Übersicht der Vorlesung
|
|
- Linus Flater
- vor 6 Jahren
- Abrufe
Transkript
1 Übersicht der Vorlesung 1. Einführung 2. Bildverarbeitung 3. orphologische Operationen 4. Bildsegmentierung 5. erkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse aus Bildfolgen 9. PCA (Hauptkomponentenanalyse) 10.ICA (Independent Component Analysis Unabhängigkeitsanalyse)
2 4 Bildsegmentierung
3 4. Bildsegmentierung 4.1 Einführung 4.2 Punktorientierte Segmentierung 4.3 athematische Grundlagen 4.4 Bestimmung von Komponenten 4.5 Regionenorientierte Segmentierung 4.6 Kantenorientierte Segmentierung 4.7 Kantenverfolgung 4.8 Gebietsnachbarschaftsgraph 4.9 odellabhängige Verfahren zur Segmentierung
4 4.1 Einführung
5 Einführung Bildsegmentierung bezeichnet den Vorgang, das Bild in sinnvolle Bildteile (Segmente) aufzuteilen. Die Segmente bilden dann die Grundlage für die Erkennung und Klassifikation von Objekten in Bildern.
6 Einführung Ziele der Segmentierung eines Bildes: Auffinden einer enge von Segmentierungsobjekten, von denen sich jedes Objekt durch bestimmte homogene Eigenschaften oder Attribute auszeichnet, bzw. eine bestimmte Relation erfüllt (gleicher Grauwert). Auffinden von Kanten (Objektgrenzen), die durch Änderungen in ansonsten gleichmäßigen ustern entstehen. Verschieden helle Grauwertbereiche lassen sich beispielsweise durch Kanten voneinander trennen. 4 Segmente
7 Einführung Verfahren: punktorientierte Verfahren kantenorientierte Verfahren regionenorientierte Verfahren regelbasierte Verfahren Unter einer Segmentierung von G E verstehen wir zunächst eine Zerlegung von G E, d.h.: X U N n=1 G E = X n n IX 0 1 n = für n 2 1 n2 zusammenhängend in sich homogen benachbarte unterscheiden sich
8 4.2 Punktorientierte Segmentierung
9 Schwellwertverfahren g A ( i, 1 j) = 0 falls falls g g E E ( i, j) T ( i, j) < T Histogramm Bei mehreren Objekten mit verschiedenen Grauwerten ergibt sich ein multimodales Histogramm und ein einziger Schwellwert reicht nicht mehr aus.
10 odifikationen = sonst 0 ), ( falls 1 ), ( D j i g j i g E A R D = sonst 0 ), ( falls ), ( k E A D j i g k j i g R D k N k,, =1 K
11 Bemerkungen bei gutem Kontrast zwischen Vorder- und Hintergrund Stanzteile (hell, reflektierend) auf einem dunklen Förderband liefert es gute Ergebnisse reicht aber oft nicht aus
12 4.3 athematische Grundlagen
13 athematische Grundlagen Für die diskreten Bilder benötigen wir Definitionen von: Nachbarschaft von Bildpunkten Wege von Bildpunkten zusammenhängendes Segment benachbarte Bildsegmente Kanten
14 4.3.1 Nachbarschaft
15 Nachbarschaftsstruktur Tupel: [ ] N P, P P N nichtleere enge irreflexive, symmetrische Relation: P p N p p ), ( P q p N p q N q p, ), ( ), ( Das Tupel [P,N] ist ein ungerichteter Graph.
16 Nachbarschaft isolierter Punkt Nachbarschaft des Punktes p: N( p) = { q: q P,( p, q) N} q N(p) Nachbar von p Isolierter Punkt: N(p) =
17 Beispiel Bildraster P {(, ) : = 0, K, 1, = 0, K, 1} = i j i I j J Anzahl der Zeilen Anzahl der Spalten Für N gibt es mehrere öglichkeiten
18 4 und 8 Nachbarschaft im Bildraster N {[ i, j ),( i, j )]: i i + j 1} = N j 4 = ( = {[ i, j ),( i, j )]:max{ i i, j } 1} N = N j 8 = ( =
19 Diagonal Nachbarschaft N {[ i, j ),( i, j )]: i i = 1 und j 1} = N = j D ( =
20 6 Nachbarschaft {[ i, j ),( i, j )]: i i + j j = 1 oder ( i i + j j = 2 und i + j = i ) } N = N + 6 = ( j2 Interpretation des Bildrasters als regelmäßige Sechsecke. Solche Hexagonalraster haben viele interessante Eigenschaften. Wir werden aber im Weiteren nur noch quadratische Bildraster betrachten.
21 4.3.2 Weg und Zusammenhang
22 Weg Nachbarschaftsstruktur: [ P, N ] P n 1 Weg in : ( p,, ) p n 1 K p i i =1, K, n ( p p ) N i, i = 1, K, n 1 i+1 n =1 ( p ) 1 Weg ist nur ein Punkt
23 Verbundenheitsrelation Nachbarschaftsstruktur: [ P, N ] p, q P verbunden bezüglich P Weg ( p, K, q) in oder Weg ( p, K, q) in = P \ {( p, q) P P : p und q sind bezüglich verbunden } V =
24 Zusammenhang Nachbarschaftsstruktur: [ P, N ] P heißt zusammenhängend (Gebiet) p, q ( p, q) V
25 Beispiel {( i, j) : i = 0, K,3, = 0, K,3} P = j N = N4 = {(1,1),(1,2),(2,0),(2,1),(2,2)} ist zusammenhängend
26 Bemerkung solche Nachbarschaftstrukturen kann man sich auch als binäre Bilder vorstellen die Teilmenge interpretieren wir als die enge der Bildpunkte mit g(i,j)=1
27 Beispiel P {( i, j) : i = 0, K,3, = 0, K,3} = j = {(1,2),(1,3),(2,1),(3,0)} N = N 4 ist nicht zusammenhängend N = N 8 ist zusammenhängend Dies zeigt, dass der Begriff zusammenhängende enge von der Definition der Nachbarschaft N abhängt.
28 Beispiel P {( i, j) : i = 0, K,3, = 0, K,3} = j {(0,0),(1,1),(2,2),(3,3)} = N = N8 ist zusammenhängend P\ ist zusammenhängend (widerspricht unserer Anschauung) bei der 6 Nachbarschaft treten diese Probleme nicht auf
29 4.3.3 Komponentenzerlegung
30 Zerlegung Nachbarschaftsstruktur: [ P, N ] { G, G, } 2 Z =, 1 K G n G i P G G i j =, i j n U i= 1 G i = P zusammenhängend
31 Eigenschaften der Verbundenheitsrelation P V \ ) ( ) ( = V p p ), ( V p q V q p ), ( ), ( V r p V r q V q p ), ( ) ), ( ), (( Äquivalenzrelation \ in ),, ( Weg oder in ),, ( Weg P q p q p = K K { } verbunden sind bezüglich und : ), ( q p P P q p V =
32 Äquivalenzklassen ) (, 1 i V n i K K = P Relation V bezüglich der Äquivalenzklassen von i i K q K p i V q p, : ), ( { } ) ( 1,, V n K K Z K = Zerlegung von P K K i i
33 Komponenten Komponenten von : K i Komplementärkomponenten von : K i Komponentenzerlegung von P bezüglich : Z = { 1 n ( V,, ) } K K K
34 Komponenten p P i : K i = K ( p) = { q P : ( p, q) V } maximal zusammenhängende Teilmengen
35 Komponenten Beispiel Die Komponentenzerlegung von P bezüglich der enge (schwarze Punkte). Die ersten drei Komponenten sind Teilmengen von und die vierte Komponente ist gleich P\.
36 Bemerkung Die Komponentenzerlegung bildet eine einfache öglichkeit zur Segmentierung eines Binärbildes. Wir benötigen aber noch Algorithmen zur Konstruktion der Komponenten (Segmente).
37 4.4 Bestimmung von Komponenten
38 2 Algorithmen Region Growing ein allgemeiner Algorithmus Zeilenkoinzidenzverfahren speziell für Bildraster
39 Region Growing Eingabe: P,N, while <> do begin wähle p ; := \ {p}; K := {p}; L := {p}; while L <> do begin wähle q L; L := L \ {q}; bestimme N(q); N (q) := N(q) ; K := K U N (q); L := L U N (q); := \ N (q); end; Ausgabe: K ist eine der Komponenten von end; Nachbarschaftsstruktur: [ P, N ] P Der Algorithmus wählt einen beliebigen, noch nicht betrachteten Punkt aus und fügt dann solange Nachbarn hinzu, bis dies nicht mehr möglich ist. Dann haben wir eine Komponente K gefunden. Die Komponenten werden nacheinander gefunden. Dieses Verfahren erinnert an die Tiefensuche.
40 Beispiel Hier werden 2 Komponenten nacheinander gefunden
41 Zeilenkoinzidenzverfahren Eingabebild (binär) segmentiertes Ausgabebild G E = ( g ( i, j)) E G A = ( g ( i, j)) A g E ( i, j) {0,1} g ( 0, j) = g ( i,0) = 0 E E g A ( i, j) = 0 k falls falls ( i, ( i, j) j) Hintergrund k - te Komponente von P {( i, j) : i = 0, K, I 1, j = 0, K, 1} = J {( i, j) : g ( i, j) 1} P, = = N = N 4 E
42 Algorithmus Anschaulich verschiebt man ein Fenster über das Bild. Der Punkt (i, j) liegt auf einer 1 des binären Eingabebildes G E.
43 Beispiel Eingabebild Die 0 te Zeile ist hier oben
44 Beispiel Zwischenergebnis Hier könnte auch 2 stehen. Deshalb sind die arken 1 und 2 äquivalent.
45 Beispiel segmentiertes Ausgabebild Durch eine Neunummerierung erhalten wir 3 Komponenten ( 1 bleibt, 2 wird 1, 3 wird 2, 4 wird 3).
46 Zeilenkoinzidenzverfahren Bei der 8 Nachbarschaft N = N 8 verwendet man ein Fenster der Form: Die Abarbeitung im Fenster geschieht in folgender Reihenfolge: 1. i-1,j-1 2. i-1,j 3. i-1,j+1 4. i, j-1
47 Beispiel Eingabebild: Zwischenergebnis: x Für könnte auch ein anderer Wert stehen. Deshalb sind die arken 1 und 3, 3 und 5 sowie 1 und 4 jeweils äquivalent.
48 Beispiel Durch eine Neunummerierung erhalten wir 3 Komponenten ( 1 bleibt, 2 bleibt, 3 wird 1, 4 wird 1, 5 wird 1, 6 und 7 bleibt)
49 Bemerkung Das Zeilenkoizidenzverfahren liefert noch weitere Informationen, z.b.: Lage der Komponenten im Bild Flächeninhalt der Komponenten
50 Verallgemeinerung G E = ( g ( i, j)) E g E ( i, j) {0,1, K, n} {( i, j) P : g ( i, j k} k = E ) = P = n U k =0 k k k ' = k k' Bestimmung der Komponenten von k (k=0,,n) m U k q=1 k = K kq
51 4.5 Regionenorientierte Segmentierung
52 4.5.1 Allgemeine Definition der Segmentierung
53 benachbarte engen Nachbarschaftsstruktur: [ P, N ] P 1 2 P benachbart: 1 2 = ( p, q) N : p und q disjunkte engen heißen getrennt, wenn sie nicht benachbart sind.
54 Homogenitätsfunktion Nachbarschaftsstruktur: [ P, N ] h P : 2 { true, false} Teilmengen von P Teilmenge ist homogen Teilmenge ist nicht homogen
55 Segmentierung Nachbarschaftsstruktur: [ P, N ] Homogenitätsfunktion: h P : 2 { true, false} Unter einer Segmentierung einer Nachbarschaftsstruktur [P,N] bezüglich h verstehen wir eine Zerlegung von P: { X, } Z, S = 1 K X n h( X ) i = true X i, X - benachbart ( i j) j disjunkt, zusammenhängend h ( X X ) false i j =
56 Zusammenhang zur Komponentenzerlegung P {( i, j) : i = 0, K, I 1, j = 0, K, 1} = J N = N 4 oder N = N 8 P 1 h( ) = true false falls sonst 1 ( P \ 1 ) Die Komponenten von 1 und P\ 1 bilden eine Segmentierung bezüglich h.
57 Beispiel Eingabebild: G E = ( g ( i, j)) g ( i, j) {1,2,3} E P= {( i, j): i = 0, K,5 j = 0, K,4} N = N 4 E k = {( i, j): g ( i, j) = k} k = 1,2,3 E h( ) = true false falls sonst Die Komponenten von 1, 2 und 3 bilden eine Segmentierung bez. h.
58 Beispiel andere Homogenitätsfunktion Eingabebild: h( ) = true false falls sonst ( 1 2 ) ( 2 3 ) Die Grauwerte einer homogenen Teilmenge unterscheiden sich höchstens um Segmentierung nicht eindeutig
59 4.5.2 Algorithmen zur Segmentierung
60 Algorithmen zur Segmentierung 2 mögliche Verfahren : Region Growing arbeitet analog zur Komponentenbestimmung Split and erge Verfahren lässt sich nur für Bildraster anwenden
61 Region Growing
62 Bemerkung an kann auch mehrere Punkte p am Anfang betrachten und parallel arbeiten. Sobald sich dabei zwei Gebiete einander berühren, wird überprüft, ob das Homogenitätskriterium für die Vereinigung der beiden Gebiete erfüllt ist. Ist dies der Fall, so werden die beiden Gebiete zu einem einzigen verschmolzen.
63 Split and erge Prinzip: Split Ansatz: Ausgehend vom vollständigen Bild wird das Bild rekursiv in Teilgebiete zerlegt (z.b. jedes Teilgebiet in 2 2 Teile), bis jedes der Teilgebiete das Homogenitätskriterium erfüllt. erge Ansatz: Ausgehend von einer feinen Unterteilung des Bildes in Teilgebiete (alle diese Gebiete erfüllen das Homogenitätskriterium) werden benachbarte Gebiete, deren Vereinigung das Homogenitätskriterium erfüllt, zusammengefasst. Kombinationen dieser beiden Ansätze führen zu Split and erge Algorithmen.
64 Algorithmusidee (1) Eingabe: Ausgangsunterteilung des Bildes in Gebiete: P= U n R i i=1 Homogenitätskriterium h
65 Algorithmusidee (2) P= n UR i i=1 i : h( Ri ) = false Split 4 U j= 1 R i = R ij Wenn die Vereinigung von benachbarten Gebieten aus der enge: { R R, R R } i 1, i 2 i 3, i 4 für ein festes i das Homogenitätskriterium erfüllt, so fasse man diese Gebiete zusammen (erge) fortsetzen, bis kein Split oder erge mehr möglich ist P= m U ' R i i= 1
66 Algorithmusidee (3) P= m U ' R i i= 1 wenn zwei benachbarte Gebiete R i,r j das Homogenitätskriterium h erfüllen, so fasse man diese zusammen (erge) R i,r j entstanden nicht durch den gleichen Split
67 Bemerkung Die rekursive Unterteilung eines Bildes in 4 Quadrate nennt man auch Quadtree. Sie ist besonders günstig, wenn I = J = 2 n.
68 Beispiel Split erge erge
Übersicht der Vorlesung
Übersicht der Vorlesung 1. Einführung 2. Bildverarbeitung 3. Morphologische Operationen 4. Bildsegmentierung 5. Merkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung. Einführung. Bildverarbeitung. Morphologische Operationen 4. Bildsegmentierung 5. Merkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
MehrKAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN
KAPITEL 3 MATCHINGS IN BIPARTITEN GRAPHEN F. VALLENTIN, A. GUNDERT 1. Definitionen Notation 1.1. Ähnlich wie im vorangegangenen Kapitel zunächst etwas Notation. Wir beschäftigen uns jetzt mit ungerichteten
Mehr15. Elementare Graphalgorithmen
Graphen sind eine der wichtigste Modellierungskonzepte der Informatik Graphalgorithmen bilden die Grundlage vieler Algorithmen in der Praxis Zunächst kurze Wiederholung von Graphen. Dann Darstellungen
MehrVorlesung Informatik 2 Algorithmen und Datenstrukturen
Vorlesung Informatik 2 Algorithmen und Datenstrukturen (18 Bäume: Grundlagen und natürliche Suchbäume) Prof. Dr. Susanne Albers Bäume (1) Bäume sind verallgemeinerte Listen (jedes Knoten-Element kann mehr
MehrWiederholung zu Flüssen
Universität Konstanz Methoden der Netzwerkanalyse Fachbereich Informatik & Informationswissenschaft SS 2008 Prof. Dr. Ulrik Brandes / Melanie Badent Wiederholung zu Flüssen Wir untersuchen Flüsse in Netzwerken:
Mehr5. Äquivalenzrelationen
5. Äquivalenzrelationen 35 5. Äquivalenzrelationen Wenn man eine große und komplizierte Menge (bzw. Gruppe) untersuchen will, so kann es sinnvoll sein, zunächst kleinere, einfachere Mengen (bzw. Gruppen)
Mehr2 Mengen und Abbildungen
2.1 Mengen Unter einer Menge verstehen wir eine Zusammenfassung von Objekten zu einem Ganzen. Die Objekte heiÿen Elemente. Ist M eine Menge und x ein Element von M so schreiben wir x M. Wir sagen auch:
MehrAnhang B. Relationenalgebraische Definitionen. B.1 Relationen
Anhang B Relationenalgebraische Definitionen Die relationenalgebraischen Definitionen bilden die Grundlage der formalen Aspekte der Projekte WebReference und InterMediate [Her00]. Sie sind [SS89] entnommen.
MehrÄquivalenzrelation Restklassen Teilbarkeit in Z Kleiner Satz von Fermat Satz von Euler Eulersche ϕ-funktion
Äquivalenzrelation Restklassen Teilbarkeit in Z Kleiner Satz von Fermat Satz von Euler Eulersche ϕ-funktion Äquivalenzrelation Nehmen wir die Menge A = {,,,,,,,,}, z.b. nummerierte Personen. Unter Berücksichtigung
MehrVervollständigung Lateinischer Quadrate
Vervollständigung Lateinischer Quadrate Elisabeth Schmidhofer 01.12.2013 Inhaltsverzeichnis 1 Vorwort 3 2 Einleitung 4 2.1 Beispele.............................................. 4 3 Lateinische Quadrate
MehrMengen und Abbildungen
1 Mengen und bbildungen sind Hilfsmittel ( Sprache ) zur Formulierung von Sachverhalten; naive Vorstellung gemäß Georg Cantor (1845-1918) (Begründer der Mengenlehre). Definition 1.1 Eine Menge M ist eine
MehrGraphen und Bäume. A.1 Graphen
Algorithmen und Datenstrukturen 96 A Graphen und Bäume A.1 Graphen Ein gerichteter Graph (auch Digraph) G ist ein Paar (V, E), wobei V eine endliche Menge und E eine Relation auf V ist, d.h. E V V. V heißt
Mehr3 Klassifikation wichtiger Optimierungsprobleme
3 Klassifikation wichtiger Optimierungsprobleme 3.1 Das MIN- -TSP Wir kehren nochmal zurück zum Handlungsreisendenproblem für Inputs (w {i,j} ) 1 i
Mehr(1.18) Def.: Eine Abbildung f : M N heißt
Zurück zur Mengenlehre: Abbildungen zwischen Mengen (1.17) Def.: Es seien M, N Mengen. Eine Abbildung f : M N von M nach N ist eine Vorschrift, die jedem x M genau ein Element f(x) N zuordnet. a) M = N
Mehr1 Matrizenrechnung zweiter Teil
MLAN1 1 Literatur: K. Nipp/D. Stoffer, Lineare Algebra, Eine Einführung für Ingenieure, VDF der ETHZ, 4. Auflage, 1998, oder neuer. 1 Matrizenrechnung zweiter Teil 1.1 Transponieren einer Matrix Wir betrachten
MehrBildverstehen. Vorlesung an der TU Chemnitz SS 2013
Bildverstehen Vorlesung an der TU Chemnitz SS 2013 Johannes Steinmüller 1/B309 Tel.: 531 35198 stj@informatik.tu-chemnitz.de Seite zur Vorlesung: http://www.tu-chemnitz.de/informatik/ki/edu/biver/ Buch
MehrKonstruktion der reellen Zahlen
Konstruktion der reellen Zahlen Zur Wiederholung: Eine Menge K (mit mindestens zwei Elementen) heißt Körper, wenn für beliebige Elemente x, y K eindeutig eine Summe x+y K und ein Produkt x y K definiert
MehrVorkurs Mathematik und Informatik Mengen, natürliche Zahlen, Induktion
Vorkurs Mathematik und Informatik Mengen, natürliche Zahlen, Induktion Saskia Klaus 07.10.016 1 Motivation In den ersten beiden Vorträgen des Vorkurses haben wir gesehen, wie man aus schon bekannten Wahrheiten
Mehr5. Clusteranalyse. Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften
5. Clusteranalyse Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften benennen und anwenden können, einen Test auf das Vorhandensein einer Clusterstruktur kennen, verschiedene
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
Mehr5. Clusteranalyse Vorbemerkungen. 5. Clusteranalyse. Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften
5. Clusteranalyse Vorbemerkungen 5. Clusteranalyse Lernziele: Grundlegende Algorithmen der Clusteranalyse kennen, ihre Eigenschaften benennen und anwenden können, einen Test auf das Vorhandensein einer
MehrTechnische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen
Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen 186.172 Algorithmen und Datenstrukturen 1 VL 4.0 Übungsblatt 4 für die Übung
MehrDiskrete Strukturen Kapitel 2: Grundlagen (Relationen)
WS 2016/17 Diskrete Strukturen Kapitel 2: Grundlagen (Relationen) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16
Mehr2.2 Lineare Gleichungssysteme (LGS)
2.2 Lineare Gleichungssysteme (LGS) Definition 2.2.. Ein LGS über einem Körper K von m Gleichungen in n Unbekannten x,..., x n ist ein Gleichungssystem der Form a x + a 2 x 2 +... + a n x n = b a 2 x +
MehrMathematische Grundlagen der Computerlinguistik
Centrum für Informations- und Sprachverarbeitung (CIS) 10. Juni 2014 Table of Contents 1 2 Äquivalenz Der Begriff der Äquivalenz verallgemeinert den Begriff der Gleichheit. Er beinhaltet in einem zu präzisierenden
MehrSummen, Indices und Multiindices
Summen, Indices und Multiindices 1 Einleitung Möchten wir zwei Zahlen a und b addieren, so schreiben wir für gewöhnlich a + b. Genauso schreiben wir a + b + c, für die Summe von drei Zahlen a, b und c.
MehrDefinition Gerichteter Pfad. gerichteter Pfad, wenn. Ein gerichteter Pfad heißt einfach, falls alle u i paarweise verschieden sind.
3.5 Gerichteter Pfad Definition 291 Eine Folge (u 0, u 1,..., u n ) mit u i V für i = 0,..., n heißt gerichteter Pfad, wenn ( i {0,..., n 1} ) [ (u i, u i+1 ) A]. Ein gerichteter Pfad heißt einfach, falls
MehrGraphentheorie. Eulersche Graphen. Eulersche Graphen. Eulersche Graphen. Rainer Schrader. 14. November Gliederung.
Graphentheorie Rainer Schrader Zentrum für Angewandte Informatik Köln 14. November 2007 1 / 22 2 / 22 Gliederung eulersche und semi-eulersche Graphen Charakterisierung eulerscher Graphen Berechnung eines
MehrAlgorithmen mit konstantem Platzbedarf: Die Klasse REG
Algorithmen mit konstantem Platzbedarf: Die Klasse REG Sommerakademie Rot an der Rot AG 1 Wieviel Platz brauchen Algorithmen wirklich? Daniel Alm Institut für Numerische Simulation Universität Bonn August
Mehr6. Übung zur Linearen Optimierung SS08
6 Übung zur Linearen Optimierung SS08 1 Sei G = (V, E) ein schlichter ungerichteter Graph mit n Ecken und m Kanten Für eine Ecke v V heißt die Zahl der Kanten (u, v) E Grad der Ecke (a) Ist die Anzahl
MehrVerteilen von Bällen auf Urnen
Verteilen von Bällen auf Urnen Szenario: Wir verteilen n Bälle auf m Urnen, d.h. f : B U mit B = {b 1,..., b n } und U = {u 1,..., u m }. Dabei unterscheiden wir alle Kombinationen der folgenden Fälle
MehrDas Heiratsproblem. Definition Matching
Das Heiratsproblem Szenario: Gegeben: n Frauen und m > n Männer. Bekanntschaftsbeziehungen zwischen allen Männern und Frauen. Fragestellung: Wann gibt es für jede der Frauen einen Heiratspartner? Modellierung
Mehr1.4 Äquivalenzrelationen
8 1.4 Äquivalenzrelationen achdem nun die axiomatische Grundlage gelegt ist, können wir uns bis zur Einführung der Kategorien das Leben dadurch erleichtern, daß wir bis dorthin, also bis auf weiteres,
MehrAbschnitt 3: Mathematische Grundlagen
Abschnitt 3: Mathematische Grundlagen 3. Mathematische Grundlagen 3.1 3.2 Induktion und Rekursion 3.3 Boolsche Algebra Peer Kröger (LMU München) Einführung in die Programmierung WS 14/15 48 / 155 Überblick
MehrMathematische Grundlagen der Computerlinguistik Relationen und Funktionen
Mathematische Grundlagen der Computerlinguistik Relationen und Funktionen Dozentin: Wiebke Petersen 2. Foliensatz Wiebke Petersen math. Grundlagen 20 n-tupel und Cartesisches Produkt Mengen sind ungeordnet,
MehrDiskrete Strukturen Kapitel 2: Grundlagen (Mengen)
WS 2016/17 Diskrete Strukturen Kapitel 2: Grundlagen (Mengen) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16
Mehr\ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E.
Das Komplement Ḡ = (V, ( V ) \ E) eines Graphen G = (V, E) besitzt die gleiche Knotenmenge V und hat als Kantenmenge alle Kanten des vollständigen Graphen ohne die Kantenmenge E. Ein Graph H = (V, E )
MehrQuadtrees und Meshing
Vorlesung Algorithmische Geometrie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 24.06.2014 Motivation: Meshing von Platinenlayouts Zur Simulation der Hitzeentwicklung
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
MehrDefinition Ein gerichteter Graph G = (V, E) ist ein Graph von geordneten Paaren (u, v) mit u V und v V.
Kapitel 4 Graphenalgorithmen 4.1 Definitionen Definition 4.1.1. Der Graph G = (V, E) ist über die beiden Mengen V und E definiert, wobei V die Menge der Knoten und E die Menge der Kanten in dem Graph ist.
MehrLiteratur. Dominating Set (DS) Dominating Sets in Sensornetzen. Problem Minimum Dominating Set (MDS)
Dominating Set 59 Literatur Dominating Set Grundlagen 60 Dominating Set (DS) M. V. Marathe, H. Breu, H.B. Hunt III, S. S. Ravi, and D. J. Rosenkrantz: Simple Heuristics for Unit Disk Graphs. Networks 25,
MehrBipartite Graphen. Beispiele
Bipartite Graphen Ein Graph G = (V, E) heiÿt bipartit (oder paar), wenn die Knotenmenge in zwei disjunkte Teilmengen zerfällt (V = S T mit S T = ), sodass jede Kante einen Knoten aus S mit einem Knoten
MehrEinführung in die Informatik 2
Einführung in die Informatik 2 Mathematische Grundbegriffe Sven Kosub AG Algorithmik/Theorie komplexer Systeme Universität Konstanz E 202 Sven.Kosub@uni-konstanz.de Sprechstunde: Freitag, 12:30-14:00 Uhr,
MehrMafI I: Logik & Diskrete Mathematik (F. Hoffmann)
Lösungen zum 14. und letzten Aufgabenblatt zur Vorlesung MafI I: Logik & Diskrete Mathematik (F. Hoffmann) 1. Ungerichtete Graphen (a) Beschreiben Sie einen Algorithmus, der algorithmisch feststellt, ob
Mehr3. Relationen Erläuterungen und Schreibweisen
3. Relationen Eine Relation ist allgemein eine Beziehung, die zwischen Dingen bestehen kann. Relationen im Sinne der Mathematik sind ausschließlich diejenigen Beziehungen, bei denen stets klar ist, ob
MehrEs wurde in der Vorlesung gezeigt, daß man die Matrixgleichung Ax=b auch in der Form
Gaußscher Algorithmus zur Lösung linearer Gleichungssysteme Wir gehen aus vom Gleichungssystem A=b. Dabei ist A M m n K, b K m. Gesucht werden ein oder alle Elemente K n, so daß obige Gleichung erfüllt
MehrFür jede Sprache L X sind die folgenden Aussagen äquivalent:
Was bisher geschah Für jede Sprache L X sind die folgenden Aussagen äquivalent: Es existiert ein NFA A mit L = L(A) (L REC(NFA)). Es existiert ein vollständiger NFA B mit L = L(B). Es existiert ein ε-nfa
MehrGrundkurs Mathematik I
Prof. Dr. H. Brenner Osnabrück WS 2016/2017 Grundkurs Mathematik I Vorlesung 9 In theory, theory and praxis are the same, in praxis they aren t Die Multiplikation auf den natürlichen Zahlen Zur Definition
MehrDiskrete Mathematik. Sebastian Iwanowski FH Wedel. Kap. 6: Graphentheorie
Referenzen zum Nacharbeiten: Diskrete Mathematik Sebastian Iwanowski FH Wedel Kap. 6: Graphentheorie Lang 6 Beutelspacher 8.1-8.5 Meinel 11 zur Vertiefung: Aigner 6, 7 (7.4: Algorithmus von Dijkstra) Matousek
Mehr2.2 der Größenbegriff
(mit Äquivalenzrelationen) Maximilian Geier Institut für Mathematik, Landau Universität Koblenz-Landau Zu Größen gelangt man ausgehend von realen Gegenständen durch einen Abstraktionsvorgang. Man geht
MehrMengen. Eigenschaften. Spezielle Mengen (1) Prominente Mengen. ! Mengenzugehörigkeit
Mengen! Definition (Intuitive Mengenlehre) Eine Menge ist die Zusammenfassung von Elementen unserer Anschauung zu einem wohldefinierten Ganzen. (Georg Cantor)! Notation 1. Aufzählung aller Elemente: {
Mehr37 Gauß-Algorithmus und lineare Gleichungssysteme
37 Gauß-Algorithmus und lineare Gleichungssysteme 37 Motivation Lineare Gleichungssysteme treten in einer Vielzahl von Anwendungen auf und müssen gelöst werden In Abschnitt 355 haben wir gesehen, dass
MehrDiskrete Strukturen. Hausaufgabe 1 (5 Punkte)
Technische Universität München Fakultät für Informatik Lehrstuhl für Informatik 15 Computergraphik & Visualisierung Prof. Dr. Rüdiger Westermann Dr. Werner Meixner Wintersemester 007/08 Lösungsblatt 7
MehrKapitel 2 MENGENLEHRE
Kapitel 2 MENGENLEHRE In diesem Kapitel geben wir eine kurze Einführung in die Mengenlehre, mit der man die ganze Mathematik begründen kann. Wir werden sehen, daßjedes mathematische Objekt eine Menge ist.
MehrKapitel 2 Mathematische Grundlagen
Kapitel 2 Mathematische Grundlagen Ziel: Einführung/Auffrischung einiger mathematischer Grundlagen 2.1 Mengen, Relationen, Ordnungen Definition: Eine Menge ist eine Zusammenfassung von wohlbestimmten und
MehrVektorräume. Kapitel Definition und Beispiele
Kapitel 3 Vektorräume 3.1 Definition und Beispiele Sei (V,,0) eine abelsche Gruppe, und sei (K, +,, 0, 1) ein Körper. Beachten Sie, dass V und K zunächst nichts miteinander zu tun haben, deshalb sollte
Mehr4 Greedy-Algorithmen (gierige Algorithmen)
Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen werden oft für die exakte oder approximative Lösung von Optimierungsproblemen verwendet. Typischerweise konstruiert ein Greedy-Algorithmus eine
MehrVorlesung 4. Tilman Bauer. 13. September Wir befassen uns in dieser Vorlesung noch einmal mit Mengen.
Vorlesung 4 Universität Münster 13. September 2007 1 Kartesische Wir befassen uns in dieser Vorlesung noch einmal mit Mengen. Seien M und N zwei Mengen. Dann bezeichnen wir mit M N das (kartesische) Produkt
MehrIsomorphie von Bäumen
Isomorphie von Bäumen Alexandra Weinberger 23. Dezember 2011 Inhaltsverzeichnis 1 Einige Grundlagen und Definitionen 2 1.1 Bäume................................. 3 1.2 Isomorphie..............................
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrDas disjunktive Graphenmodell für Shop-Probleme
Das disjunktive Graphenmodell für Shop-Probleme Definition 1: Ein disjunktiver Graph ist ein Graph G =(V, E) mit V = {(i, j) (i, j) SIJ} {q} {s} Die Knotenmenge ist die Menge der Operationen zuzüglich
Mehr4. Relationen. Beschreibung einer binären Relation
4. Relationen Relationen spielen bei Datenbanken eine wichtige Rolle. Die meisten Datenbanksysteme sind relational. 4.1 Binäre Relationen Eine binäre Relation (Beziehung) R zwischen zwei Mengen A und B
MehrBild-Erkennung & -Interpretation
Kapitel I Bild-Erkennung & -Interpretation FH Aachen / Jülich, FB 9 Prof. Dr. rer.nat. Walter Hillen (Dig Img I) 1 Einführung Schritte zur Bilderkennung und Interpretation: Bild-Erfassung Vorverarbeitung
Mehrbekannt: Eliminationsverfahren von Gauß Verfahren führt zu einer Zerlegung der Koeffizientenmatrix: A = LR A = LR
LR-Zerlegung bekannt: Eliminationsverfahren von Gauß Verfahren führt zu einer Zerlegung der Koeffizientenmatrix: A = LR Definition 2.17 Unter einer LR-Zerlegung einer Matrix A R n n verstehen wir eine
MehrGrundlagen von Rasterdaten
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS DATABASE Kapitel 7: Grundlagen von Rasterdaten Skript zur Vorlesung Geo-Informationssysteme Wintersemester 2014/15 Ludwig-Maximilians-Universität
MehrAufgabe 24 Die Wahrheitswerte von A A B und B sind immer gleich:
Lösungen zu den Aufgaben von Anfang August Aufgabe 24 Die Wahrheitswerte von A A B und B sind immer gleich: Der Wahrheitswert von A A ist immer wahr, da immer entweder A oder A den Wahrheitswert wahr hat.
MehrBinary Decision Diagrams (Einführung)
Binary Decision Diagrams (Einführung) Binary Decision Diagrams (BDDs) sind bestimmte Graphen, die als Datenstruktur für die kompakte Darstellung von booleschen Funktionen benutzt werden. BDDs wurden von
MehrKapitel 1. Grundlagen Mengen
Kapitel 1. Grundlagen 1.1. Mengen Georg Cantor 1895 Eine Menge ist die Zusammenfassung bestimmter, wohlunterschiedener Objekte unserer Anschauung oder unseres Denkens, wobei von jedem dieser Objekte eindeutig
MehrPraktikum 3 Algorithmik SS Aufgabe 10: Aufgabe 9 ( Skyline-Problem ) weitere Aufgaben folgen. Name:... Matr-Nr:...
Praktikum 3 Algorithmik SS 2007 14052007 Aufgabe 9: Aufgabe 10: Das Skyline-Problem Union-Find-Strukturen weitere Aufgaben folgen Name: Matr-Nr: Datum: Unterschrift des Dozenten (wenn bestanden): Aufgabe
MehrRinge. Kapitel Einheiten
Kapitel 8 Ringe Die zahlreichen Analogien zwischen Matrizenringen und Endomorphismenringen (beides sind zugleich auch Vektorräume) legen es nahe, allgemeinere ringtheoretische Grundlagen bereitzustellen,
MehrAufgabensammlung aus Mathematik 2 UMIT, SS 2010, Version vom 7. Mai 2010
Aufgabensammlung aus Mathematik 2 UMIT, SS 2, Version vom 7. Mai 2 I Aufgabe I Teschl / K 3 Zerlegen Sie die Zahl 8 N in ihre Primfaktoren. Aufgabe II Teschl / K 3 Gegeben sind die natürliche Zahl 7 und
MehrGrundlagen der Graphentheorie. Thomas Kamps 6. Oktober 2008
Grundlagen der Graphentheorie Thomas Kamps 6. Oktober 2008 1 Inhaltsverzeichnis 1 Definition von Graphen 3 2 Unabhängigkeit von Ecken und Kanten 3 3 Teil- und Untergraphen 4 4 Schnitt, Vereinigung und
MehrBinärbildverarbeitung
Prof. Dr. Wolfgang Konen, Thomas Zielke Binärbildverarbeitung SS06 4.1 Konen, Zielke Anwendungen von Binärbildern Ein Bild mit nur zwei Grau/Farb-Stufen nennt man Binärbild. In der Regel werden Bildpunkte
MehrWas bisher geschah. 1. Zerlegung in monotone Polygone 2. Triangulierung der monotonen Teilpolygone
Was bisher geschah Motivation, Beispiele geometrische Objekte im R 2 : Punkt, Gerade, Halbebene, Strecke, Polygon, ebene Zerlegung in Regionen (planare Graphen) maschinelle Repräsentation geometrischer
MehrSegmentierung. Seminar: Medizinische Visualisierung. Daniel Lange
Segmentierung Daniel Lange 06.05.2004 Seminar: Medizinische Visualisierung Segmentierung 2 Überblick Einführung / Begriffsdefinition Punktorientierte Verfahren Kanten-/Konturorientierte Verfahren Regionenorientierte
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
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
MehrDiskrete Strukturen Kapitel 2: Grundlagen (Beweise)
WS 2014/15 Diskrete Strukturen Kapitel 2: Grundlagen (Beweise) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_14
MehrQuicksort ist ein Divide-and-Conquer-Verfahren.
. Quicksort Wie bei vielen anderen Sortierverfahren (Bubblesort, Mergesort, usw.) ist auch bei Quicksort die Aufgabe, die Elemente eines Array a[..n] zu sortieren. Quicksort ist ein Divide-and-Conquer-Verfahren.
MehrAbschnitt 3: Mathematische Grundlagen
Abschnitt 3: Mathematische Grundlagen 3. Mathematische Grundlagen 3.1 3.2 Boolsche Algebra 3.3 Induktion und Rekursion Peer Kröger (LMU München) Einführung in die Programmierung WS 16/17 46 / 708 Überblick
Mehr5. Woche Perfekte und Optimale Codes, Schranken. 5. Woche: Perfekte und Optimale Codes, Schranken 88/ 142
5 Woche Perfekte und Optimale Codes, Schranken 5 Woche: Perfekte und Optimale Codes, Schranken 88/ 142 Packradius eines Codes (Wiederholung) Definition Packradius eines Codes Sei C ein (n, M, d)-code Der
MehrKapitel 4: Das Überdeckungsproblem
Kapitel : Das Überdeckungsproblem Kapitel Das Überdeckungsproblem Kapitel : Das Überdeckungsproblem Seite / 25 Kapitel : Das Überdeckungsproblem Inhaltsverzeichnis. Überdeckungsmatrizen.2 Minimalüberdeckungen.
MehrFunktionen (Teschl/Teschl 5.2) Beispiele. Eine Funktion (oder Abbildung) f : M N,
Funktionen (Teschl/Teschl 5.2) Eine Funktion (oder Abbildung) f : M N, x f (x) ordnet jedem Element x einer Menge M (Denitionsbereich) eindeutig ein Element y = f (x) einer Menge N (Werte- oder Bildbereich)
Mehr4.3 Bilinearformen. 312 LinAlg II Version Juni 2006 c Rudolf Scharlau
312 LinAlg II Version 0 20. Juni 2006 c Rudolf Scharlau 4.3 Bilinearformen Bilinearformen wurden bereits im Abschnitt 2.8 eingeführt; siehe die Definition 2.8.1. Die dort behandelten Skalarprodukte sind
MehrHM I Tutorium 1. Lucas Kunz. 27. Oktober 2016
HM I Tutorium 1 Lucas Kunz 27. Oktober 2016 Inhaltsverzeichnis 1 Theorie 2 1.1 Logische Verknüpfungen............................ 2 1.2 Quantoren.................................... 3 1.3 Mengen und ihre
MehrIn diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N. Wenn (mit einem n > 1)
34 Determinanten In diesem Abschnitt betrachten wir nur quadratische Matrizen mit Komponenten aus einem Körper K, also A K n n für ein n N Wenn (mit einem n > 1) a 11 a 12 a 1n a 21 a 22 a 2n A =, (1)
MehrDezimaldarstellung ganzer Zahlen (Division mit Rest) 1 Division mit Rest in der Hochschule
Berufsfeldbezogenes Fachseminar - Zahlentheorie Lisa Laudan Prof. Dr. Jürg Kramer Wintersemester 2014/2015 Dezimaldarstellung ganzer Zahlen (Division mit Rest) 1 Division mit Rest in der Hochschule 1.1
MehrKurs 1613 Einführung in die imperative Programmierung Musterlösung zur Klausur am
Kurs 1613 Einführung in die imperative Programmierung 1 Aufgabe 1 procedure NachVorn( inwert: integer; var iorefanfang: trefelement); {Sucht das erste vorkommende Element mit inwert in der info-komponente
MehrÄquivalenzrelation. Tischler-Problem. Euklidischer Algorithmus. Erweiterter euklidischer Algorithmus. Lineare diophantische Gleichung
Äquivalenzrelation Tischler-Problem Euklidischer Algorithmus Erweiterter euklidischer Algorithmus Lineare diophantische Gleichung Rechnen mit Resten Restklassen Teilbarkeit in Z Beispiel einer Kongruenzgleichung
Mehrκ(k) k K S Algorithmus zur Bestimmung eines spannenden Baumes mit minimalen Kosten (Kruskal, 1965).
5. Graphenprobleme Im folgenden bezeichnen G = (E, K) einen endlichen Graphen mit der Eckenmenge E und der Kantenmenge K. G kann ungerichtet, gerichtet, schlicht oder nicht schlicht sein. 5.1 Spannende
MehrSkript und Übungen Teil II
Vorkurs Mathematik Herbst 2009 M. Carl E. Bönecke Skript und Übungen Teil II Das erste Semester wiederholt die Schulmathematik in einer neuen axiomatischen Sprache; es ähnelt damit dem nachträglichen Erlernen
MehrVorkurs Mathematik. Vorlesung 8. Angeordnete Körper
Prof. Dr. H. Brenner Osnabrück WS 2009/2010 Vorkurs Mathematik Vorlesung 8 Angeordnete Körper Definition 8.1. Ein Körper K heißt angeordnet, wenn es eine totale Ordnung auf K gibt, die die beiden Eigenschaften
MehrTechnische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik. Weihnachtsblatt
Technische Universität München Zentrum Mathematik Propädeutikum Diskrete Mathematik Prof. Dr. A. Taraz, Dipl-Math. A. Würfl, Dipl-Math. S. König Weihnachtsblatt Aufgabe W.1 Untersuchen Sie nachstehenden
MehrKonstruktion reeller Zahlen aus rationalen Zahlen
Konstruktion reeller Zahlen aus rationalen Zahlen Wir nehmen an, daß der Körper der rationalen Zahlen bekannt ist. Genauer wollen wir annehmen: Gegeben ist eine Menge Q zusammen mit zwei Verknüpfungen
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Datenstrukturen: Anordnung von Daten, z.b. als Liste (d.h. in bestimmter Reihenfolge) Beispiel: alphabetisch sortiertes Wörterbuch... Ei - Eibe - Eidotter... als Baum (d.h.
MehrTheoretische Informatik 1 WS 2007/2008. Prof. Dr. Rainer Lütticke
Theoretische Informatik 1 WS 2007/2008 Prof. Dr. Rainer Lütticke Inhalt der Vorlesung Grundlagen - Mengen, Relationen, Abbildungen/Funktionen - Datenstrukturen - Aussagenlogik Automatentheorie Formale
MehrLineare Algebra I. - 1.Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß. Monday 12 September 16
Lineare Algebra I - 1.Vorlesung - Prof. Dr. Daniel Roggenkamp & Falko Gauß 1. Mengen und Abbildungen: Mengen gehören zu den Grundlegendsten Objekten in der Mathematik Kurze Einführung in die (naive) Mengelehre
Mehr(Man sagt dafür auch, dass die Teilmenge U bezüglich der Gruppenoperationen abgeschlossen sein muss.)
3. Untergruppen 19 3. Untergruppen Nachdem wir nun einige grundlegende Gruppen kennengelernt haben, wollen wir in diesem Kapitel eine einfache Möglichkeit untersuchen, mit der man aus bereits bekannten
MehrNotizen zu Transformationen und Permutationen. T (A) = {f : A A}
Transformationen Notizen zu Transformationen und Permutationen Ist A eine Menge, so ist die Menge T (A) = {f : A A} bezüglich der Komposition (Hintereinanderausführung) als Operation und der identischen
Mehr