4. Bildentrauschen: Filtertechniken 4. Bildentrauschen: Filtertechniken für additives Rauschen FILTER FILTER. B F = B + η
|
|
- Fritz Berger
- vor 7 Jahren
- Abrufe
Transkript
1 4. Bildentrauschen: Filtertechniken 4. Bildentrauschen: Filtertechniken für additives Rauschen FILTER FILTER Originalbild B Verrauschtes Bild B F = Filter(B) + η FILTER: Scanner, digitale Cameras, Internetübertragung... Verrauschtes Bild B F = B + η Entrauschtes Bild B η: additives Rauschen = unvorhersehbare Filterfehler Ziel: Umkehrung der Filtertransformation und Rauschunterdrückung FILTER: Transformation zur Rauschunterdrückung 4. Datenunabhängiges Rauschen: Gaußsches weißes Rauschen 4. Datenunabhängiges Rauschen: Salt-und-Pepper, Schnee η N(0,σ ) Originalbild p = 0. p = 0.3 p = 0.5 Originalbild σ = 3 σ = 0 σ = 3 p := Anzahl von fehlerbehafteten Pixeln Anzahl von Pixeln
2 4. Lineare zeitinvariante Filter: -dim Faltung 4. Lineare zeitinvariante Filter: Definition (-dim Faltung): Seien h, B l(z ). Filter h F : (H B)[m, k] = B[n,l]H[m n, k l], m, n Z. n,l Z Satz (Faltungseigenschaft): Seien h l (Z ) und B l p (Z ), p. Dann gilt H B lp H l B lp, d.h H B l p (Z ). Berechnung von (h B)[, ] = i B[0, 0] + h B[, 0] + g B[, 0] + f B[0, ] Lineare zeitinvariante Filter (LTI Filter) Einheits-Impulsfolge δ l 0 (Z ) 4. Lineare zeitinvariante Filter: Fourier Transformation Definition: Sei h l(z ). Die π periodische Funktion ĥ(ξ) = h[m, k]e im ξ e ik ξ, ξ = (ξ,ξ ) R, m,k Z heißt die F Transofmierte von h, falls die Reihe konvergiert. Bemerkung: h l (Z ) ĥ : R C ist gleichmäßig stetig. Satz (Faltungssatz): Seien h, B l (Z ), dann gilt h B l (Z ) und Impulsantwort eines Filters ist eine Folge h = h F (δ) l(z ). Stabilität: h F : l p (Z ) l p (Z ) Stabile LTI Filter: h F (B) = h B l p (Z ) für B l p (Z ). (h B)(ξ) = ĥ(ξ) B(ξ), ξ R. Definition der Faltung und Indexsubstitution m = m n, k = k l ergeben (h B)(ξ) = k,m Z h[m, k ]e i(m,k ) ξ n,l Z B[n,l]e i(n,l) ξ
3 4. LTI Filter: Gaußsches weißes Rauschen σ = 4. LTI Filter: Gaußsches weißes Rauschen σ = Verrauschtes Bild Gauß Filter: 3 3 Gauß Filter 5 5 Verrauschtes Bild Mittelwert Filter: LTI Filter: Salt und Pepper 5% 4. LTI Filter: Salt und Pepper 5% Verrauschtes Bild Gauß Filter: 3 3 Gauß Filter 5 5 Verrauschtes Bild Mittelwert Filter:
4 4.3 Nichtlineare Rangordnungsfilter: Salt und Pepper 5% 4.3 Nichtlineare Rangordnungsfilter: Gaußsches weißes Rauschen σ = Verrauschtes Bild Median Filter: Verrauschtes Bild Median Filter: Inverse Filter und Wiener-Filter Satz (Existenz von h inv ): Seien h l (Z s ) und ĥ(ξ) 0, ξ Rs. Dann existiert h inv l (Z s ), so dass ĥ inv (ξ) = ĥ(ξ), ξ Rs. dig. Camera Beispiel: Sei ĥ(ξ) = e iξ, ξ R. Die entsprechende Impulsantwort h l 0 (Z) l (Z) und ĥ(ξ) 0, ξ R. Dann gilt Originalbild B B F = Blur(B) + η ĥ inv (ξ) = e iξ = ( e iξ k=0 ) k Ziel: Umkehrung der Filtertransformation und Rauschunterdrückung und die Folge h inv = (h inv [k]) k Z l (Z) mit h inv [k] = { k k 0, 0 sonst.
5 4.4. Inverse und Pseudoinverse Filter 4.4. Wiener-Filter Originalbild B Blur(B) + η Näherung an B Originalbild B Blur(B) + η Näherung B an B ĥ (ξ) = {, h(ξ) ĥ(ξ) 0, 0, ĥ(ξ) = 0, mit Filter h F = Blur. ( B[m, ) Ziel: E k] B[m, k] min! m, k = 0,...,N. Nachteile: Rauschverstärkung Beispiel (bedingter Erwartungswert): dreiseitige Würfel wurden 400 mal zusammen geworfen. Ereignisraum Ω = {(, ),(, ),(, 3),(, ),(, ),(, 3),(3, ),(3, ),(3, 3)} Augensumme X : Ω {, 3, 4, 5, 6} und Y : Ω {,, 3}, Y(i, j) = min{i, j}, (i, j) Ω, X P(X = x) 3 Y 3 P(Y = y) 5 und die gemeinsame Wahrscheinlichkeitsverteilung von X und Y Y \ X Der bedingte Erwartungswert E(X Y) : {,, 3} R ist eine ZV mit Werten E(X Y)(j) = E(X Y = j) = x P(X = x Y = j), j =,, 3. x {,3,4,5,6} 3 Also mit P(X = x Y = y) = P(X=x,Y=y) P(Y=y) gilt E(X Y = ) = = 6 5 E(X Y = ) = = 4 3 E(X Y = 3) = 6 = 6 und die Wahrscheinlichkeitsverteilung von E(X Y) ist 6 E(X Y) ) 5 ( P E(X Y) = E(X Y = y) ( ) Beachte: P E(X Y) = E(X Y = y) = P(Y = y) gilt nur weil E(X Y = y ) E(X Y = y ) für y y, y, y {,, 3}. Sonst soll man die entsprechenden Wahrscheinlichkeiten von Y addieren.
6 Satz: Seien X : Ω x Ω x und Y : Ω y Ω y ZVen mit WVen ( ) x, P(X = x) x Ω x und T : Ω y R eine ZVe mit WV Dann gilt ( ) E (X E(X Y)) Y = y und ( ) T(y), P(Y = y). y Ω y ( ) y, P(Y = y), y Ω y ( ) E (X T(Y)) Y = y, y Ω y. ) ( ) Korollar: E ((X T(Y)) ist minimal, wenn E (X T(Y)) Y minimal ist. Bemerkung: Diese Resultate gelten auch für stochastische N N Felde X = B und Y = h F (B). Der Wiener-Filter ist dann die ZVe (Abbildung) E(X Y) : Ω y R N N. Beispiel: (i) Seien X N(0,σ x), η N(0,σ ) unkorreliert, Y := X + η. Für 4.4. Wiener Filter λ = σ x σ x + σ sind die ZVen X λy und Y stochastisch unabhängig und ( E X E(X Y) ) ( = E X λy ) is minimal. (ii) Seien X N (0, diag(σ jj ) ), η N(0,σ I N ) unkorrelierte stochastische N Felde und Y := X + η. Dann gilt E X diag( σjj σjj + σ )Y is minimal. Originalbild B Gauss-Filter(B) + η Näherung an B mit Wiener-Filter Nachteil: funktioniert nur für h F = Blur
7 5. Bildentrauschen, Variationsmethoden. Ab jetzt: Bild ist eine Funktion B : [0, ] R. 5. Welche Funktionsräume benutzt man, um die Bilder zu klassifizieren? Definition+Resultate: Sei Ω R offen, beschränkt, mit Lipschitz-Rand Ω. Die Funktionsräume { ( L p (Ω) := f : Ω R f Lp = L := /p f(x, y) dxdy) p < Ω } { f : Ω R f L = esssup (x,y) Ω f(x, y), }, p <, W,p (Ω) := {f L p (Ω) distributionelle Ableitungen (,0) f, (0,) f L p (Ω)}, W k,p (Ω) := {f L p (Ω) α f L p (Ω), 0 < α = α + α k} Ziel: Bildkanten (Unstetigkeiten) zu erfassen. sind Banachräume mit f W k,p := f p L p + 0< α k /p α f p L p, p <, k N. Beispiele: Bemerkungen: (i) Es gilt L p (Ω) L q (Ω), < q < p. (ii) Die L p Räume lassen die stückweise konstante Funktionen zu, die entsprechenden Normen messen nur die Gesamtintensität (Helligkeit) eines Bildes. Damit kann man die Kanten nicht erfassen. (iii) Sei D Ω ein Gebiet mit C Rand. Dann ist die Funktion {, x D, f(x) = 0, x Ω \ D, nicht in W,p (Ω), p. Also stückweise konstante Funktionen und damit Unstetigkeiten (Kanten) sind nicht zugelassen. Definition+Resultate: Sei Ω R offen, beschränkt, mit Lipschitz-Rand Ω. Der Funktionsraum BV(Ω) := {f : Ω R f L (Ω), TV[f] < } Funktionen beschränkter Variation ist ein Banachraum mit f BV := f L + TV[f], { TV[f] = sup f div(ϕ)dxdy ϕ ( C0 (Ω; R ) ) }, ϕ. Ω Lemma: Falls f L (Ω), gilt TV[f] = Ω f(x, y) dxdy.
8 Definition: Sei f : Ω R und Die Rände E β := {(x, y) Ω f(x, y) β}, β R. E β := {(x, y) Ω f(x, y) = β}, β R, Höhenlinien eines Bildes mit Matlab: der Mengen E β heißen die Höhenlinien von f Bild B contour(b); 5. Bildentrauschen: Variationsmethoden und Filtermethoden Satz (Co-Area-Formel): Sei f BV(Ω). Dann gilt TV[f] = Beispiele: TV[χ Eβ ]dβ = Per(E β )dβ. B F (x, y) = B(x, y) }{{} + η(x, y) }{{}, (x, y) Ω. Originalbild Rauschen Grundform des Variationsproblems: Gegeben: B F : Ω R, V Banachraum und ein Funktional J = J BF,λ : V R +. Bestimme: B mit J(B ) = min u V J(u). Beispiele: Bemerkung: Um TV[f] zu minimieren, soll man die Rände von E β glätten. (i) V = W, (Ω) und J(u) = λ u B F L + u L, λ > 0. (ii) V = BV(Ω) und J(u) = λ u B F L + TV[u], λ > 0.
9 ROF-Modell (Rudin, Osher, Fratermi): minimiere Lineares Modell: minimiere J(u) = λ ku BF kl + k u kl, J(u) = u W, (Ω). λ ku BF kl + TV[u], u BV (Ω) Originalbild B BF = B + η minu J(u) Originalbild B BF = B + η minu J(u) ROF-Modell (Rudin, Osher, Fratermi): Glättung der Höhenlinien ROF-Modell (Rudin, Osher, Fratermi): Wahl von λ in J(u) = BF λ ku BF kl + TV[u], B, λ > 0 u BV (Ω). B, λ < λ
10 Definition: Ein Funktional J : V R heißt strikt konvex, falls ( ) J ( α)u + αv < ( α)j(u) + αj(v) für alle u, v V, u v, und α (0, ). Beispiele: Satz (Eindeutigkeit des Minimums): Seien V konvex und J : V R strikt konvex. Dann existiert höchstens ein globales Minimum von J in V. Satz (Existenz des Minimums): Sei J : V R ein Funktional auf einem topologischen Raum V mit Topologie τ und erfülle (i) (Folgen-Unterhalbstetigkeit) Für u k u in der Topologie τ gelte J(u) liminf k N J(u k ). (ii) (Kompaktheitsvoraussetzung) Es existiere λ R, so dass E λ = {u V J(u) λ} und E λ kompakt in der Topologie τ. Dann besitzt J ein Minimum J(B ), B V. siehe Satz. in muenster.de/num/vorlesungen/mathembv _SS07/Kapitel.pdf lineares Modell: Charakterisierung und Existenz des Minimums Definition: Seien V ein Banachraum, U V offen und J : V R. Dann ist das Gateaux-Differential dj(u; v) von J an der Stelle u U in der Richtung v V, falls es dort existiert, definiert durch J(u + tv) J(u) dj(u; v) = lim, t 0. t 0 t Definition: Seien V ein Banachraum, U V offen. Dann heißt J : U R Fréchet-differenzierbar an der Stelle u U, falls es einen beschränkten linearen Operator J : V R derart gibt, dass Beispiele: Satz: Ist J : V R ein konvexes Funktional und ist J überall auf V Frechet-differenzierbar, dann gilt J(B ) = min u V J(u) J (B ) = 0. J(u + v) J(u) J (u) lim = 0, v 0, v 0 v V gilt.
11 -dim Fall, V = W, (0, ): J(B ) = min u V J(u) B lösst die lineare Dgl..Ordnung mit konstanten Koeffitienten u (x) + λu(x) = λb F (x), x (0, ), und erfüllt die Neumann-Randbedingungen Beispiel: Sei B F gerade und Dann gilt u (0) = u () = 0. B F (x) = a 0 + a k cos (kπx), x (0, ). k= B (x) = a 0 + λa k (πk) + λ cos (kπx), B W, (0, ). k= Euler-Lagrange-Dgl.: (i) lineares Modell: mit Randbedingung u n Ω = 0. u + λu = λb F, (x, y) Ω, (i) ROF-Modell (TV-Minimierung): ( ) u div + λu = λb F, (x, y) Ω, u mit Randbedingung u n Ω = 0. Bemerkungen: (i) Divergenz des Normalenvektorfeldes u(x,y) u(x,y) ist die Krümmung K der Höhenlinie von u an der Stelle (x, y). (ii) Ist K L (Ω), so dürfen die Kantenmengen von u keine Ecken haben. Berechnung der Lösung von Variationsansätzen: I. Primales Optimierungsproblem II. Duales Optimierungsproblem III. Primales-Duales Optimierungsproblem IV.(a) Euler-Lagrange-Dgl. und lagged Diffusion IV.(b) Euler-Lagrange-Dgl. Anfangsrandwertproblem für u(t, x, y) ( ) u u t div + λu = λb F, (t, x, y) (0, ) Ω, u u(0, x, y) = u 0 (x, y) u n Ω = 0. Wähle u 0. Für k = 0,,,... löse: ( ) u k+ div u k + λu k+ = λb F, (x, y) Ω, mit Randbedingung u k+ n Ω = 0. u(t 0, x, y), t 0 > 0 u(t, x, y), t > t 0 u(t, x, y), t > t
12 Bilateral-Filter: Gauß- vgl. Bilateral-Filter: Sei G σ (r) = σ r π e 4σ, (x, y) R. Faltung mit Gauß-Filter: B G [m, k] = G σ ( (m n, k l) )B F [n,l], m, k Z. n,l Z Faltung mit Bilateral-Filter (Tomasi, Manduchi, 8): B B [m, k] = C G σ ( (m n, k l ))G σ ( B F [m, k] B F [n,l] )B F [n,l], m, k Z, n,l Z mit passendem Gewicht C > 0. Datenabhängiger Filter Bilateral-Filter vgl. anisotrope Diffusion: Originalbild gefaltet mit Bilateral-Filter
ist ein n-dimensionaler, reeller Vektorraum (vgl. Lineare Algebra). Wir definieren auf diesem VR ein Skalarprodukt durch i y i i=1
24 14 Metrische Räume 14.1 R n als euklidischer Vektorraum Die Menge R n = {(x 1,..., x n ) x i R} versehen mit der Addition und der skalaren Multiplikation x + y = (x 1 + y 1,..., x n + y n ) λx = (λx
Mehr([0, 1]) und int K = p 1
126 III. Der Satz von Hahn-Banach und seine Konsequenzen wie man durch Einsetzen unmittelbar erkennt. Zeigen wir noch die Halbstetigkeit von f: Sei(x n ) eine Folge in L p (R) mitx n x in L p (R) und f(x
MehrKAPITEL 10 DIE INNERE-PUNKTE-METHODE
KAPITEL DIE INNERE-PUNKTE-METHODE F. VALLENTIN, A. GUNDERT Vorteile: + Löst effizient lineare Programme (in Theorie und Praxis) + erweiterbar (zu einer größeren Klasse von Optimierungsproblemen) + einfach
Mehr1 Die direkte Methode der Variationsrechnung
Die direkte Methode der Variationsrechnung Betrachte inf I(u) = f(x, u(x), u(x)) dx : u u + W,p () wobei R n, u W,p mit I(u ) < und f : R R n R. (P) Um die Existenz eines Minimierers direkt zu zeigen,
MehrDigitale Bildverarbeitung und Bildanalyse - PDEs und Variationsmethoden
Digitale Bildverarbeitung und Bildanalyse - PDEs und Variationsmethoden Michael Pippig Fakultät für Mathematik Technische Universität Chemnitz 6. Mai 2008 Michael Pippig Digitale Bildverarbeitung und Bildanalyse
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrExtremalpunkte und der Satz von Krein-Milman. 1 Lokalkonvexe topologische Vektorräume
Extremalpunkte und der Satz von Krein-Milman Seminar zu ausgewählten Kapiteln der Banachraumtheorie Vortrag von Michael Hoffmann 1 Lokalkonvexe topologische Vektorräume Im folgenden betrachten wir stets
Mehr2 Stationarität. Strikte Stationarität
2 Stationarität. Strikte Stationarität Die in 1 benutzten Begriffe sind noch zu präzisieren : Definition 2.1. a) Ein stochastischer Prozess {X t } t T heißt strikt stationär, falls für je endlich viele
MehrMeßbare Funktionen. bilden die Grundlage der Integrationstheorie. Definition 24.1 :
24 Meßbare Funktionen bilden die Grundlage der Integrationstheorie. Definition 24. : Sei X eine beliebige Menge, Y ein topologischer Raum, λ ein Maß auf X. f : X Y heißt λ-messbar, falls f (Ω) λ-messbar
Mehr4.2 Grenzwerte und Stetigkeit reeller Funktionen
4. Grenzwerte und Stetigkeit reeller Funktionen 73 4. Grenzwerte und Stetigkeit reeller Funktionen Definition 4.. Gegeben sei eine Funktion y = mit D(f). (i) Sei D(f). heißt stetig in, falls es für alle
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
MehrFUNKTIONALANALYSIS. Carsten Schütt WS 2006/7
1. Eine Teilmenge K eines topologischen Raumes heißt folgenkompakt, wenn jede Folge in K eine Teilfolge enthält, die in K konvergiert. Die Menge K heißt abzählbar kompakt, wenn jede unendliche Teilmenge
MehrBildverarbeitung: Diffusion Filters. D. Schlesinger ()Bildverarbeitung: Diffusion Filters 1 / 10
Bildverarbeitung: Diffusion Filters D. Schlesinger ()Bildverarbeitung: Diffusion Filters 1 / 10 Diffusion Idee Motiviert durch physikalische Prozesse Ausgleich der Konzentration eines Stoffes. Konzentration
MehrSchwartz-Raum (Teil 1)
Schwartz-Raum (Teil 1) Federico Remonda, Robin Krom 10. Januar 2008 Zusammenfassung Der Schwartz-Raum ist ein Funktionenraum, der besondere Regularitätseigenschaften besitzt, die uns bei der Fouriertransformation
MehrWichtige Klassen reeller Funktionen
0 Wichtige Klassen reeller Funktionen Monotone Funktionen sind i.a. unstetig, aber man kann etwas über das Grenzwertverhalten aussagen, wenn man nur einseitige Grenzwerte betrachtet. Definition 0. : Sei
MehrBeispiele. Grundlagen. Kompakte Operatoren. Regularisierungsoperatoren
Beispiele Grundlagen Kompakte Operatoren Regularisierungsoperatoren Transportgleichung Dierenzieren ( nx ) (f δ n ) (x) = f (x) + n cos, x [0, 1], δ Regularisierung!! Inverse Wärmeleitung Durc f (f δ n
MehrOptimale Steuerung, Prof.Dr. L. Blank 1. II Linear-quadratische elliptische Steuerungsprobleme
Optimale Steuerung, Prof.Dr. L. Blank 1 II Linear-quadratische elliptische Steuerungsprobleme Zuerst: Zusammenstellung einiger Begriffe und Aussagen aus der Funktionalanalysis (FA), um dann etwas über
MehrBrownsche Bewegung. Satz von Donsker. Bernd Barth Universität Ulm
Brownsche Bewegung Satz von Donsker Bernd Barth Universität Ulm 31.05.2010 Page 2 Brownsche Bewegung 31.05.2010 Inhalt Einführung Straffheit Konvergenz Konstruktion einer zufälligen Funktion Brownsche
MehrMusterlösung Klausur zu Analysis II. Verständnisteil
Technische Universität Berlin SS 2009 Institut für Mathematik 20.07.2009 Prof. Dr. R. Schneider Fritz Krüger Sebastian Holtz Musterlösung Klausur zu Analysis II Verständnisteil 1. (a) Sei D R n konvex
Mehry (k) (0) = y (k) y(z) = c 1 e αz + c 2 e βz. c 1 + c 2 = y 0 k=1 k=1,...,m y k f k (x)
9 Ausgleichsrechnung 9.1 Problemstelllung Eine Reihe von Experimenten soll durchgeführt werden unter bekannten Versuchsbedingungen z Ê m. Es sollen Größen x Ê n bestimmt werden, für die ein Gesetz gelten
MehrPartielle Differentialgleichungen Kapitel 7
Partielle Differentialgleichungen Kapitel 7 Intermezzo zu Distributionen Die Physik hat der Mathematik die Dirac-δ-Funktion gebracht. Diese δ-funktion soll folgende Eigenschaften haben: n δ (x ϕ (x dx
MehrDie komplexe Halbebene faktorisiert nach einer Fuchsschen Gruppe
Die komplexe Halbebene faktorisiert nach einer Fuchsschen Gruppe Matthias Nagel Riemannsche Flächen Stets sei X eine 2-dimensionale Mannigfaltigkeit (Fläche). Definition. ) Eine komplexe Karte auf X ist
MehrHawkes Prozesse Grundlagen
Hawkes Prozesse Grundlagen Im Folgenden sei (Ω, F, F, P) eine stochastische Basis. Das heißt F = (F t ) t ist eine rechtsstetige Filtration mit F t F für alle t und P ein Wahrscheinlichkeitsmaß auf dem
MehrGewöhnliche Differentialgleichungen Woche 6. Existenz nach Picard-Lindelöf
d Gewöhnliche Differentialgleichungen Woche 6 Existenz nach Picard-Lindelöf 6.1 Vorbereitung für den Existenzsatz 6.1.1 Stetigkeit und Lipschitz-Stetigkeit Definition 6.1 Seien (V 1, 1 und (V 2, 2 zwei
MehrNun zeigen wir: wie kann man durch eine Liftung eine neue Unterlösung konstruieren.
56 SS2016 Definition 6.17 (Unterlösung,Oberlösung). Ω R n seieingebietleinelliptischeroperator wie in Bedingung 6.1. Seien a i j, b i c stetig mit c 0 in Ω. Sei f stetig in Ω. Eine Funktion u C(Ω) heißt
Mehr3.2 Rekonstruktion. 3.2 Rekonstruktion
Bei der Aufnahme eines Bildes in der Praxis erhält man so gut wie nie direkt jenes Bild, das man gerne verwenden w urde. Wie schon in der Einleitung beschrieben, passiert dies entweder durch Verzerrung(falsche
Mehr22 Charakteristische Funktionen und Verteilungskonvergenz
22 Charakteristische Funktionen und Verteilungskonvergenz Charakteristische Funktionen (Fourier-Transformierte liefern ein starkes analytisches Hilfsmittel zur Untersuchung von W-Verteilungen und deren
MehrÜbungen zu Grundlagen der Mathematik 2 Lösungen Blatt 12 SS 14. Aufgabe 44. Bestimmen Sie die Taylor-Polynome der Funktion.
Übungen zu Grundlagen der Mathematik Lösungen Blatt 1 SS 14 Prof. Dr. W. Decker Dr. M. Pleger Aufgabe 44. Bestimmen Sie die Taylor-Polynome der Funktion f : U R, (x, y) x y x + y, im Punkt (1, 1) bis einschließlich.
MehrPunktschätzer Optimalitätskonzepte
Kapitel 1 Punktschätzer Optimalitätskonzepte Sei ein statistisches Modell gegeben: M, A, P ϑ Sei eine Funktion des Parameters ϑ gegeben, γ : Θ G, mit irgendeiner Menge G, und sei noch eine Sigma-Algebra
Mehr4 Absolutstetige Verteilungen und Zufallsvariablen 215/1
4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 23. Bemerkung Integralbegriffe für Funktionen f : R d R (i) Lebesgue-Integral (Vorlesung Analysis IV). Spezialfall: (ii) Uneigentliches Riemann-Integral
MehrSpline-Räume - B-Spline-Basen
Spline-Räume - B-Spline-Basen René Janssens 4. November 2009 René Janssens () Spline-Räume - B-Spline-Basen 4. November 2009 1 / 56 Übersicht 1 Erster Abschnitt: Räume von Splinefunktionen Grundlegende
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
MehrParallelisierung durch Gebietszerlegung
Parallelisierung durch Gebietszerlegung Jahn Müller jahn.mueller@uni-muenster.de Westfälische Wilhelms-Universität Münster 25.01.2008 1 Einleitung 2 Gebietszerlegung nicht überlappende Zerlegung überlappende
MehrÜbungen zu Analysis, SS 2015
Übungen zu Analysis, SS 215 Ulisse Stefanelli 15. Juni 215 1 Wiederholung 1. Untersuchen Sie das Verhalten der folgenden Folgen a n = n 2 cosh(1/n), b n = ln(ln(n))/n, c n = (2 n n 2 )/n!, 2. Stellen Sie
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
MehrHöhere Funktionalanalysis WS2016/17 Übungsblatt
Höhere Funktionalanalysis WS2016/17 Übungsblatt 1 11.10.2016 Aufgabe 1. Berechne die Normen der Operatoren (a) f L [0, 1], M f : L 2 [0, 1] L 2 [0, 1], (M f g)(x) = f(x)g(x). (b) g C[0, 1], T g : C[0,
MehrNumerische Verfahren zur Lösung der Monge-Ampère-Gleichung, Teil II
für zur Lösung der Monge-Ampère-Gleichung, Teil II Andreas Platen Institut für Geometrie und Praktische Mathematik RWTH Aachen Seminar zur Approximationstheorie im Wintersemester 2009/2010 1 / 27 Gliederung
MehrKlausur zu Analysis II - Lösungen
Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Dr. Axel Grünrock WS 1/11 11..11 Klausur zu Analysis II - Lösungen 1. Entscheiden Sie, ob die folgenden Aussagen richtig oder falsch sind.
MehrEffiziente Algorithmen Lineares Programmieren 216. Schwache Dualität
Effiziente Algorithmen Lineares Programmieren 216 Schwache Dualität Sei wieder z = max{ c T x Ax b, x 0 } (P ) und w = min{ b T u A T u c, u 0 }. (D) x ist primal zulässig, wenn x { x Ax b, x 0 }. u ist
MehrZusammenfassung Analysis 2
Zusammenfassung Analysis 2 1.2 Metrische Räume Die Grundlage metrischer Räume bildet der Begriff des Abstandes (Metrik). Definition 1.1 Ein metrischer Raum ist ein Paar (X, d), bestehend aus einer Menge
MehrFinanzmathematik I Lösungvorschläge für Übungsblatt 1
Finanzmathematik I Lösungvorschläge für Übungsblatt 1 J. Widenmann ufgabe 1: Zu zeigen ist, dass Q die Definition Ü.1.1.2 erfüllt. Zunächst bemerken wir, dass Q wegen der nnahme f 0 Werte in R + annimmt.
MehrExistenz höherer Ableitungen
Existenz höherer Ableitungen Bernhard Pfirsch LMU München Zillertal am 15.12.2012 Bernhard Pfirsch Existenz höherer Ableitungen 1/16 Definitionen: Sei der Operator L von der Form Lu = (A u), A : R n n,
MehrÜbersicht. 1. Motivation. 2. Grundlagen
Übersicht 1. Motivation 2. Grundlagen 3. Analysis 3.1 Folgen, Reihen, Zinsen 3.2 Funktionen 3.3 Differentialrechnung 3.4 Extremwertbestimmung 3.5 Nichtlineare Gleichungen 3.6 Funktionen mehrerer Variabler
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.
MehrSeminar Gewöhnliche Differentialgleichungen
Seminar Gewöhnliche Differentialgleichungen Dynamische Systeme I 1 Einleitung 1.1 Nichtlineare Systeme In den vorigen Vorträgen haben wir uns mit linearen Differentialgleichungen beschäftigt. Nun werden
MehrMessbare Vektorräume
Messbare Vektorräume Hans-Jörg Starkloff TU Bergakademie Freiberg Westsächsische Hochschule Zwickau Dezember 2010 / Januar 2011 Hans-Jörg Starkloff Messbare Vektorräume 1 1. Definition Geg. X linearer
MehrCompressed Sensing für Signale aus Vereinigungen von Unterräumen
Compressed Sensing für Signale aus Vereinigungen von Unterräumen Nadine Pawlitta 21. Januar 2011 Nadine Pawlitta () CS auf Vereinigungen von Unterräumen 21. Januar 2011 1 / 28 Übersicht 1 Grundprinzip
MehrBildverarbeitung: Filterung. D. Schlesinger () Bildverarbeitung: Filterung 1 / 17
Bildverarbeitung: Filterung D. Schlesinger () Bildverarbeitung: Filterung 1 / 17 Allgemeines Klassische Anwendung: Entrauschung (Fast) jeder Filter basiert auf einem Modell (Annahme): Signal + Rauschen
Mehr2 Fortsetzung von Prämaßen zu Maßen, Eindeutigkeit
2 Fortsetzung von Prämaßen zu Maßen, Eindeutigkeit a) Fortsetzungssatz, Eindeutigkeit Es wird gezeigt, dass jedes Prämaß µ auf einem Ring R zu einem Maß µ auf A(R) fortgesetzt werden kann, d.h. µ kann
Mehr4 Fehlerabschätzungen und Konvergenz der FEM
4 Fehlerabschätzungen und Konvergenz der FEM 4 Fehlerabschätzungen und Konvergenz der FEM 153 Es sei V der Lösungsraum und V N V ein endlich dimensionaler Unterraum. Weiters sei u V die exakte Lösung und
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
MehrFilter. Industrielle Bildverarbeitung, Vorlesung No M. O. Franz
Filter Industrielle Bildverarbeitung, Vorlesung No. 5 1 M. O. Franz 07.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht 1 Lineare Filter 2 Formale
MehrUniversität Leipzig, SoSo 2013
Vorlesung Wahrscheinlichkeitstheorie I Universität Leipzig, SoSo 2013 Prof. Dr. Max v. Renesse renesse@uni-leipzig.de Sprechstunde: Di 13.15-14.45, A 337 Übungen: Mo 11.15 -- 12.45 A 314 K. Zimmermann
MehrPartielle Differentialgleichungen in der Bildverarbeitung. oder
Partielle Differentialgleichungen in der Bildverarbeitung Februar 2003 Dirk Lorenz oder PDEs in der Bildverarbeitung 1 Partielle Differentialgleichungen zum Anfassen und Streicheln PDEs in der Bildverarbeitung
Mehr6 Iterationsverfahren für lineare und nichtlineare Gleichungssysteme
6 Iterationsverfahren für lineare und nichtlineare Gleichungssysteme 6.1 Nullstellen reeller Funktionen Bemerkung 6.1 (Problemstellung) geg.: f C[a, b] ges.: x [a, b] mit f(x ) = 0 Lösungstheorie f linear
MehrMerkblatt zur Funktionalanalysis
Merkblatt zur Funktionalanalysis Literatur: Hackbusch, W.: Theorie und Numerik elliptischer Differentialgleichungen. Teubner, 986. Knabner, P., Angermann, L.: Numerik partieller Differentialgleichungen.
Mehrf(x 0 ) = lim f(b k ) 0 0 ) = 0
5.10 Zwischenwertsatz. Es sei [a, b] ein Intervall, a < b und f : [a, b] R stetig. Ist f(a) < 0 und f(b) > 0, so existiert ein x 0 ]a, b[ mit f(x 0 ) = 0. Wichtig: Intervall, reellwertig, stetig Beweis.
Mehr22 KAPITEL 1. GRUNDLAGEN. Um zu zeigen, dass diese Folge nicht konvergent ist, betrachten wir den punktweisen Limes und erhalten die Funktion
KAPITEL 1. GRUNDLAGEN Um zu zeigen, dass diese Folge nicht konvergent ist, betrachten wir den punktweisen Limes und erhalten die Funktion 1 für 0 x < 1 g 0 (x) = 1 1 für < x 1. Natürlich gibt dies von
MehrRegularitätsresultate für parabolische Gleichungen mit nichtlokalem Operator
Universität Bielefeld Regularitätsresultate für parabolische Gleichungen mit nichtlokalem Operator Matthieu Felsinger Universität Bielefeld Mathematisches Kolloquium, TU Clausthal 05. Februar 2014 1 Einleitung
MehrNumerik III trifft inverse Probleme
Numerik III trifft inverse Probleme Michael Hönig Heinrich-Heine-Universität Düsseldorf Bad Neuenahr-Ahrweiler, Juli 2009 Inverse Probleme Schließen von einer beobachteten Wirkung auf deren Ursache Beispiel:
Mehr2. Dirichlet-Reihen. Arithmetische Funktionen
2. Dirichlet-Reihen. Arithmetische Funktionen 2.. Eine Dirichlet-Reihe ist eine Reihe der Gestalt a n f(s = n, s wobei (a n n eine Folge komplexer Zahlen und s eine komplexe Variable ist. 2.2. σ a (f :=
MehrInvarianz-Entropie für Kontrollsysteme
Invarianz-Entropie für Kontrollsysteme Christoph Kawan Institut für Mathematik, Universität Augsburg in Zusammenarbeit mit Fritz Colonius, Institut für Mathematik, Universität Augsburg im Rahmen des DFG-Schwerpunktprogramms
Mehr10 Der Integralsatz von Gauß
10 Der Integralsatz von Gauß In diesem Abschnitt beweisen wir den Integralsatz von Gauß, die mehrdimensionale Verallgemeinerung des Hauptsatzes der Differential- und Integralrechnung. Aussage des Satzes
MehrMultivariate Verteilungen
Multivariate Verteilungen Zufallsvektoren und Modellierung der Abhängigkeiten Ziel: Modellierung der Veränderungen der Risikofaktoren X n = (X n,1, X n,2,..., X n,d ) Annahme: X n,i und X n,j sind abhängig
MehrKapitel 6 Grenzwerte von Funktionen und Stetigkeit
Kapitel 6 Grenzwerte von Funktionen und Stetigkeit 225 Relle Funktionen Im Folgenden betrachten wir reelle Funktionen f : D R, mit D R. Wir suchen eine formale Definition für den folgenden Sachverhalt.
MehrSchwartz Raum und gemässigte Distributionen
1 ETH Zürich (Pro)Seminar: Grundideen der Harmonischen Analysis Schwartz Raum und gemässigte Distributionen David Bernhardsgrütter und David Umbricht 18 Dezember 2007 Schwartz Raum und gemässigte Distributionen
Mehr, r [0, 2], ϕ [0,π/2], ϑ [0,π/6]. x 3. x 2 2 x 2 1. F(x) = x 2 3
Prof. Dr. Eck Höhere Mathematik 3 9.3.9 Aufgabe ( Punkte) Gegeben ist der Körper K mit der Parametrisierung x r cos ϕ cos ϑ K : x = Φ(r,ϕ,ϑ) = r sin ϕ cos ϑ, r [, ], ϕ [,π/], ϑ [,π/6]. x 3 r sin ϑ a) Berechnen
Mehr1.3 Zufallsvariablen
1.3 Zufallsvariablen Beispiel Irrfahrt zwischen drei Zuständen Start in G bei t = 0, Zeithorizont T N Grundraum σ-algebra Ω = {ω = (ω 0, ω 1,..., ω T ) {G, R, B} T +1, ω 0 = G} Wahrscheinlichkeitsmaß P
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
MehrDiskrete Kurven und Flächen
Vorlesung 18 Diskrete Kurven und Flächen 18.1 Polygonale Kurven in der Ebene Definition 18.1. Eine offene, orientierte polygonale Kurve P n im R 2 ist ein ebener Polygonzug bestehend aus 1. n voneinander
MehrInhaltsverzeichnis. 6 Topologische Grundlagen. 6.1 Normierte Räume
Inhaltsverzeichnis 6 Topologische Grundlagen 1 6.1 Normierte Räume................................ 1 6.2 Skalarprodukte................................. 2 6.3 Metrische Räume................................
MehrDifferentialformen. Lie-Ableitung von Differentialformen und Poincaré-Formel. Differentialform dp dx und ihre Invarianz bzgl. Hamiltonischer Flüsse.
Differentialformen Plan Zuerst lineare Algebra: Schiefsymmetrische Formen im R n. Dann Differentialformen: Invarianz bzgl. Diffeomorphismen (und sogar beliebigen glatten Abbildungen). Äußere Ableitung.
MehrMaximale Generatoren Integral Stochastischer Ordnungen - Fortsetzung Eigenschaften von stochastischen Ordnungen Kleine Generatoren
Universität Hamburg Fachbereich Mathematik Schwerpunkt Mathematische Statistik und Stochastische Prozesse Bundesstr. 55 D-20146 Hamburg Maximale Generatoren Integral Stochastischer Ordnungen - Fortsetzung
MehrBanach scher Fixpunktsatz. 1) D ist abgeschlossen und konvex; 2) f ist selbstabbildend, d.h. f(d) D;
Institut für Geometrie und Praktische Mathematik Höhere Mathematik IV (für Elektrotechniker und Technische Informatiker) - Numerik - SS 2007 Dr. S. Börm, Dr. M. Larin Banach scher Fixpunktsatz Gegeben
Mehr32 Die Diffusionsgleichung
32 Die Diffusionsgleichung 32.1 Motivation (Wärmeleitungsgleichung) Sei Ω R 3 ein ebiet. Wir betrachten Wärmeleitung in Ω und eine Funktion u = u(t, x), wobei t [0, T ] und x Ω, die die Temperaturverteilung
MehrNichtlineare Gleichungssysteme
Nichtlineare Gleichungssysteme Jetzt: Numerische Behandlung nichtlinearer GS f 1 (x 1,..., x n ) =0. f n (x 1,..., x n ) =0 oder kurz f(x) = 0 mit f : R n R n Bemerkung: Neben dem direkten Entstehen bei
MehrBegleitmaterial zur Vorlesung Numerik II
Begleitmaterial zur Vorlesung Numerik II Andreas Meister Universität Kassel, AG Analysis und Angewandte Mathematik Andreas Meister (Universität Kassel) Begleitmaterial Numerik II 1 / 35 Inhalte der Numerik
MehrStoppzeiten und Charakteristische Funktionen. Tutorium Stochastische Prozesse 15. November 2016
Stoppzeiten und Charakteristische Funktionen Tutorium Stochastische Prozesse 15. November 2016 Inhalte des heutigen Tutoriums Im heutigen Tutorium besprechen wir: (1) Eindeutigkeit von Maßen ohne schnittstabilen
Mehrε δ Definition der Stetigkeit.
ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x
Mehr6. Polynom-Interpolation
6. Polynom-Interpolation 1 6.1. Klassische Polynom-Interpolation 2 6.2. Lösung mit Hilfe Lagrange scher Basisfunktionen 3 6.3. Lösung mit Hilfe Newton scher Basisfunktionen 4 6.4. Fehlerabschätzung für
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
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
MehrEinführung und Grundlagen
Kapitel 1 Einführung und Grundlagen Generelle Notation: Ω, A, P sei ein W-Raum im Hintergrund nie weiter spezifiziert Die betrachteten Zufallsvariablen seien auf Ω definiert, zb X : Ω, A M, A, wobei M,
MehrKlausur,,Algorithmische Mathematik II
Institut für angewandte Mathematik Sommersemester 017 Andreas Eberle, Matthias Erbar / Behrend Heeren Klausur,,Algorithmische Mathematik II Musterlösung 1 (Unabhängige Zufallsvariablen) a) Wir bezeichnen
Mehr4.1 Motivation von Variationsmethoden Variationsmethoden im Sobolevraum Motivation von Variationsmethoden
Kapitel 4 Das Dirichlet Prinzip Bevor wir uns der Lösung von Randwertproblemen mithilfe der eben entwickelten Techniken zuwenden, wollen wir uns einer Idee zur Lösung widmen, die einige Elemente dieser
MehrEinführung in die medizinische Bildverarbeitung WS 12/13
Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel Kurze Wiederholung Pipeline Pipelinestufen können sich unterscheiden, beinhalten aber i.d.r. eine Stufe zur Bildvorverarbeitung zur
MehrTechnische Universität München. Aufgaben Mittwoch SS 2012
Technische Universität München Andreas Wörfel Ferienkurs Analysis 2 für Physiker Aufgaben Mittwoch SS 2012 Aufgabe 1 Äquivalente Aussagen für Stetigkeit( ) Beweisen Sie folgenden Satz: Seien X und Y metrische
MehrStetigkeit, Konvergenz, Topologie
Ferienkurs Seite 1 Technische Universität München Ferienkurs Analysis 1 Hannah Schamoni Wintersemester 2011/12 Stetigkeit, Konvergenz, Topologie 21.03.2012 Inhaltsverzeichnis 1 Stetigkeit und Konvergenz
MehrFinite Elemente. bzw. F + E K = 1. (1)
Dr. S.-J. Kimmerle Institut für Mathematik und Rechneranwendung Fakultät für Luft- und Raumfahrttechnik Wintertrimester 25 Finite Elemente Übung 2 Aufgabe 6 (Eulerscher Polyedersatz für Triangulierung)
MehrRiesz scher Darstellungssatz und Duale Räume
Riesz scher Darstellungssatz und Duale Räume LV Numerik Partieller Differentialgleichungen Bärwolff SS 2010 14.06.2010 Julia Buwaya In der Vorlesung wurde der Riesz sche Dartsellungssatz als wichtiges
MehrDefinition 3.1. Sei A X. Unter einer offenen Überdeckung von A versteht man eine Familie (U i ) i I offener Mengen U i X mit U i
3 Kompaktheit In der Analysis I zeigt man, dass stetige Funktionen f : [a, b] R auf abgeschlossenen, beschränkten Intervallen [a, b] gleichmäßig stetig und beschränkt sind und dass sie ihr Supremum und
MehrD-MATH Funktionalanalysis II FS 2014 Prof. M. Struwe. Lösung 2
D-MATH Funktionalanalysis FS 214 Prof. M. Struwe Lösung 2 1. a) Wir unterscheiden zwei Fälle. Fall 1: 1 < p < : Seien u L p () und (u k ) W 1,p () eine beschränkte Folge, so dass u k u in L p () für k.
Mehr8 1. GEOMETRIE DIFFERENZIERBARER MANNIGFALTIGKEITEN
8 1. GEOMETRIE DIFFERENZIERBARER MANNIGFALTIGKEITEN (vi) Konvergenz von Folgen ist in topologischen Räumen folgendermaßen definiert: Ist (a n ) M eine Folge, so heißt sie konvergent gegen a M, wenn es
MehrDer Fundamentalsatz der Algebra. 1 Motivation
Vortrag im Rahmen des Proseminars zur Analysis, 24. April 2006 Micha Bittner Motivation Den ersten des Fundamentalsatzes der Algebra erbrachte C.F. Gauss im Jahr 799 im Rahmen seiner Dissertation. Heute
MehrDifferentialgleichungen II für Studierende der Ingenieurwissenschaften
Fachbereich Mathematik der Universität Hamburg SoSe 2006 Prof. Dr. R. Lauterbach Dr. K. Rothe Differentialgleichungen II für Studierende der Ingenieurwissenschaften Lösungen zu Blatt 4 Aufgabe 13: Gegeben
MehrAnalysis I. 7. Übungsstunde. Steven Battilana. battilana.uk/teaching
Analysis I 7. Übungsstunde Steven Battilana stevenb@student.ethz.ch battilana.uk/teaching April 26, 207 Erinnerung Satz. (Zwischenwertsatz) Sei f : [a, b] R stetig mit f(a) f(b). Dann gibt es zu jedem
Mehr6 Polynominterpolation
Vorlesungsskript HM-Numerik (SS 2014): Kapitel 6 Version: 1 Juli 2014 6 Polynominterpolation Gegeben: Wertepaare { (x i,f i ) R 2 i = 0,,n } Gesucht: Einfache Funktion g : R R mit g(x i ) = f i i {0,1,,n}
MehrÜbungen zu Einführung in die Analysis
Übungen zu Einführung in die Analysis (Nach einer Zusammengestellung von Günther Hörmann) Sommersemester 2011 Vor den folgenden Aufgaben werden in den ersten Wochen der Übungen noch jene zur Einführung
MehrKommentierte Musterlösung zur Klausur HM II für Naturwissenschaftler
Kommentierte Musterlösung zur Klausur HM II für Naturwissenschaftler Sommersemester 7 (7.8.7). Gegeben ist die Matrix A 3 3 3 (a) Bestimmen Sie sämtliche Eigenwerte sowie die zugehörigen Eigenvektoren.
MehrEine Auswahl wichtiger Definitionen und Aussagen zur Vorlesung»Stochastik für Informatiker und Regelschullehrer«
Eine Auswahl wichtiger Definitionen und Aussagen zur Vorlesung»Stochastik für Informatiker und Regelschullehrer«Werner Linde WS 2008/09 Inhaltsverzeichnis 1 Wahrscheinlichkeiten 2 1.1 Wahrscheinlichkeitsräume...........................
Mehr