Computergrafik 2: Fourier-Transformation
|
|
- Lennart Bäcker
- vor 7 Jahren
- Abrufe
Transkript
1 Computergrafik 2: Fourier-Transformation Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies (Grundlagen der Bildverarbeitung. Pearson Studium, 2005)
2 Themen heute Fourier-Transformation Grundidee Konstruktion der Fourier-Basis Phase und Amplitude Eigenschaften der FT Konvolution und Korrelation im Frequenzraum Schnelle Fourier-Transformation (FFT) Computergrafik 2 SS20 2
3 Motivation Manche Operationen sind im Ortsraum (d.h. auf den Pixeln des Bildes) schwer Herausfiltern bestimmter Frequenzen Beseitigung störender Details Konvolution, Korrelation Frequenzraum als Labor zur Entwicklung von Filtern Idee: übertrage Bild in einen Raum, in dem diese Operationen leichter sind z.b. Zerlegung des Bildes in Frequenzen Rückweg muss möglich sein! Verschiedene Möglichkeiten, gleiches Prinzip Computergrafik 2 SS20 3
4 Beispiel: Artefakte entfernen R. C. Gonzalez & R. E. Woods, Digital Image Processing Computergrafik 2 SS20 4
5 Motivation Bisher: Darstellung des Bildes im Ortsraum durch den Grauwert an einem bestimmten Ort Jetzt: Darstellung im Frequenzraum durch cos und sin Funktionen verschiedener Frequenzen Eindeutige und vollständige Darstellung in beiden Räumen Ortsraum Frequenzraum Fourier-Transformation inverse Fourier- Transformation Computergrafik 2 SS20 5
6 Fourier Jean Baptiste Joseph Fourier ( ) Französischer Physiker und Mathematiker Erfinder der Fourier- Transformation Johann Bernoulli Advisor Leonhard Euler Advisor Joseph Louis Lagrange Advisor Jean Baptiste Joseph Fourier Quelle: Computergrafik 2 SS20 6
7 Fourier-Transformation: Grundidee Beschreibe beliebige Funktion als gewichtete Summe periodischer Grundfunktionen (Basisfunktionen) mit unterschiedlicher Frequenz Computergrafik 2 SS20 7
8 Parameter Periodischer Grundfunktionen y(x) Asin(2! f x +") A Amplitude: Intensität des Signals φ Phase: Verschiebung zum Ursprung Frequenz zeitlich f(t) Frequenz räumlich f(x) T Periodendauer [s] λ Wellenlänge [m] f Frequenz f /T [/shz] f Raumfrequenz f/λ [/m] ω Kreisfrequenz ω2πf k Wellenzahl k 2π/λ y A φ T bzw. λ x Computergrafik 2 SS20 8
9 Funktion mit sin und cos multiplizieren Originalfunktion f (x), x 0.. Abtastungsfunktionen cos(!2! x) sin(!2! x) Ergebnis (f*sin und f*cos) f (x)! cos("2! x) f (x)!sin("2! x) Computergrafik 2 SS20 9
10 sin(!2! x) f (x)"sin(!2! x) F sin () sin(!2! 2x) f (x)"sin(!2! 2x) F sin (2) sin(!2! 4x) f (x)"sin(!2! 4x) F sin (4) # $ f (x)sin(...)dx 0!# sin(!2! 5x) f (x)"sin(!2! 5x) F sin (5) # $ f (x)sin(...)dx 0!# sin(!2! 3x) f (x)"sin(!2! 3x) F sin (3) # $ f (x)sin(...)dx > 0!# # $ f (x)sin(...)dx > 0!# # $ f (x)sin(...)dx > 0!# f (x) Computergrafik 2 SS20 0
11 cos(!2! x) f (x)" cos(!2! x) F cos () cos(!2! 2x) f (x)" cos(!2! 2x) F cos (2) cos(!2! 4x) f (x)" cos(!2! 4x) F cos (4) # $ f (x)" cos(...)dx 0!# cos(!2! 5x) f (x)" cos(!2! 5x) F cos (5) f (x) # $ f (x)" cos(...)dx 0!# cos(!2! 3x) f (x)" cos(!2! 3x) F cos (3) # $ f (x)" cos(...)dx 0!# # $ f (x) " cos(...)dx 0!# # $ f (x)" cos(...)dx 0!# Computergrafik 2 SS20
12 Fouriers Theorem Jede beliebige periodische Funktion lässt sich darstellen als Summe von sin und cos Funktionen unterschiedlicher Frequenzen. Ist die Funktion nicht periodisch, aber auf einen bestimmten Definitionsbereich beschränkt, so kann man diesen Bereich einfach kopieren (periodisch fortsetzen) und hat damit wieder eine periodische Funktion. Die Zeilen und Spalten eines Bildes kann man als nichtperiodische diskrete Funktionen auffassen. Man kann also auch ein Bild Fourier-transformieren. Computergrafik 2 SS20 2
13 kontinuierliche Fourier-Transformation Transformation vom Ortsraum in den Frequenzraum F(u) # "!" f (x)e!2!ixu dx Transformation vom Frequenzraum in den Ortsraum f (x) # "!" F(u)e 2!ixu du Im z a+bi re iφ r φ sin φ b - cos φ Re a - Computergrafik 2 SS20 3
14 Ist ein Bild eine periodische Funktion? Computergrafik 2 SS20 4
15 Ist ein Bild eine periodische Funktion? Zunächst: Betrachtung der periodischen Fortführung einer Zeile λ (N Pixel) λ (N Pixel) λ (N Pixel) λ (N Pixel) λ (N Pixel) Computergrafik 2 SS20 5
16 Beispiel: F()... Originalfunktion f (x), x 0.. Gewichtungsfunktionen real(e!i2! x ) cos(!2! x) imag(e!i2! x ) sin(!2! x) Ergebnis (f*sin und f*cos) real( f (x)! e "i2! x ) imag( f (x)! e "i2! x ) F() # $ f (x)! e "i2! x dx, F() > 0 "# Computergrafik 2 SS20 6
17 Beispiel: F(2)... Originalfunktion f (x), x 0.. Gewichtungsfunktionen real(e!i2! 2 x ) cos(!2! 2x) imag(e!i2! 2 x ) sin(!2! 2x) Ergebnis (f*sin und f*cos) real( f (x)! e "i2! 2 x ) imag( f (x)! e "i2! 2 x ) F(2) # $ f (x)! e "i2! 2 x dx, F(2) 0 "# Computergrafik 2 SS20 7
18 e!i2! x f (x)e!i2! x f (x) # F() $ f (x)" e!i2! x dx > 0 e!i2! 2 x!# f (x)" e!i2! 2 x F(2) # $ f (x)" e!i2! 2 x dx 0!#!i2! 3x e!i2! 3x f (x)" e F(3) e!i2! 4 x f (x)" e!i2! 4 x # $ f (x)" e!i2! 3x dx > 0!# F(4) # $ f (x)e!i2! 4 x dx 0!#!i2! 5x e!i2! 5x f (x)" e F(5) # $ f (x)" e!i2! 5x dx > 0!# Computergrafik 2 SS20 8
19 Fourier-Transformation: Eigenschaften Transformation: verändert eine Funktion nicht, sondern stellt sie nur anders dar Transformation ist umkehrbar à inverse Fourier-Transformation Analog zum Basiswechsel in der Vektorrechnung Computergrafik 2 SS20 9
20 Computergrafik 2 SS20 20 Exkurs: Vektorrechnung 0 0, 0 0, 0 0 bilden eine Basis b des R 3 sind paarweise orthogonal haben Länge 0 0, 0 2 / 2 /, 0 2 / 2 / bilden ebenfalls eine Basis b 2 des R 3 sind ebenfalls paarweise orthogonal Haben ebenfalls Länge / 2 / 0 2 / 2 / Ist orthogonal und normiert (d.h. M T M - ) Ist Basiswechselmatrix von b nach b 2
21 Basiswechsel Sei V ein n-dimensionaler Vektorraum über Körper K mit Basen B{b,..., b n } und B {b,..., b n } Darstellung der Vektoren von B in B : Darstellung des Vektors v in B: Darstellung des Vektors v in B : v v n! i n! i b j x i b i x i 'b i ' n! i a ij b i ' v n n n n " n % n n! x j b j! x! j a ij b i '! $! x j a iji ' b ' i! c i b i '! x i 'b i ' j j i i # j & i i Computergrafik 2 SS20 2
22 Basiswechsel v n n n n " n % n n! x j b j! x! j a ij b i '! $! x j a iji ' b ' i! c i b i '! x i 'b i ' j j i i # j & i i Also: x i ' n! j x j a iji mit b j n! i a ij b i ' in Matrix-Notation:! # # # " x '! x n ' $! & # & # & # % " a " a n! #! a n " a nn $! &# &# & # %" x! x n $ & & & % Computergrafik 2 SS20 22
23 Anschaulich: Basisvektoren eines Bildes 0 0 * * + * + 0 * bilden eine Basis des R 4 sind paarweise orthogonal haben Länge Wahl anderer Basisvektoren è Transformation mittels Basiswechsel Basiswechselmatrix vom Rang der Pixelanzahl Computergrafik 2 SS20 23
24 Orthogonale Funktionen Seien f und f 2 Funktionen, die an N Stellen abgetastet sind (also N-dim. Vektoren) f und f 2 sind orthogonal, falls gilt: * N f f f ( k) f ( k) 2 k 0 2 D.h. das Skalarprodukt der zugehörigen Vektoren ist 0 N paarweise orthogonale Funktionen f f N bilden damit eine orthogonale Basis des N-dim. Raums Transformationen zwischen orthogonalen Basen sind immer umkehrbar 0 Computergrafik 2 SS20 24
25 Orthogonale Funktionen Computergrafik 2 SS20 25
26 Orthogonale Funktionstransformationen Betrachte abgetastete Funktionen wie Vektoren Finde neue geeignete orthogonalen Basis Üblicherweise Basisfunktionen, die Bedeutung bzgl. der betrachteten Eigenschaft haben Fourier-Basis: komplexe, periodische Funktionen Kosinusbasis: Kosinusfunktionen Transformiere Bild in diese Basis Bearbeite es dort Transformiere zurück y Ax x A y Computergrafik 2 SS20 26
27 Fourierbasis (. Versuch, nur cos) Ausgangspunkt: Bildzeile mit N Pixeln. Versuch: wähle N Kosinusfunktionen " cos$ 0! 2! # N % & ', cos " $! 2! # N % & ', cos " $ 2! 2! # N % & ',..., cos " $ (N ()! 2! # N % ' & Beispiel nächste Folie: N 5 Problem: abgetastete Funktionswerte gleich für i und i4 sowie i 2 und i 3 also keine Basis der Dimension N 5 Vektoren spannen nur 3-dim. Untervektorraum auf Computergrafik 2 SS20 27
28 0*2π/5 *2π/5 2*2π/5 3*2π/5 4*2π/5 5*2π/5 6*2π/5 7*2π/ Computergrafik 2 SS20 28
29 Fourierbasis (. Versuch, nur cos) N5, u i, u j 4 N u j Problem: falls u i N u j ist, sind die Abtastungen gleich è nur N/2 Funktionen verfügbar, keine Basis Siehe auch Shannon-Nyquist Theorem, Aliasing Computergrafik 2 SS20 29
30 Fourierbasis (. Versuch, nur cos) N 4 Computergrafik 2 SS20 30
31 0*2π/5 *2π/5 2*2π/5 3*2π/5 4*2π/5 5*2π/5 6*2π/5 7*2π/5 cos: sin: cos: sin: cos: sin: cos: sin: cos: sin: cos: sin: cos: sin: cos: sin: Computergrafik 2 SS20 3
32 Basisfunktionspaare (cos, sin) N 4 Computergrafik 2 SS20 32
33 Erinnerung: komplexe Zahlen Im Bereich der reellen Zahlen gibt es keine Lösung für x² - Einführung der imaginären Zahlen i: Lösung der Gleichung x² - Die Gruppe der reellen und imaginären Zahlen nennt man komplexe Zahlen Komplexe Zahl z: z a + i b, wobei a und b reell sind Computergrafik 2 SS20 33
34 Erinnerung: komplexe Zahlen Imaginäre Achse Realteil a r θ z Imaginärteil i*b Reelle Achse z iθ a + ib r e r(cos( θ) + i sin( θ )) Computergrafik 2 SS20 34
35 Komplexe periodische Funktionen Computergrafik 2 SS20 35
36 Komplexes Skalarprodukt Skalarprodukt zweier Vektoren mit komplexen Elementen! x b! N" N" # x i! y * i # Re(x i )+ iim(x i ) i0 i0 ( )( Re(y i )"iim(y i )) Zu x a + ib komplexkonjugierte Zahl ist x* a - ib Computergrafik 2 SS20 36
37 Fourierbasis (2. Versuch, komplexe Fn.) 2. Versuch: wähle komplexe Funktionen f cos( un) + isin( un) Wobei u ein ganzzahliges Vielfaches von u 0 2π/N à N verschiedene Funktionen Ist eine Basis Computergrafik 2 SS20 37
38 Repräsentation als Exponentialfunktion cos( α α i( x+ α ) x + ) + isin( x + ) e e ix e iα Computergrafik 2 SS20 38
39 D-Basisfunktionen 0 0 b 0 (n) [(, 0),(, 0),...,(, 0)] Computergrafik 2 SS20 39
40 2D-Basisfunktionen Frequenz: Richtungsvektor: r(u, v) f (u, v) u 2 + v 2 f (u, v)! # " Computergrafik 2 SS20 40 u v $ & %
41 2D-Fourier-Transformationspaar Transformationspaar für Bilder der Größe M N Transformation vom Ortsraum in den Frequenzraum F(u, v) ) M" m0) N" n0 # # f (m, n)! exp %"i2! % um M + vn $ $ N Transformation vom Frequenzraum in den Ortsraum f (m, n) MN ) M( m0) N( n0 && (( '' " " F(u, v)! exp$ i2! $ um M + vn # # N %% '' && Computergrafik 2 SS20 4
42 2D-Fourier-Transformationspaar Transformationspaar für Bilder der Größe N N Transformation vom Ortsraum in den Frequenzraum F(u, v) N ) N" m0) N" n0 # f (m, n)! exp %"i 2! $ N & ( um + vn) ( ' Transformation vom Frequenzraum in den Ortsraum f (m, n) N ) N( m0) N( n0 " F(u, v)! exp$ i 2! # N % ( um + vn) ' & Computergrafik 2 SS20 42
43 Phase und Amplitude Funktionswerte von F(u,v) a+ib sind komplexe Zahlen Betrag eines Funktionswerts: Amplitude F(u,v) sqrt(a 2 +b 2 ) Winkel zur reellen Achse: Phase tan - (b/a) Amplitude und Phase sind Parameter der jeweiligen Basisfunktion Computergrafik 2 SS20 43
44 Zweidimensionale Fouriertransformation Computergrafik 2 SS20 44
45 Beispiele für Amplitude FT FT Computergrafik 2 SS20 45
46 Darstellungsweise Original Amplitude (zentriert, d.h. von N/2 bis N/2) Amplitude (log. Skala) Amplitude (zentriert, log. Skala) Computergrafik 2 SS20 46
47 Beispiele Amplitude Phase Computergrafik 2 SS20 47
48 Einfluss von Amplitude und Phase Computergrafik 2 SS20 48
49 Translation Computergrafik 2 SS20 49
50 Computergrafik 2 SS20 50
51 Phasenverschiebung Computergrafik 2 SS20 5
52 Computergrafik 2 SS20 52
53 Periodizität und Symmetrie F(u) ) N" n0 # f (n)! exp "i2! un & % ( $ N ' x Computergrafik 2 SS20 53
54 Separabilität Computergrafik 2 SS20 54
55 Konvolution und Korrelation Konvolution und Korrelation sind zwei eng verwandte Filter-Operationen. Beide können im Ortsraum und im Frequenzraum ausgeführt werden. Die Operation im Frequenzraum ist eine einfache Multiplikation (Aufwand N 2 ). Achtung: Padding wegen Periodizität! P A + B - Computergrafik 2 SS20 55
56 Konvolution im Frequenzraum Computergrafik 2 SS20 56
57 Konvolution im Frequenzraum D-Konvolution f (x)! h(x) $ N# f (n)" h(x # n) n0 % F(u)" H(u) 2D-Konvolution M" # f (x, y)! h(x, y) f (m, n) $ h(x " m, y " n) m0# n0 % F(u, v)$ H(u, v) N" Computergrafik 2 SS20 57
58 Wraparound Error Padding: P A + B - R. C. Gonzalez & R. E. Woods, Digital Image Processing Computergrafik 2 SS20 58
59 Padding R. C. Gonzalez & R. E. Woods, Digital Image Processing Computergrafik 2 SS20 59
60 FAST FOURIER TRANSFORM (FFT) Computergrafik 2 SS20 60
61 Vorgehensweise generell Vereinfachende Annahme: N2 k, k> Nutze Separabilität, um 2D-FT auf D zurückzuführen (O(N 4 ) à O(N 3 )) Teile Summe in zwei Teilsummen auf Finde Gemeinsamkeiten in den Teilsummen und berechne beide Teilsummen miteinander Betrachte die Teilsumme und unterteile rekursiv bis N (O(N 3 ) à O(N 2 log N) Computergrafik 2 SS20 6
62 Computergrafik 2 SS20 62 Separabilität ) ( 2 exp 2 )exp, ( 2 exp 2 exp 2 )exp, ( 2 exp 2 )exp, ( ) ( 2 )exp, ( ), ( N m u N m N n N m N n N m N n N m N n m F um N i N vn N i n m f N um N i N um N i vn N i n m f N N vn N i um N i n m f N vn um N i n m f N v u F π π π π π π π π Vorgehensweise: F u (m) für alle Spalten m berechnen und dann bei den Zeilen verwenden.
63 Computergrafik 2 SS20 63 Divide Schritt ) ( ) )( (2 ) )( (2 2 ) )( ( 2 ) )( ( ) ( 2 exp, 2 K n u n K K n nu K K n un K N n un N N W n f K W n f K W n f K W n f N u F N i W K N π ( ) u K odd even K n nu K odd K n nu K even W u F u F u F W n f K u F W n f K u F ) )( ( ) ( 2 ) ( ) )( (2 ) (, ) )( (2 ) ( Finde Gemeinsamkeiten in den Teilsummen Teile Summe in zwei Teilsummen auf
64 Ausnutzen der Periodizität ( W K ) u+n ( W K ) u,( W 2K ) u+k!( W 2K ) u " N 2K,W N exp $!i 2! # N % ' & ( ) 2 F u + K even ( ) + F odd ( u + K) ( W 2K ) u+k F u + K 2 F even u ( ) ( ( )! F odd ( u) ( W 2K ) u ) Also kann man F(u+K) mithilfe F(u) berechnen (einmal F even + F odd, einmal F even F odd ) Betrachte die Teilsumme [0 K-] und unterteile rekursiv bis K (O(n 3 ) à O(n 2 log n) Computergrafik 2 SS20 64
65 Fourier Transformation zum Anschauen exploratories/ Computergrafik 2 SS20 65
66 Überlagerung von Schwingungen: anschaulich Computergrafik 2 SS20 66
Computergrafik 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
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
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
MehrBildverarbeitung: Fourier-Transformation. D. Schlesinger () BV: Fourier-Transformation 1 / 16
Bildverarbeitung: Fourier-Transformation D. Schlesinger () BV: Fourier-Transformation 1 / 16 Allgemeines Bilder sind keine Vektoren. Bilder sind Funktionen x : D C (Menge der Pixel in die Menge der Farbwerte).
MehrComputergrafik 1 2. Teil: Bildverarbeitung
1 Computergrafik 1 2. Teil: Bildverarbeitung Digitalfotografie, Abtastung von Bildern, Konvolution und Korrelation, Fouriertransformation 2 Themen heute Bilder aus der Digitalfotografie Kontrastumfang,
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
MehrMathematik, Signale und moderne Kommunikation
Natur ab 4 - PH Baden Mathematik, Signale und moderne Kommunikation 1 monika.doerfler@univie.ac.at 29.4.2009 1 NuHAG, Universität Wien monika.doerfler@univie.ac.at Mathematik, Signale und moderne Kommunikation
MehrKonvergenz und Stetigkeit
Mathematik I für Biologen, Geowissenschaftler und Geoökologen 12. Dezember 2007 Konvergenz Definition Fourierreihen Obertöne Geometrische Reihe Definition: Eine Funktion f : D R d heißt beschränkt, wenn
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
MehrKonvergenz und Stetigkeit
Mathematik I für Biologen, Geowissenschaftler und Geoökologen 10. Dezember 2008 Konvergenz Definition Fourierreihen Obertöne Geometrische Reihe Definition: Eine Funktion f : D R d heißt beschränkt, wenn
MehrComputergrafik 2: Übung 6. Korrelation im Orts- und Frequenzraum, Filtern im Frequenzraum, Wiener Filter
Computergrafik : Übung 6 Korrelation im Orts- und Frequenzraum, Filtern im Frequenzraum, Wiener Filter Quiz Warum Filtern im Frequenzraum? Ideales Tiefpassfilter? Parameter? Eigenschaften? Butterworth-Filter?
MehrFourier-Reihen und Fourier-Transformation
Fourier-Reihen und Fourier-Transformation Matthias Dreÿdoppel, Martin Koch, Bernhard Kreft 25. Juli 23 Einleitung Im Folgenden sollen dir und die Fouriertransformation erläutert und mit Beispielen unterlegt
MehrTechnische Universität
Technische Universität München Fakultät für Informatik Forschungs- und Lehreinheit Informatik IX Filterung im Frequenzraum: Fouriertransformation Proseminar: Grundlagen Bildverarbeitung / Bildverstehen
MehrErfüllt eine Funktion f für eine feste positive Zahl p und sämtliche Werte t des Definitionsbereichs die Gleichung
34 Schwingungen Im Zusammenhang mit Polardarstellungen trifft man häufig auf Funktionen, die Schwingungen beschreiben und deshalb für den Ingenieur von besonderer Wichtigkeit sind Fast alle in der Praxis
MehrTechnische Universität München
Technische Universität München Michael Schreier Ferienkurs Lineare Algebra für Physiker Vorlesung Montag WS 2008/09 1 komplexe Zahlen Viele Probleme in der Mathematik oder Physik lassen sich nicht oder
MehrBeate Meffert, Olaf Hochmuth: Werkzeuge der Signalverarbeitung, Pearson 2004
4 Signalverarbeitung 4.1! Grundbegriffe! 4.2! Frequenzspektren, Fourier-Transformation! 4.3! Abtasttheorem: Eine zweite Sicht Weiterführende Literatur (z.b.):!! Beate Meffert, Olaf Hochmuth: Werkzeuge
MehrFourier Optik. Zeit. Zeit
Fourier Optik Beispiel zur Fourier-Zerlegung: diskretes Spektrum von Sinus-Funktionen liefert in einer gewichteten Überlagerung näherungsweise eine Rechteckfunktion Sin t Sin 3t Sin 5t Sin 7t Sin 9t Sin
MehrLineare Algebra. Mathematik II für Chemiker. Daniel Gerth
Lineare Algebra Mathematik II für Chemiker Daniel Gerth Überblick Lineare Algebra Dieses Kapitel erklärt: Was man unter Vektoren versteht Wie man einfache geometrische Sachverhalte beschreibt Was man unter
MehrAUFGABENSAMMLUNG ZU VEKTORRECHNUNG FÜR USW
AUFGABENSAMMLUNG ZU VEKTORRECHNUNG FÜR USW Lineare Gleichungssysteme Lösen Sie folgende Gleichungssysteme über R: a) x + x + x = 6x + x + x = 4 x x x = x 7x x = 7 x x = b) x + x 4x + x 4 = 9 x + 9x x x
Mehr2.9 Die komplexen Zahlen
LinAlg II Version 1 3. April 2006 c Rudolf Scharlau 121 2.9 Die komplexen Zahlen Die komplexen Zahlen sind unverzichtbar für nahezu jede Art von höherer Mathematik. Systematisch gehören sie zum einen in
MehrVektorräume. 1. v + w = w + v (Kommutativität der Vektoraddition)
Vektorräume In vielen physikalischen Betrachtungen treten Größen auf, die nicht nur durch ihren Zahlenwert charakterisiert werden, sondern auch durch ihre Richtung Man nennt sie vektorielle Größen im Gegensatz
Mehr10.2 Linearkombinationen
147 Vektorräume in R 3 Die Vektorräume in R 3 sind { } Geraden durch den Ursprung Ebenen durch den Ursprung R 3 Analog zu reellen Vektorräumen kann man komplexe Vektorräume definieren. In der Definition
MehrBrückenkurs Mathematik. Mittwoch Freitag
Brückenkurs Mathematik Mittwoch 5.10. - Freitag 14.10.2016 Vorlesung 4 Dreiecke, Vektoren, Matrizen, lineare Gleichungssysteme Kai Rothe Technische Universität Hamburg-Harburg Montag 10.10.2016 0 Brückenkurs
MehrMathematischer Vorkurs für Physiker WS 2012/13: Vorlesung 1
TU München Prof. P. Vogl Mathematischer Vorkurs für Physiker WS 2012/13: Vorlesung 1 Komplexe Zahlen Das Auffinden aller Nullstellen von algebraischen Gleichungen ist ein Grundproblem, das in der Physik
Mehr4.1. Vektorräume und lineare Abbildungen
4.1. Vektorräume und lineare Abbildungen Mengen von Abbildungen Für beliebige Mengen X und Y bezeichnet Y X die Menge aller Abbildungen von X nach Y (Reihenfolge beachten!) Die Bezeichnungsweise erklärt
MehrEinführung in die Physik I. Schwingungen und Wellen 1
Einführung in die Physik I Schwingungen und Wellen O. von der Lühe und U. Landgraf Schwingungen Periodische Vorgänge spielen in eine große Rolle in vielen Gebieten der Physik E pot Schwingungen treten
MehrComputergrafik 2: Morphologische Operationen
Computergrafik 2: Morphologische Operationen 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
MehrMerkmale von Bildregionen, Einführung in Spektraltechniken
Merkmale von Bildregionen, Einführung in Spektraltechniken Industrielle Bildverarbeitung, Vorlesung No. 10 1 M. O. Franz 12.12.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger
MehrHilfsblätter Lineare Algebra
Hilfsblätter Lineare Algebra Sebastian Suchanek unter Mithilfe von Klaus Flittner Matthias Staab c 2002 by Sebastian Suchanek Printed with L A TEX Inhaltsverzeichnis 1 Vektoren 1 11 Norm 1 12 Addition,
MehrÜbungen zu Einführung in die Lineare Algebra und Geometrie
Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Sommersemester 2010 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax = b
MehrDynamische Systeme und Zeitreihenanalyse // Komplexe Zahlen 3 p.2/29
Dynamische Systeme und Zeitreihenanalyse Komplexe Zahlen Kapitel 3 Statistik und Mathematik WU Wien Michael Hauser Dynamische Systeme und Zeitreihenanalyse // Komplexe Zahlen 3 p.0/29 Motivation Für die
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:
MehrLineare Algebra und analytische Geometrie II
Prof. Dr. H. Brenner Osnabrück SS 2016 Lineare Algebra und analytische Geometrie II Vorlesung 34 Die Diagonalisierbarkeit von Isometrien im Komplexen Satz 34.1. Es sei V ein endlichdimensionaler C-Vektorraum
MehrMathematische Grundlagen für die Vorlesung. Differentialgeometrie
Mathematische Grundlagen für die Vorlesung Differentialgeometrie Dr. Gabriele Link 13.10.2010 In diesem Text sammeln wir die nötigen mathematischen Grundlagen, die wir in der Vorlesung Differentialgeometrie
MehrUniversität Stuttgart Physik und ihre Didaktik PD Dr. Holger Cartarius. Matrizen. a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A = a m,1 a m,2 a m,n
Universität Stuttgart Physik und ihre Didaktik PD Dr Holger Cartarius Matrizen Matrizen: Ein rechteckiges Zahlenschema der Form a 1,1 a 1,2 a 1,n a 2,1 a 2,2 a 2,n A a m,1 a m,2 a m,n (a) nennt man eine
MehrKapitel 3 Lineare Algebra
Kapitel 3 Lineare Algebra Inhaltsverzeichnis VEKTOREN... 3 VEKTORRÄUME... 3 LINEARE UNABHÄNGIGKEIT UND BASEN... 4 MATRIZEN... 6 RECHNEN MIT MATRIZEN... 6 INVERTIERBARE MATRIZEN... 6 RANG EINER MATRIX UND
Mehr2. Dezember Lineare Algebra II. Christian Ebert & Fritz Hamm. Skalarprodukt, Norm, Metrik. Matrizen. Lineare Abbildungen
Algebra und Algebra 2. Dezember 2011 Übersicht Algebra und Algebra I Gruppen & Körper Vektorräume, Basis & Dimension Algebra Norm & Metrik Abbildung & Algebra I Eigenwerte, Eigenwertzerlegung Singulärwertzerlegung
MehrVorkurs: Mathematik für Informatiker
Vorkurs: Mathematik für Informatiker Teil 4 Wintersemester 2017/18 Steven Köhler mathe@stevenkoehler.de mathe.stevenkoehler.de 2 c 2017 Steven Köhler Wintersemester 2017/18 Inhaltsverzeichnis Teil 1 Teil
MehrNachrichtentechnik [NAT] Kapitel 4: Fourier-Transformation. Dipl.-Ing. Udo Ahlvers HAW Hamburg, FB Medientechnik
Nachrichtentechnik [NAT] Kapitel 4: Fourier-Transformation Dipl.-Ing. Udo Ahlvers HAW Hamburg, FB Medientechnik Sommersemester 25 Inhaltsverzeichnis Inhalt Inhaltsverzeichnis 4 Fourier-Transformation 3
MehrViele wichtige Operationen können als lineare Abbildungen interpretiert werden. Beispielsweise beschreibt die lineare Abbildung
Kapitel 3 Lineare Abbildungen Lineare Abbildungen sind eine natürliche Klasse von Abbildungen zwischen zwei Vektorräumen, denn sie vertragen sich per definitionem mit der Struktur linearer Räume Viele
MehrBehandlung der komplexen Darstellung von Wellen: Negative Frequenzen und komplexe Felder
Behandlung der komplexen Darstellung von Wellen: Negative Frequenzen und komplexe Felder Bei der Behandlung reeller elektromagnetischer Felder im Fourierraum ist man mit der Tatsache konfrontiert, dass
Mehr4.3 Reelle Skalarprodukte, Hermitesche Formen, Orthonormalbasen
196 KAPITEL 4. VEKTORRÄUME MIT SKALARPRODUKT 4. Reelle Skalarprodukte, Hermitesche Formen, Orthonormalbasen In diesem Abschnitt betrachten wir Vektorräume über IR und über C. Ziel ist es, in solchen Vektorräumen
MehrStefan Ruzika. 24. April 2016
Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz 24. April 2016 Stefan Ruzika 2: Körper 24. April 2016 1 / 21 Gliederung 1 1 Schulstoff 2 Körper Definition eines Körpers
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
Mehr, v 3 = und v 4 =, v 2 = V 1 = { c v 1 c R }.
154 e Gegeben sind die Vektoren v 1 = ( 10 1, v = ( 10 1. Sei V 1 = v 1 der von v 1 aufgespannte Vektorraum in R 3. 1 Dann besteht V 1 aus allen Vielfachen von v 1, V 1 = { c v 1 c R }. ( 0 ( 01, v 3 =
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
MehrBildpunkt auf dem Gitter: Pixel (picture element) (manchmal auch Pel)
4. Digitalisierung und Bildoperationen 4.1 Digitalisierung (Sampling, Abtastung) Rasterung auf 2D-Bildmatrix mathematisch: Abb. einer 2-dim. Bildfunktion mit kontinuierlichem Definitionsbereich auf digitales
MehrFortgeschrittene Mathematik Raum und Funktionen
Fortgeschrittene Mathematik Raum und Funktionen Thomas Zehrt Universität Basel WWZ Thomas Zehrt (Universität Basel WWZ) R n und Funktionen 1 / 33 Outline 1 Der n-dimensionale Raum 2 R 2 und die komplexen
Mehr11 Komplexe Zahlen. Themen: Der Körper der komplexen Zahlen Die Mandelbrot-Menge Der Fundamentalsatz der Algebra
11 Komplexe Zahlen Themen: Der Körper der komplexen Zahlen Die Mandelbrot-Menge Der Fundamentalsatz der Algebra Addition ebener Vektoren Sei Ê 2 = {(x, y) : x, y Ê}. Ê 2 können wir als Punkte in der Ebene
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
Mehr2.3.4 Drehungen in drei Dimensionen
2.3.4 Drehungen in drei Dimensionen Wir verallgemeinern die bisherigen Betrachtungen nun auf den dreidimensionalen Fall. Für Drehungen des Koordinatensystems um die Koordinatenachsen ergibt sich 1 x 1
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
Mehr10 Komplexe Zahlen. 2. Februar Komplexe Multiplikation: Für zwei Vektoren. z 1 =
2. Februar 2009 66 0 Komplexe Zahlen 0. Komplexe Multiplikation: Für zwei Vektoren [ [ a a2 z =, z 2 = in R 2 wird neben der üblichen Addition die komplexe Multiplikation [ a a z z 2 := 2 b b 2 a b 2 +
MehrGRUNDLAGEN MATHEMATIK
Mathematik und Naturwissenschaften Fachrichtung Mathematik, Institut für Numerische Mathematik GRUNDLAGEN MATHEMATIK 6. Komplexe Zahlen Prof. Dr. Gunar Matthies Wintersemester 2015/16 G. Matthies Grundlagen
MehrBrückenkurs Mathematik
Brückenkurs Mathematik 6.10. - 17.10. Vorlesung 3 Geometrie Doris Bohnet Universität Hamburg - Department Mathematik Mi 8.10.2008 1 Geometrie des Dreiecks 2 Vektoren Länge eines Vektors Skalarprodukt Kreuzprodukt
Mehr5 Lineare Algebra (Teil 3): Skalarprodukt
5 Lineare Algebra (Teil 3): Skalarprodukt Der Begriff der linearen Abhängigkeit ermöglicht die Definition, wann zwei Vektoren parallel sind und wann drei Vektoren in einer Ebene liegen. Daß aber reale
Mehr1 Euklidische und unitäre Vektorräume
1 Euklidische und unitäre Vektorräume In diesem Abschnitt betrachten wir reelle und komplexe Vektorräume mit Skalarprodukt. Dieses erlaubt uns die Länge eines Vektors zu definieren und (im Fall eines reellen
MehrLineare Algebra: Determinanten und Eigenwerte
: und Eigenwerte 16. Dezember 2011 der Ordnung 2 I Im Folgenden: quadratische Matrizen Sei ( a b A = c d eine 2 2-Matrix. Die Determinante D(A (bzw. det(a oder Det(A von A ist gleich ad bc. Det(A = a b
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
MehrKapitel 7. Lineare Abbildungen. 7.1 Motivation
Kapitel 7 Lineare Abbildungen 71 Motivation Verschieben, Drehen und Scheren sind parallelentreu, dh sie lassen sich auch als Abbildung zwischen Vektorräumen fomulieren Die Verschiebung, beispielsweise,
Mehr9. Übungsblatt zur Mathematik I für Maschinenbau
Fachbereich Mathematik Prof. Dr. M. Joswig Dr. habil. Sören Kraußhar Dipl.-Math. Katja Kulas 9. Übungsblatt zur Mathematik I für Maschinenbau Gruppenübung WS /..-4.. Aufgabe G (Koordinatentransformation)
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.
Mehrentspricht der Länge des Vektorpfeils. Im R 2 : x =
Norm (oder Betrag) eines Vektors im R n entspricht der Länge des Vektorpfeils. ( ) Im R : x = x = x + x nach Pythagoras. Allgemein im R n : x x = x + x +... + x n. Beispiele ( ) =, ( 4 ) = 5, =, 4 = 0.
MehrKOMPLEXE ZAHLEN UND FUNKTIONEN
Übungen zu Theoretische Physik L2 KOMPLEXE ZAHLEN UND FUNKTIONEN E I N R E F E R A T M I T A N N E T T E Z L A T A R I T S U N D F L O R I A N G R A B N E R. 2 1. 1 0. 2 0 1 3 INHALT Geschichte Definition
Mehr3 Matrizenrechnung. 3. November
3. November 008 4 3 Matrizenrechnung 3.1 Transponierter Vektor: Die Notation x R n bezieht sich per Definition 1 immer auf einen stehenden Vektor, x 1 x x =.. x n Der transponierte Vektor x T ist das zugehörige
MehrÜbungen zu Einführung in die Lineare Algebra und Geometrie
Übungen zu Einführung in die Lineare Algebra und Geometrie Andreas Cap Wintersemester 2014/15 Kapitel 1: Einleitung (1) Für a, b Z diskutiere analog zur Vorlesung das Lösungsverhalten der Gleichung ax
Mehr3 Der Körper der komplexen Zahlen
3 Der Körper der kompleen Zahlen Nicht jede quadratische Gleichung hat eine reelle Lösung + p + q = (p, q R) Beispiel: Für alle R ist und daher + 1 Abhilfe: Man erweitert R zu einem größerem Körper C,
MehrSerie 10: Inverse Matrix und Determinante
D-ERDW, D-HEST, D-USYS Mathematik I HS 5 Dr Ana Cannas Serie 0: Inverse Matrix und Determinante Bemerkung: Die Aufgaben dieser Serie bilden den Fokus der Übungsgruppen vom und 5 November Gegeben sind die
MehrVorkurs Mathematik-Physik, Teil 5 c 2016 A. Kersch
Vorkurs Mathematik-Physik, Teil 5 c 206 A. Kersch Vektoren. Vektorrechnung Definition Ein Vektor ist eine gerichtete Größe welche einen Betrag ( Zahl und eine Richtung ( in 2D, 2 in 3D hat. Alternativ
MehrFerienkurs - Lineare Algebra. Hanna Schäfer. Merkinhalte
Technische Universität München, Fakultät für Physik Ferienkurs - ineare Algebra Hanna Schäfer 03. März 04 0. inearität. f : M N, x : y = f(x) Merkinhalte. f(x + λy) = f(x) + λf(y), x, y V, λ K 3. ineare
Mehr7 Lineare Abbildungen und Skalarprodukt
Mathematik II für inf/swt, Sommersemester 22, Seite 121 7 Lineare Abbildungen und Skalarprodukt 71 Vorbemerkungen Standard Skalarprodukt siehe Kap 21, Skalarprodukt abstrakt siehe Kap 34 Norm u 2 u, u
MehrLineare Algebra. 1 Lineare Abbildungen
Lineare Algebra Die lineare Algebra ist ein Teilgebiet der Mathematik, welches u. A. zur Beschreibung geometrischer Abbildungen und diverser Prozesse und zum Lösen linearer Gleichungssysteme mit Hilfe
MehrAddition, Subtraktion und Multiplikation von komplexen Zahlen z 1 = (a 1, b 1 ) und z 2 = (a 2, b 2 ):
Komplexe Zahlen Definition 1. Eine komplexe Zahl z ist ein geordnetes Paar reeller Zahlen (a, b). Wir nennen a den Realteil von z und b den Imaginärteil von z, geschrieben a = Re z, b = Im z. Komplexe
MehrMathematik 1 für Wirtschaftsinformatik
für Wirtschaftsinformatik Wintersemester 2012/13 Hochschule Augsburg Argumentationstechniken Direkter Beweis einer Implikation A B (analog Äquivalenz A B): A C 1 C 2... B Beweis von A B durch Gegenbeispiel
MehrKomplexe Funktionen. für Studierende der Ingenieurwissenschaften Technische Universität Hamburg-Harburg. Reiner Lauterbach. Universität Hamburg
Komplexe Funktionen für Studierende der Ingenieurwissenschaften Technische Universität Hamburg-Harburg Reiner Lauterbach Universität Hamburg SS 2006 Reiner Lauterbach (Universität Hamburg) Komplexe Funktionen
MehrLineare Abbildungen (Teschl/Teschl 10.3, 11.2)
Lineare Abbildungen (Teschl/Teschl.3,.2 Eine lineare Abbildung ist eine Abbildung zwischen zwei Vektorräumen, die mit den Vektoroperationen Addition und Multiplikation mit Skalaren verträglich ist. Formal:
MehrKomplexe Zahlen. Bemerkungen. (i) Man zeigt leicht, dass C mit diesen beiden Operationen
Komplexe Zahlen Da für jede reelle Zahl x R gilt dass x 0, besitzt die Gleichung x + 1 = 0 keine Lösung in R bzw. das Polynom P (x) = x + 1 besitzt in R (!) keine Nullstelle. Dies führt zur Frage, ob es
MehrFouriertransformation
Fouriertransformation Radix2 fast fourier transform nach Cooley/Tukey 1 Inhaltsübersicht Mathematische Grundlagen: Komplexe Zahlen und Einheitswurzeln Die diskrete Fouriertransformation Der Radix2-Algorithmus
MehrUnter einem reellen inneren Produktraum verstehen wir einen Vektorraum V über
9 Innere Produkte In diesem Kapitel betrachten wir immer Vektorräume über dem Körper der reellen Zahlen R oder dem Körper der komplexen Zahlen C. Definition 9.1: Sei V ein Vektorraum über R. Ein inneres
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:
MehrVektoren und Matrizen
Universität Basel Wirtschaftswissenschaftliches Zentrum Vektoren und Matrizen Dr. Thomas Zehrt Inhalt: 1. Vektoren (a) Einführung (b) Linearkombinationen (c) Länge eines Vektors (d) Skalarprodukt (e) Geraden
MehrYOUNG SCIENTISTS. 4 dimensionale komplexe Zahlen in der Computergrafik. Bastian Weiß 19. Mai 2017 INSTITUT FÜR ANGEWANDTE GEOMETRIE
YOUNG SCIENTISTS 4 dimensionale komplexe in der Computergrafik Bastian Weiß 19. Mai 2017 INSTITUT FÜR ANGEWANDTE GEOMETRIE Programm Vorbereitung (Wiederholung) Komplexe Vektoren Quaternionen Quaternionen
MehrLineare Algebra I 14. Tutorium Lineare Abbildungen und Matrizen
Lineare Algebra I 4 Tutorium Lineare Abbildungen und Matrizen Fachbereich Mathematik WS / Prof Dr Kollross 7 Februar Dr Le Roux Dipl-Math Susanne Kürsten Aufgaben Aufgabe G (Bewegungen im ) Als Bewegung
Mehr2.3 Exponential- und Logarithmusfunktionen
26 2.3 Exponential- und Logarithmusfunktionen Die natürliche Exponentialfunktion f(x) = e x ist definiert durch die Potenzreihe e x = + x! + x2 2! + x3 3! + = für alle x in R. Insbesondere ist die Eulersche
Mehr8 Lineare Abbildungen und Matrizen
8 Lineare Abbildungen und Matrizen 8.1 Lineare Abbildungen Wir beschäftigen uns nun mit Abbildungen zwischen linearen Räumen. Von besonderem Interesse sind Abbildungen, die die Struktur der linearen Räume
MehrBasis eines Vektorraumes
Basis eines Vektorraumes Basisergänzungssatz: Ist U V ein Unterraum von V und dim V = n, so kann jede Menge linear unabhängiger Vektoren aus U zu einer Basis von U erweitert werden Und es gilt: Beweis:
MehrKörper der komplexen Zahlen (1)
Die komplexen Zahlen Körper der komplexen Zahlen (1) Da in angeordneten Körpern stets x 2 0 gilt, kann die Gleichung x 2 = 1 in R keine Lösung haben. Wir werden nun einen Körper konstruieren, der die reellen
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
MehrLINEARE ALGEBRA II. FÜR PHYSIKER
LINEARE ALGEBRA II FÜR PHYSIKER BÁLINT FARKAS 4 Rechnen mit Matrizen In diesem Kapitel werden wir zunächst die so genannten elementaren Umformungen studieren, die es ermöglichen eine Matrix auf besonders
MehrÜbersicht Kapitel 9. Vektorräume
Vektorräume Definition und Geometrie von Vektoren Übersicht Kapitel 9 Vektorräume 9.1 Definition und Geometrie von Vektoren 9.2 Teilräume 9.3 Linearkombinationen und Erzeugendensysteme 9.4 Lineare Abhängigkeiten
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
MehrGeometrische Deutung linearer Abbildungen
Geometrische Deutung linearer Abbildungen Betrachten f : R n R n, f(x) = Ax. Projektionen z.b. A = 1 0 0 0 1 0 0 0 0 die senkrechte Projektion auf die xy-ebene in R 3. Projektionen sind weder injektiv
Mehr3. Übungsblatt zur Lineare Algebra I für Physiker
Fachbereich Mathematik Prof. Dr. Mirjam Dür Dipl. Math. Stefan Bundfuss. Übungsblatt zur Lineare Algebra I für Physiker WS 5/6 6. Dezember 5 Gruppenübung Aufgabe G (Basis und Erzeugendensystem) Betrachte
Mehr1. Vektoralgebra 1.0 Einführung Vektoren Ein Vektor ist eine Größe, welche sowohl einen Zahlenwert (Betrag) als auch eine Richtung hat.
1. Vektoralgebra 1.0 Einführung Vektoren Ein Vektor ist eine Größe, welche sowohl einen Zahlenwert (Betrag) als auch eine Richtung hat. übliche Beispiele: Ort r = r( x; y; z; t ) Kraft F Geschwindigkeit
MehrLineare Algebra Weihnachtszettel
Lineare Algebra Weihnachtszettel 4..008 Die Aufgaben auf diesem Zettel sind zum Üben während der Weihnachtspause gedacht, sie dienen der freiwilligen Selbstkontrolle. Die Aufgaben müssen nicht bearbeitet
MehrVortrag 20: Kurze Vektoren in Gittern
Seminar: Wie genau ist ungefähr Vortrag 20: Kurze Vektoren in Gittern Kerstin Bauer Sommerakademie Görlitz, 2007 Definition und Problembeschreibung Definition: Gitter Seien b 1,,b k Q n. Dann heißt die
MehrKlausur HM I H 2005 HM I : 1
Klausur HM I H 5 HM I : 1 Aufgabe 1 4 Punkte): Zeigen Sie mit Hilfe der vollständigen Induktion: n 1 1 + 1 ) k nn k n! für n. Lösung: Beweis mittels Induktion nach n: Induktionsanfang: n : 1 ) 1 + 1 k
Mehr12.2 Gauß-Quadratur. Erinnerung: Mit der Newton-Cotes Quadratur. I n [f] = g i f(x i ) I[f] = f(x) dx
12.2 Gauß-Quadratur Erinnerung: Mit der Newton-Cotes Quadratur I n [f] = n g i f(x i ) I[f] = i=0 b a f(x) dx werden Polynome vom Grad n exakt integriert. Dabei sind die Knoten x i, 0 i n, äquidistant
MehrInhaltsübersicht. Definition und erste Eigenschaften komplexer Zahlen
Inhaltsübersicht Kapitel 4: Die Macht des Imaginären: Komplexe Zahlen Definition und erste Eigenschaften komplexer Zahlen Die Polardarstellung komplexer Zahlen Polynome im Komplexen Exponentialfunktion
MehrDiskrete Fourier-Transformation und FFT. 1. Die diskrete Fourier-Transformation (DFT) 2. Die Fast Fourier Transform (FFT)
Diskrete Fourier-Transformation und FFT 2. Die Fast Fourier Transform (FFT) 3. Anwendungsbeispiele der DFT 1 Wiederholung: Fourier-Transformation und Fourier-Reihe Fourier-Transformation kontinuierlicher
Mehr