorithmus
MehrLineare Gleichungssysteme
Lineare Gleichungssysteme 1 Wiederholung Eine Menge von Vektoren a 1, a 2,, a k heisst linear unabhängig, wenn eine Linearkombination c 1 a 1 + c 2 a 2 + + c k a k = k c i a i (1) i=1 nur dann Null sein
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
MehrSuche nach korrespondierenden Pixeln
Suche nach korrespondierenden Pixeln Seminar Algorithmen zur Erzeugung von Panoramabildern Philip Mildner, Gliederung 1. Motivation 2. Anforderungen 3. Moravec Detektor 4. Harris Detektor 5. Scale Invariant
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrAM3: Differenzial- und Integralrechnung im R n. 1 Begriffe. 2 Norm, Konvergenz und Stetigkeit. x 1. x 2. f : x n. aus Platzgründen schreibt man:
AM3: Differenzial- und Integralrechnung im R n 1 Begriffe f : x 1 f 1 x 1, x 2,..., x n ) x 2... f 2 x 1, x 2,..., x n )... x n f m x 1, x 2,..., x n ) }{{}}{{} R n R m aus Platzgründen schreibt man: f
Mehrbzw. eine obere Dreiecksmatrix die Gestalt (U: upper)
bzw. eine obere Dreiecksmatrix die Gestalt (U: upper) U = u 11 u 12 u 1n 1 u nn 0 u 22 u 2n 1 u 2n 0......... 0 0 u n 1n 1 u n 1n 0 0 0 u nn Eine nicht notwendig quadratische Matrix A = (a ij ) heißt obere
MehrEinleitung 2. 1 Koordinatensysteme 2. 2 Lineare Abbildungen 4. 3 Literaturverzeichnis 7
Sonja Hunscha - Koordinatensysteme 1 Inhalt Einleitung 2 1 Koordinatensysteme 2 1.1 Kartesisches Koordinatensystem 2 1.2 Polarkoordinaten 3 1.3 Zusammenhang zwischen kartesischen und Polarkoordinaten 3
MehrProf. J. Zhang zhang@informatik.uni-hamburg.de. Universität Hamburg. AB Technische Aspekte Multimodaler Systeme. 16. Dezember 2003
zhang@informatik.uni-hamburg.de Universität Hamburg AB Technische Aspekte Multimodaler Systeme zhang@informatik.uni-hamburg.de Inhaltsverzeichnis 5. Sichtsysteme in der Robotik....................307 Industrielle
MehrNichtlineare Ausgleichsrechnung
10. Großübung Nichtlineare Ausgleichsrechnung Allgemeines Problem: Wir betrachten ein nichtlineares System F : R n R m mit (m > n, d.h. das System ist überbestimmt und F i (x g(t i ; x g i! 0 i 1,.., m.
MehrMustererkennung. Übersicht. Unüberwachtes Lernen. (Un-) Überwachtes Lernen Clustering im Allgemeinen k-means-verfahren Gaussian-Mixture Modelle
Mustererkennung Unüberwachtes Lernen R. Neubecker, WS 01 / 01 Übersicht (Un-) Überwachtes Lernen Clustering im Allgemeinen k-means-verfahren 1 Lernen Überwachtes Lernen Zum Training des Klassifikators
MehrTransformationen im 3D-Raum
Thomas Jung Repräsentation von 3D-Oberflächen Aufbau von Szenen Transformationen im 3D-Raum Projektionstranformationen Anwendung in OpenGL Geometrietransformationen bilden die Basis für die Computergrafik
MehrLösbarkeit linearer Gleichungssysteme
Lösbarkeit linearer Gleichungssysteme Lineares Gleichungssystem: Ax b, A R m n, x R n, b R m L R m R n Lx Ax Bemerkung b 0 R m Das Gleichungssystem heißt homogen a A0 0 Das LGS ist stets lösbar b Wenn
Mehr15ab 21bc 9b = 3b 5a 7c 3
4 4.1 Einführung Haben alle Summanden einer algebraischen Summe einen gemeinsamen Faktor, so kann man diesen gemeinsamen Faktor ausklammern. Die Summe wird dadurch in ein Produkt umgewandelt. Tipp: Kontrolle
MehrPFLICHTTEIL FRANZ LEMMERMEYER
PFLICHTTEIL FRANZ LEMMERMEYER ( Bestimmen Sie die erste Ableitung der Funktion f(x mit f(x = (3x x + und Vereinfachen Sie so weit wie möglich. ( Bestimmen Sie diejenige Stammfunktion F (x von ( π f(x =
Mehr(d) das zu Grunde liegende Problem gut konditioniert ist.
Aufgabe 0: (6 Punkte) Bitte kreuzen Sie die richtige Lösung an. Es ist jeweils genau eine Antwort korrekt. Für jede richtige Antwort erhalten Sie einen Punkt, für jede falsche Antwort wird Ihnen ein Punkt
MehrLineare Abhängigkeit und Unabhängigkeit. 1-E Ma 1 Lubov Vassilevskaya
Lineare Abhängigkeit und Unabhängigkeit -E Ma Lubov Vassilevskaya Eindimensionaler Raum Abb. -: Zwei nicht gleiche Vektoren auf der gleichen Gerade Jeden Vektor, der auf einer Geraden liegt, kann man durch
MehrLösungshinweise zur Klausur
Höhere Mathematik 3 26. 2. 214 Lösungshinweise zur Klausur für Studierende der Fachrichtungen kyb,mecha,phys Aufgabe 1 Entscheiden Sie, welche der folgenden Aussagen richtig und welche falsch sind. (i)
MehrBildinterpolation in virtuellen 3-D-Szenen. Lars Groenhagen
Bildinterpolation in virtuellen 3-D-Szenen Einleitung Seminarthema: Algorithmen zur Erzeugung von Panoramabildern Zylindrisches oder sphärisches Panorama: fester Standpunkt des Beobachters Wählbarer Standpunkt
MehrAngewandte Multivariate Statistik Prof. Dr. Ostap Okhrin
Angewandte Multivariate Statistik Angewandte Multivariate Statistik Prof. Dr. Ostap Okhrin Ostap Okhrin 1 of 46 Angewandte Multivariate Statistik A Short Excursion into Matrix Algebra Elementare Operationen
MehrSimulationstechnik V
Simulationstechnik V Vorlesung/Praktikum an der RWTH Aachen Numerische Simulation von Strömungsvorgängen B. Binninger Institut für Technische Verbrennung Templergraben 64 7. Teil Die Impulsgleichungen
MehrNumerisches Programmieren, Übungen
Technische Universität München WiSe 7 / 8 Institut für Informatik Univ.-Prof. Dr. Hans-Joachim Bungartz Michael Obersteiner Philipp Samfass Numerisches Programmieren, Übungen Musterlösung 8. Übungsblatt:
MehrHerleitung der Euler-Lagrange Gleichungen für Optical Flow Constraints
Herleitung der Euler-Lagrange Gleichungen für Optical Flow Constraints Benjamin Seppke 4. Juni 2010 1 Euler-Lagrange Gleichungen In dem Gebiet der Variationsrechnung ist die Euler-Lagrange Gleichung (oder
MehrEindeutigkeit reduzierter Gröbnerbasen
Eindeutigkeit reduzierter Gröbnerbasen Satz Existenz und Eindeutigkeit reduzierter Gröbnerbasen Jedes Ideal I F[x 1,..., x n ] besitzt eine eindeutige reduzierte Gröbnerbasis. Beweis: Existenz: Hilbert
MehrComputer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg
Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 6 Endliche Kameras Die Lochkamera Die Projektive Kamera Die projektive Kamera Spalten von P Zeilen von P Hauptpunkt und Hauptachse
MehrMusterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II. x 2
Musterlösung zu den Übungen zur Vorlesung Mathematik für Physiker II Wiederholungsblatt: Analysis Sommersemester 2011 W. Werner, F. Springer erstellt von: Max Brinkmann Aufgabe 1: Untersuchen Sie, ob die
MehrH. Gruber, R. Neumann. Erfolg im Mathe-Abi. Basiswissen Niedersachsen. Übungsbuch für den Grundkurs mit Tipps und Lösungen
H. Gruber, R. Neumann Erfolg im Mathe-Abi Basiswissen Niedersachsen Übungsbuch für den Grundkurs mit Tipps und Lösungen Inhaltsverzeichnis Inhaltsverzeichnis Analysis Von der Gleichung zur Kurve... 9 Aufstellen
MehrOrtskurvenerkennung. Christian Liedl, WS06/07 TUM
Ortskurvenerkennung Christian Liedl, WS06/07 TUM Überblick Was sind Ortskurven Beispiele spezieller Ortskurven Kurvenerkennung Voraussetzung Erster Ansatz Modellierung Beispiel: Identifikation Ortskurve
Mehr7. Wie lautet die Inverse der Verkettung zweier linearer Abbildungen? 9. Wie kann die Matrixdarstellung einer linearen Abbildung aufgestellt werden?
Kapitel Lineare Abbildungen Verständnisfragen Sachfragen Was ist eine lineare Abbildung? Erläutern Sie den Zusammenhang zwischen Unterräumen, linearer Unabhängigkeit und linearen Abbildungen! 3 Was ist
Mehr