Farbmomente. Christoph Sommer Seminar Inhaltsbasierte Bildsuche
|
|
- Helmuth Kohl
- vor 6 Jahren
- Abrufe
Transkript
1 Farbmomente Seminar Inhaltsbasierte Bildsuche
2 Farbmomente Einleitung und Motivation Statistische Momente Geometrische Momente Macht der Momente Hu-Momente Orthogonale Basen für Momente Generalisierte Farbmomente Ergebnisse und Evaluierung 2
3 Einleitung und Motivation Momente beinhalten wichtige Bildinformationen Momente beschreiben die Farbe als auch die Struktur in einem Bild Momente sind in der Lage globale wie auch lokale Bildinformationen aufzunehmen Momente sind bewährte Instrumente in der Mustererkennung Momente sind vielseitig anwendbar Momente lassen sich (leicht) auf spezielle Probleme anpassen 3
4 Statistische Momente (1) Allgemeine Statistische Momente k M k r =E X r Erwartungswert M 1 0 =E X = x f x dx= Varianz 2 2 M 2 =E X = x f x dx Schiefe (skewness) s= M 3 3 4
5 Statistische Momente (2) Wölbung (kurtosis) k= M Absolute Momente k M k r =E X r Beispiel: mit Featurevektor [E X, VAR X, T s, k] pro Farbkanal im RGB 5
6 Ergebnisse für CBIR 6
7 Anwendung Vorteile Invariant gegenüber zyklischer Translation Sehr leicht und schnell zu berechnen Globale Ähnlichkeit Nachteile Keine weiteren Invarianten Nicht robust gegen Beleuchtungsveränderungen Strukturen fallen nicht ins Gewicht 7
8 Geometrische Momente Definition Sei I x, y eine kontinuierliche Bildfunktion Dann sind die geometrischen Momente von Grad p q definiert durch: m pq = x y I x, y dx dy p q Man nennt diese Momente auch kartesische Momente, da sie Bildinformationen bezüglich der Achsen wiedergeben. Die geometrischen Momente so besitzen keine Invarianzeigenschaften 8
9 Geometrische Momente (2) Wie kann man sich diese Formel vorstellen? Als Filter (Mit einer 'Moment'-Maske) 1 Betrachte x y 1, x, y [ 1,1] Näherungsweise für 3x3 Bild/Maske m11=.*
10 Geometrische Momente (2) Filter Masken für die Momente bis Grad 2 m00= m11= m10= m20= m01= m02= Die Achsen der Maske sind auf [ 1,1] normiert Grad 1: Kantenreaktion Anwendung: Momente zum Segmentieren von Texturmerkmalen [M.Tuc. (ECRC)] 10
11 Geometrische Momente (3) Gesucht: Momente die Invariant sind bzgl.: Translation [ ][] x ' = x t y' y Skalierung [ ] [] x ' =a x y' y Rotation [ ][ x ' = cos sin sin cos y' ][ ] x y 11
12 Zentrale geometrische Momente Definition pq = x x y y I x, y dx dy p x= m10 m00 q m01 y= m00 wobei, die sog. Massenzentren (COM) in x bzw. y Richtig sind. m00 heißt die totale Masse von I x, y Beispiel (Binärbild) I x, y y Die totale Masse entspricht der Anzahl der Pixel gleich 1 x 12
13 Zentrale geometrische Momente (2) Zentrale Momente sind Translationsinvariant Bilder werden auf ihr COM zentriert 13
14 Normalisierte zentrale Momente Definition pq = pq 00, p q 2 = 2 Hier werden die zentralen Momente auf ihr totale Masse skaliert. Die Normalisierten zentralen Momente sind Skalierungsinvariant. Betrachte dazu ' pq= pq a p q 2, pq= ' pq ' 00 14
15 Anwendungen (geometrische Momente) Mammographie Auswertung Klassifikation von Blut Zellen Vorteile Skalierungs- und Translationsinvarianz Lage sowie die Exzentrizität von Flächen leicht bestimmbar über θ = 1 tan 1 2µ11 Nachteile 2 µ20 µ 02 Wichtige Invarianzeigenschaften fehlen Nur sehr speziell einsetzbar (Flächige, rundliche Objekte) 15
16 Diskretisierung für digitale Bilder Für digitale Bilder kann das Moment durch folgendes approximiert werden m pq = Nx Ny x p y q I x, y dx dy= x p y p I x, y i=1 y=1 wobei N x, N y die Größe des Bildes in x bzw. y Richtung ist Entsprechendes gilt für die zentralen und normalisierten Momente Oft ist es in der Praxis sinnvoll die Achsen des Bildes auf [ 1,1] zu normieren. 16
17 Diskretisierung für digitale Bilder (2) Die gezeigten Invarianzeigenschaften sind auch nur noch näherungsweise vorhanden. Der Approximationsfehler steigt Durch geringere Auflösung Mit dem Grad der Momente 17
18 Macht der Momente Projektion des Bildes f auf Monome im ℝ 2 x y 2 xy m pq = x y f x, y p q Satz Die unendliche Menge {m pq p, q=1,2... } bestimmt eindeutig f x, y und umgekehrt. 18
19 Hu Momente Bisher konnten wir Momente formulieren, die Invariant bzgl. Translation und Skalierung sind. Durch nichtlineare Kombination von normalisierten geometrischen Momenten kann man einen Satz von Invarianten bzgl. Translation, Skalierung und Rotation angeben. Herleitung mittels der Theorie von algebraischen Invarianten. [Hu 62] 19
20 Hu Momente φ1 = η20 + η02 2 φ2 = ( η20 η02 ) + 4η11 2 φ3 = ( η30 3η12 ) + ( 3η21 η03 ) 2 φ4 = ( η30 + η12 ) + ( η21 + η03 ) φ5 = ( η30 3η12 ) ( η12 + η30 ) ( η12 + η30 ) 3 ( η21 + η03 ) ( 3η21 η03 ) ( η21 + η03 ) 3 ( η12 + η30 ) ( η21 + η03 ) 2 2 φ6 = ( η20 η02 ) ( η12 + η30 ) ( η21 η03 ) + 4η11 ( η12 + η30 ) ( η21 + η03 ) 2 2 φ7 = ( 3η21 η03 ) ( η12 + η30 ) ( η12 + η30 ) 3 ( η21 + η03 ) ( 3η12 η30 ) ( η21 + η03 ) 3 ( η12 + η30 ) ( η21 + η03 ) 20
21 Hu Momente (Beispiel) 21
22 Anwendungen (Hu Momente) OCR Einfachere Mustererkennung Vorteile Gute Invarianzeigenschaften Robust gegen Rauschen Recht Robust gegen affine Transformationen Nachteile Keine Beleuchtungsinvarianz Oft ist Vorsegmentierung von Objekten nötig Hu Momente sind nicht besonders stabil 22
23 Hu Momente für Bildregionen Idee: Feste Fokussierung auf Bildzentrum durch Gewichtung der Hu Momente für Bildausschnitte 23
24 Orthogonale Basen für Momente Da die Monome eine nicht orthogonale Basis darstellen, ist eine Projektion darauf redundant. (d. h. vom Informationsgrad her nicht optimal) Man braucht höhere Grade um Bildinformationen zu extrahieren (schwierig) Die Bildrekonstruktion aus den Momenten ist schwieriger Suche nach orthogonalen Basen für die Momentberechnung 24
25 Zernike Momente Eine Mögliche Wahl einer orthogonalen Basis für die Momente sind die Zernike Polynome Die Zernike Momente ergeben sich dann aus p 1 A pq = I x, y V pq r, i 2 2, x y 1 wobei V pq r, die komplexen Zernike Polynome darstellen. 25
26 Zernike Momente (2) Vorteile Man erreicht auch Lageinvariants Bessere Ausnützung der Informationen im Bild Robuster gegen Rausch als Hu Momente Erweiterbar auf Beleuchtungsinvarianz Viele Ableger (Pseudo-Zernike Momente) Nachteile Sehr rechenaufwendig Nur ein Kreisausschnitt wird berücksichtigt 26
27 Generalisierte Farbmomente M Hier werden die Farbkanäle in einem geometrischen Moment kombiniert [Mindru] abc pq = [ R x, y ] [ G x, y ] [ B x, y ] x y a b c p q Aus diesen generalisierten Farbmomenten können viele verschiedene Invarianten formuliert werden. Insbesondere gegen Beleuchtungsveränderungen. Geometrische Veränderungen können auch hier behandelt werden. 27
28 Generalisierte Farbmomente (2) Es existieren Invarianten gegen kombinierte Transformationen z. B. GPD Diagonale Beleuchtungstransformation [ ] sr R' G' = 0 B' 0 0 sg sb [ ] R G B Affine geometrische Transformation [ ] [] x ' = A x t, det A 0 y' y 28
29 Anwendungen (Farbmomente) Mustererkennung für Farbbilder unter verschiedenen Perspektiven und Beleuchtungen Vorteile Mehr Invarianten mit kleinem Grad als bei Grauwertbetrachtung Beschreiben Farbverteilung und Struktur in einem Beschreiben Korrelationen zwischen Farbkanälen Nachteile Sehr spezialisiert auf die Transformationen 29
30 Implementierung Statistische Momente Hu Momente Hu für feste Zentrumsfokusierung Satz von 13 Normalisierten Farbmomenten GPD Invarianten (mit Farbmomenten) Alle zusammen zeugen gute Ergebnisse Folgende Farbräume wurden verwendet RGB / HSV / LAB / (YIQ) 30
31 HSV Farbe, Sättigung und Helligkeit 31
32 L*a*b* Codierung von Luminanz und Farbbalancen 32
33 Ergebnisse (Statistische Momente RGB) 33
34 Ergebnisse (Statistische Momente HSV) 34
35 Ergebnisse (Dino Wanderung) 35
36 Ergebnisse (Dino Weight Watcher) 36
37 Ergebnisse (Dino Weight Watcher 2) 37
38 Ergebnisse (Hu auf Segmente) 38
39 Ergebnisse (Hu auf Segmente 2) 39
40 Ergebnisse (Hu ohne Segmente) 40
41 Ergebnisse (Hu mit Segmente) 41
42 Ergebnisse (SIMBA) 42
43 Ergebnisse (Momente) 43
44 Ergebnisse (SIMBA) 44
45 Ergebnisse (Momente) 45
46 Evaluierung (Momente)
47 Evaluierung (Momente PR-Graph)
48 Evaluierung (SIMBA PR-Graph)
49 Evaluierung (Momente)
50 Evaluierung (Momente PR-Graph)
51 Evaluierung (SIMBA PR-Graph)
52 Evaluierung (Momente)
53 Evaluierung (Momente PR-Graph)
54 Evaluierung (SIMBA PR-Graph)
55 Evaluierung (Momente) Gesamt 55
56 Evaluierung (SIMBA) Gesamt 56
57 Fragen??? Seminar Inhaltsbasierte Bildsuche
Inhaltsbasierte Bildsuche. Matthias Spiller. 17. Dezember 2004
Kantenbasierte Merkmale für die Bildsuche Inhaltsbasierte Bildsuche Matthias Spiller 17. Dezember 2004 Übersicht Übersicht Einleitung Was sind Kanten? Kantenrichtungs Histogramm Der Canny-Algorithmus Feature-Erzeugung
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung. Einführung. Bildverarbeitung. Morphologische Operationen 4. Bildsegmentierung 5. Merkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
MehrKapitel VI. Euklidische Geometrie
Kapitel VI. Euklidische Geometrie 1 Abstände und Lote Wiederholung aus Kapitel IV. Wir versehen R n mit dem Standard Skalarprodukt x 1 y 1.,. := x 1 y 1 +... + x n y n x n y n Es gilt für u, v, w R n und
MehrDigitale Bilder. Ein Referat von Jacqueline Schäfer und Lea Pohl Am
Digitale Bilder Ein Referat von Jacqueline Schäfer und Lea Pohl Am 06.05.2015 Inhaltsverzeichnis Einheiten Grafiktypen Bildformate Farbtiefe Farbbilder/ Farbräume Quellen Einführung in die Bildverarbeitung
MehrObjekterkennung durch Vergleich von Farben. Videoanalyse Dr. Stephan Kopf HWS2007 Kapitel 5: Objekterkennung
Objekterkennung durch Vergleich von Farben 48 Farbräume (I) Definitionen: Farbe: Sinnesempfindung (keine physikalische Eigenschaft), falls Licht einer bestimmten Wellenlänge auf die Netzhaut des Auges
MehrThema14 Der Satz über inverse Funktionen und der Satz über implizite Funktionen
Thema14 Der Satz über inverse Funktionen und der Satz über implizite Funktionen In diesem Kapitel betrachten wir die Invertierbarkeit von glatten Abbildungen bzw. die Auflösbarkeit von impliziten Gleichungen.
MehrPrincipal Component Analysis (PCA)
Principal Component Analysis (PCA) Motivation: Klassifikation mit der PCA Berechnung der Hauptkomponenten Theoretische Hintergründe Anwendungsbeispiel: Klassifikation von Gesichtern Weiterführende Bemerkungen
MehrModul Digitale Bildverarbeitung SS16 Bestandteile der Lehrveranstaltung und Prüfung: Vorlesungen Übungsserien Praktika (ImageJ) bis Mai 2016 Projekt
Modul Digitale Bildverarbeitung SS16 Bestandteile der Lehrveranstaltung und Prüfung: Vorlesungen Übungsserien Praktika (ImageJ) bis Mai 2016 Projekt im Juni 2016 Themen: Digitale Bilder, Eigenschaften
MehrBildkompression InTh, 2005, JPEG, Hak, Rur, 1
Bildkompression InTh, 25, JPEG, Hak, Rur, 1 Referenzen [1] D Salomon, Data Compression, Springer, 24 [2] Prof Dr A Steffen, Kurs SU, ZHW, 1999-24 [3] G Wallace, The JPEG Still Picture Compression Standard,
Mehr14.3 Berechnung gekrümmter Flächen
4.3 Berechnung gekrümmter Flächen Gekrümmte Flächen werden berechnet, indem sie als Graph einer Funktion zweier Veränderlicher aufgefasst werden. Fläche des Graphen einer Funktion zweier Veränderlicher
MehrFunktionen mehrerer Variabler
Funktionen mehrerer Variabler Fakultät Grundlagen Juli 2015 Fakultät Grundlagen Funktionen mehrerer Variabler Übersicht Funktionsbegriff 1 Funktionsbegriff Beispiele Darstellung Schnitte 2 Partielle Ableitungen
MehrFarben. Grundlagen und Farbräume. Spektrale Zerlegung der sichtbaren Lichtes
Farben Grundlagen und Farbräume Spektrale Zerlegung der sichtbaren Lichtes 1 Additive und subtraktive Farbmischung Additives Modell, Grundfarben: Rot, Grün, Blau Subraktives Modell, Grundfarben: Cyan,
MehrGruppentheorie und Symmetrie in der Chemie
Gruppentheorie und Symmetrie in der Chemie Martin Schütz Institut für theoretische Chemie, Universität Stuttgart Pfaffenwaldring 55, D-70569 Stuttgart Stuttgart, 26. April 2002 Mathematische Definition
MehrAnleitung: Standardabweichung
Anleitung: Standardabweichung So kann man mit dem V200 Erwartungswert und Varianz bzw. Standardabweichung bei Binomialverteilungen für bestimmte Werte von n, aber für allgemeines p nach der allgemeinen
Mehr18 Höhere Ableitungen und Taylorformel
8 HÖHERE ABLEITUNGEN UND TAYLORFORMEL 98 8 Höhere Ableitungen und Taylorformel Definition. Sei f : D R eine Funktion, a D. Falls f in einer Umgebung von a (geschnitten mit D) differenzierbar und f in a
MehrLösungen zu Übung(11) Erster Teil A E=
Lösungen zu Übung Erster Teil a Betrachten Sie die Matrix A = Die Eigenwerte sind λ = mit algebraischer Vielfachheitundλ =mitalgebraischervielfachheit,unddiematrix A E= hatrang, alsokerndimensionnur, somitistdereigenraumzuλ
MehrÜbungen zur Vorlesung MATHEMATIK II
Fachbereich Mathematik und Informatik der Philipps-Universität Marburg Übungen zur Vorlesung MATHEMATIK II Prof. Dr. C. Portenier unter Mitarbeit von Michael Koch Marburg, Sommersemester 2005 Fassung vom
Mehr3.3 Klassifikation quadratischer Formen auf R n
3.3. Klassifikation quadratischer Formen auf R n 61 3.3 Klassifikation quadratischer Formen auf R n Wir können den Hauptsatz über symmetrische Matrizen verwenden, um uns einen Überblick über die Lösungsmengen
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
MehrVorbereitungsaufgaben
Praktikum Bildverarbeitung / Bildinformationstechnik Versuch BV 4 / BIT 3: Mustererkennung Paddy Gadegast, CV00, 160967 Alexander Opel, CV00, 16075 Gruppe 3 Otto-von-Guericke Universität Magdeburg Fakultät
Mehr1 Vorlesungen: und Vektor Rechnung: 1.Teil
1 Vorlesungen: 4.10.005 und 31.10.005 Vektor Rechnung: 1.Teil Einige in der Physik auftretende Messgrößen sind durch eine einzige Zahl bestimmt: Temperatur T K Dichte kg/m 3 Leistung P Watt = J/s = kg
MehrTropische Kurven zählen. Enumerative Geometrie. Alg. Geometrie. Beispiel Strategie. Geometrie. Kurven Multiplizität Correspondence Theorem Ergebnisse
Alg. Ebene e Hannah Markwig Technische Universität Kaiserslautern 6. Juli 2006 Alg. Inhalt 1 () 2 3 Der Algorithmus zum Zählen ebener 4 Der Algorithmus Alg. Algebraische Geometrische Objekte sind Nullstellengebilde
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus:
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Simulation einer mündlichen Prüfung (Analysis schriftl., affine Geometrie / lineare Algebra mündl.) Das komplette Material finden
Mehr(7) Normal Mapping. Vorlesung Computergraphik II S. Müller. Dank an Stefan Rilling U N I V E R S I T Ä T KOBLENZ LANDAU
(7) Normal Mapping Vorlesung Computergraphik II S. Müller Dank an Stefan Rilling Einleitung Die Welt ist voller Details Viele Details treten in Form von Oberflächendetails auf S. Müller - 3 - Darstellung
MehrEntwicklung eines Distanzmaßes zwischen Bildern über dem Modell der Fields of Visual Words
Entwicklung eines Distanzmaßes zwischen Bildern über dem Modell der Fields of Visual Words André Viergutz 1 Inhalt Einführung. Einordnung der Arbeit in die zugrunde liegenden Konzepte Das Modell der Fields
MehrAufgabe Summe max. P Punkte
Klausur Theoretische Elektrotechnik TET Probeklausur xx.xx.206 Name Matr.-Nr. Vorname Note Aufgabe 2 3 4 5 6 7 Summe max. P. 5 0 5 5 5 5 5 00 Punkte Allgemeine Hinweise: Erlaubte Hilfsmittel: Taschenrechner,
Mehr3.1.3 Newtonsche Interpolationsformel / Dividierte Differenzen
KAPITEL 3 INTERPOLATION UND APPROXIMATION 4 33 Newtonsche Interpolationsformel / Dividierte Differenzen Das Verfahren von Neville ist unpraktisch, wenn man das Polynom selbst sucht oder das Polynom an
MehrFür die Parameter t und ϕ sind das im angegebenen Bereich Funktionen, d.h. zu jedem Parameterwert gehört genau ein Punkt.
PARAMETERFUNKTIONEN Zwei Beispiele: gsave currentpoint translate 21 4 div setlin 1 1 x = 2t 2 1 y = t < t
MehrÜbungsaufgaben zur Linearen Algebra II. 1.) Lösen Sie das folgende lineare Gleichungssystem mit der Cramerschen Regel.
Blatt 1 21.4.97 1.) Lösen Sie das folgende lineare Gleichungssystem mit der Cramerschen Regel. 3x 1 x 2 + 5x 3 = 1 x 1 + 2x 2 + x 3 = 1 2x 1 + 4x 2 + 3x 3 = 1 2.) Zeigen Sie: det 1 1 0 0.......... 0 1
MehrGrundlagen der Bildverarbeitung: Übung 1
Grundlagen der Bildverarbeitung: Übung 1 Michael Korn Raum: BC 414, Tel.: 0203-379 - 3583, E-Mail: michael.korn@uni-due.de Michael Korn (michael.korn@uni-due.de) GBV: Übung 1 1 / 24 Digitale Bilder Michael
Mehr8 Tangenten an Quadriken
8 Tangenten an Quadriken A Geraden auf Quadriken: Sei A 0 eine symmetrische n n Matri und Q : t A + b t + c = 0 eine nicht leere Quadrik im R n, b R n, c R. g = p + R v R n ist die Gerade durch p mit Richtung
MehrLineare Algebra II 9. Übungsblatt
Lineare Algebra II 9. Übungsblatt Fachbereich Mathematik SS Prof. Dr. Kollross 5./6. Juni Susanne Kürsten Tristan Alex Gruppenübung Aufgabe G (Minitest: ohne Benutzung des Skripts und innerhalb von Minuten!)
Mehr2.2 Projektionen und Kameramodelle
Graphikprog. GRUNDLEGENDE VERFAHREN UND TECHNIKEN. Projektionen und Kameramodelle Nachdem alle Objekte einer Szenerie mittels der besprochenen Transformationen im D-Weltkoordinatensystem platziert sind,
Mehr4.7 Der Taylorsche Satz
288 4 Differenziation 4.7 Der Taylorsche Satz Die Differenzierbarkeit, also die Existenz der ersten Ableitung einer Funktion, erlaubt bekanntlich, diese Funktion lokal durch eine affine Funktion näherungsweise
MehrUrs Wyder, 4057 Basel Funktionen. f x x x x 2
Urs Wyder, 4057 Basel Urs.Wyder@edubs.ch Funktionen f 3 ( ) = + f ( ) = sin(4 ) Inhaltsverzeichnis DEFINITION DES FUNKTIONSBEGRIFFS...3. NOTATION...3. STETIGKEIT...3.3 ABSCHNITTSWEISE DEFINIERTE FUNKTIONEN...4
MehrNichtlineare Gleichungssysteme
Kapitel 2 Nichtlineare Gleichungssysteme Problem: Für vorgegebene Abbildung f : D R n R n finde R n mit oder ausführlicher f() = 0 (21) f 1 ( 1,, n ) = 0, f n ( 1,, n ) = 0 Einerseits führt die mathematische
MehrBetrachtung von Verfahren zur Posenbestimmung und Merkmalsexktraktion. Thorsten Jost INF-MA SR Wintersemester 2008/2009 1.
Betrachtung von Verfahren zur Posenbestimmung und Merkmalsexktraktion Thorsten Jost INF-MA SR Wintersemester 2008/2009 1. Dezember 2008 Agenda Motivation Feature Detection SIFT MOPS SURF SLAM Monte Carlo
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.
Mehr7.2.1 Zweite partielle Ableitungen
72 72 Höhere Ableitungen 72 Höhere Ableitungen Vektorwertige Funktionen sind genau dann differenzierbar, wenn ihre Koordinatenfunktionen differenzierbar sind Es ist also keine wesentliche Einschränkung,
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Bildanalyse Literatur David A. Forsyth: Computer Vision i A Modern Approach. Mark S. Nixon und Alberto S. Aguado: Feature Extraction and Image Processing. Ulrich Schwanecke:
Mehr19.3 Oberflächenintegrale
19.3 Oberflächenintegrale Definition: Sei D R 2 ein Gebiet und p : D R 3 eine C 1 -Abbildung x = p(u) mit x R 3 und u = (u 1, u 2 ) T D R 2 Sind für alle u D die beiden Vektoren und u 1 linear unabhängig,
MehrDie komplexen Zahlen und Skalarprodukte Kurze Wiederholung des Körpers der komplexen Zahlen C.
Die omplexen Zahlen und Salarprodute Kurze Wiederholung des Körpers der omplexen Zahlen C. Erinnerung an die Definition von exp, sin, cos als Potenzreihen C C Herleitung der Euler Formel Definition eines
MehrStatistik. Jan Müller
Statistik Jan Müller Skalenniveau Nominalskala: Diese Skala basiert auf einem Satz von qualitativen Attributen. Es existiert kein Kriterium, nach dem die Punkte einer nominal skalierten Variablen anzuordnen
Mehr55. Mathematik-Olympiade 4. Stufe (Bundesrunde) Olympiadeklasse 10 Lösungen 1. Tag
55. Mathematik-Olympiade 4. Stufe (Bundesrunde) Olympiadeklasse 10 Lösungen 1. Tag c 2016 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 551041
Mehr27 Taylor-Formel und Taylor-Entwicklungen
136 IV. Unendliche Reihen und Taylor-Formel 27 Taylor-Formel und Taylor-Entwicklungen Lernziele: Konzepte: klein o - und groß O -Bedingungen Resultate: Taylor-Formel Kompetenzen: Bestimmung von Taylor-Reihen
Mehrd 2 b 2 c 2 d 3 b 3 c 3 , D a 1 d 1 c 1 v 3 Definiton (Verbindungsvektor): Zwei Punkte A(a 1 a 2 a 3 ) und B(b 1 b 2 b 3 ) legen den Vektor b 1 a 1
2008/2009 Das Wichtigste in Kürze Klasse 3 Lineare Gleichungssysteme und Determinanten Definiton (Lineare Gleichungssysteme: Lineare Gleichungssysteme löst man entweder mit dem Gauß-Algorithmus oder nach
MehrAlgebraische Kurven - Vorlesung 5. Homogene Komponenten
Algebraische Kurven - Vorlesung 5 Homogene Komponenten Definition 1. Sei S ein kommutativer Ring und R = S[X 1,...,X n ] der Polynomring über R in n Variablen. Dann heißt zu einem Monom G = X ν = X ν 1
MehrVorkurs Mathematik für Wirtschaftsingenieure und Wirtschaftsinformatiker
Vorkurs Mathematik für Wirtschaftsingenieure und Wirtschaftsinformatiker Übungsblatt Musterlösung Fachbereich Rechts- und Wirtschaftswissenschaften Wintersemester 06/7 Aufgabe (Definitionsbereiche) Bestimme
MehrHochschule Bremerhaven Medizintechnik Mathcad Kapitel 6
6. Diagramme mit Mathcad In diesem Kapitel geht es um andere, als X Y Diagramme. 6.. Kreisdiagramme. Schritt: Die darzustellende Funktion muß zunächst als Funktion definiert werden, zum Beispiel f(x):=
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
MehrÜbungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009
Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.
MehrVektorgeometrie - Teil 1
Vektorgeometrie - Teil 1 MNprofil - Mittelstufe KZN Ronald Balestra CH - 8046 Zürich www.ronaldbalestra.ch Name: Vorname: 14. März 2016 Inhaltsverzeichnis 1 Einführung & die analytische Darstellung der
MehrVersuch C: Auflösungsvermögen Einleitung
Versuch C: svermögen Einleitung Das AV wird üblicherweise in Linienpaaren pro mm (Lp/mm) angegeben und ist diejenige Anzahl von Linienpaaren, bei der ein normalsichtiges Auge keinen Kontrastunterschied
MehrBildtransformationen. Geometrische Transformationen Grauwert-Interpolation
Bildtransformationen Geometrische Transformationen Grauwert-Interpolation Transformation Transformation zwei Schritte geometrische Transformation (Trafo der Koordinaten) Neuberechnung der Pielwerte an
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Die Verteilung einer Summe X +X +...+X n, wobei X,..., X n unabhängige standardnormalverteilte Zufallsvariablen sind, heißt χ -Verteilung mit n Freiheitsgraden. Eine N(, )-verteilte
MehrK8 Stetige Zufallsvariablen Theorie und Praxis
K8 Stetige Zufallsvariablen Theorie und Praxis 8.1 Theoretischer Hintergrund Wir haben (nicht abzählbare) Wahrscheinlichkeitsräume Meßbare Funktionen Zufallsvariablen Verteilungsfunktionen Dichten in R
Mehr9th NEMO-SpectroNet Collaboration Forum
9th NEMO-SpectroNet Collaboration Forum Jena, 15.12.2010 Color and Multi Spectral Imaging An Overview Dr. Ing. Thomas Fahlbusch, PhotonicNet GmbH, Hannover Farbaufnahme 1-Chipkamera Bayer Farbmosaik Chips
Mehr1.1.1 Ergebnismengen Wahrscheinlichkeiten Formale Definition der Wahrscheinlichkeit Laplace-Experimente...
Inhaltsverzeichnis 0 Einführung 1 1 Zufallsvorgänge und Wahrscheinlichkeiten 5 1.1 Zufallsvorgänge.......................... 5 1.1.1 Ergebnismengen..................... 6 1.1.2 Ereignisse und ihre Verknüpfung............
MehrQuantitatives Risikomanagement
Quantitatives Risikomanagement Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften und Irrtümer von Jan Hahne und Wolfgang Tischer -Korrelation und Abhängigkeit im Risikomanagement: Eigenschaften
MehrGeometrische Objekte im 3-dimensionalen affinen Raum oder,... wie nützlich ist ein zugehöriger Vektorraum der Verschiebungen
Geometrische Objekte im -dimensionalen affinen Raum Bekanntlich versteht man unter geometrischen Objekten Punktmengen, auf die man die üblichen Mengenoperationen wie z.b.: Schnittmenge bilden: - aussagenlogisch:
MehrEinführung in die theoretische Physik 1
Einführung in die theoretische Physik 1 Prof. Dr. L. Mathey Dienstag 15:45 16:45 und Donnerstag 10:45 12:00 Beginn: 23.10.12 Jungius 9, Hörs 2 1 Organisatorisches Vorlesung am 1.11.: wird dankenswerterweise
Mehr2. VEKTORANALYSIS 2.1 Kurven Definition: Ein Weg ist eine stetige Abbildung aus einem Intervall I = [a; b] R in den R n : f : I R n
2. VEKTORANALYSIS 2.1 Kurven Definition: Ein Weg ist eine stetige Abbildung aus einem Intervall I = [a; b] R in den R n : f : I R n f ist in dem Fall ein Weg in R n. Das Bild f(t) des Weges wird als Kurve
Mehr3.4 Asymptotische Evaluierung von Sch atzer Konsistenz Konsistenz Definition 3.4.1: konsistente Folge von Sch atzer
3.4 Asymptotische Evaluierung von Schätzer 3.4.1 Konsistenz Bis jetzt haben wir Kriterien basierend auf endlichen Stichproben betrachtet. Konsistenz ist ein asymptotisches Kriterium (n ) und bezieht sich
MehrFormerkennung anhand hierarchisch fragmentierter Konturen durch ein Ensemble von LCC-Klassifikatoren
Formerkennung anhand hierarchisch fragmentierter Konturen durch ein Ensemble von LCC-Klassifikatoren Diplomarbeit vorgelegt von Alexandra Barchunova Lehrstuhl für Kognitive Systeme Institut für Informatik
MehrEine zweidimensionale Stichprobe
Eine zweidimensionale Stichprobe liegt vor, wenn zwei qualitative Merkmale gleichzeitig betrachtet werden. Eine Urliste besteht dann aus Wertepaaren (x i, y i ) R 2 und hat die Form (x 1, y 1 ), (x 2,
MehrErweiterung: Flächeninhalt mit Vorzeichen. a b, P, Q, R gegen Uhrzeigersinn a b, P, Q, R im Uhrzeigersinn
Flächeninhalte Flächeninhalt eines Dreiecks: R A(PQR)= 1 2 = 1 2 a b sin α a b P b α a c Q Erweiterung: Flächeninhalt mit Vorzeichen A(PQR)= 1 2 1 2 a b, P, Q, R gegen Uhrzeigersinn a b, P, Q, R im Uhrzeigersinn.
MehrMusterlösung Klausur zur Linearen Algebra II
Musterlösung Klausur zur Linearen Algebra II Samstag 8. Juli 6 -Uhr. a) Sei f : V W k-linear. Denieren Sie V und f : W V. b) Die Gruppe G operiere auf der Menge M. Denieren Sie die Bahn und die Isotropiegruppe
Mehr1.2 Das kartesische Koordinatensystem
Kapitel 1 Vektoralgebra 1.1 Einführung Am ersten Kapitel widmen wir uns den Grundlagen der Vektoralgebra, wobei wir speziell auf die Definitionen von Skalaren und Vektoren eingehen und Produkte zwischen
Mehr11. Folgen und Reihen.
- Funktionen Folgen und Reihen Folgen Eine Folge reeller Zahlen ist eine Abbildung a: N R Statt a(n) für n N schreibt man meist a n ; es handelt sich also bei einer Folge um die Angabe der Zahlen a, a
Mehr7.3 Anwendungsbeispiele aus Physik und Technik
262 7. Differenzialrechnung 7.3 7.3 Anwendungsbeispiele aus Physik und Technik 7.3.1 Kinematik Bewegungsabläufe lassen sich durch das Weg-Zeit-Gesetz s = s (t) beschreiben. Die Momentangeschwindigkeit
MehrVergleich von KreditRisk+ und KreditMetrics II Seminar Portfoliokreditrisiko
Vergleich von KreditRisk+ und KreditMetrics II Seminar Portfoliokreditrisiko Jan Jescow Stoehr Gliederung 1. Einführung / Grundlagen 1.1 Ziel 1.2 CreditRisk+ und CreditMetrics 2. Kreditportfolio 2.1 Konstruktion
Mehrgebrochene Zahl gekürzt mit 9 sind erweitert mit 8 sind
Vorbereitungsaufgaben Mathematik. Bruchrechnung.. Grundlagen: gebrochene Zahl gemeiner Bruch Zähler Nenner Dezimalbruch Ganze, Zehntel Hundertstel Tausendstel Kürzen: Zähler und Nenner durch dieselbe Zahl
Mehrα π r² Achtung: Das Grundwissen steht im Lehrplan! 1. Kreis und Kugel
Achtung: Das Grundwissen steht im Lehrplan! Tipps zum Grundwissen Mathematik Jahrgangsstufe 10 Folgende Begriffe und Aufgaben solltest Du nach der 10. Klasse kennen und können: (Falls Du Lücken entdeckst,
MehrDifferenzengleichungen. und Polynome
Lineare Differenzengleichungen und Polynome Franz Pauer Institut für Mathematik, Universität Innsbruck Technikerstr. 13/7, A-600 Innsbruck, Österreich franz.pauer@uibk.ac.at 1 Einleitung Mit linearen Differenzengleichungen
MehrStrahlensätze anwenden. ähnliche Figuren erkennen und konstruieren. ähnliche Figuren mit Hilfe zentrischer Streckung konstruieren.
MAT 09-01 Ähnlichkeit 14 Doppelstunden Leitidee: Raum und Form Thema im Buch: Zentrische Streckung (G), Ähnlichkeit (E) Strahlensätze anwenden. ähnliche Figuren erkennen und konstruieren. ähnliche Figuren
MehrTrigonometrie. bekannte Zusammenhänge. 4-Streckensatz: groß/klein = groß/klein. Zusammenhänge im allgemeinen Dreieck:
Trigonometrie bekannte Zusammenhänge 4-Streckensatz: groß/klein = groß/klein Zusammenhänge im allgemeinen Dreieck: Summe zweier Seiten größer als dritte Seitenlänge: a + b > c Innenwinkelsumme: Summe der
MehrKinematik des starren Körpers
Technische Mechanik II Kinematik des starren Körpers Prof. Dr.-Ing. Ulrike Zwiers, M.Sc. Fachbereich Mechatronik und Maschinenbau Hochschule Bochum WS 2009/2010 Übersicht 1. Kinematik des Massenpunktes
MehrSeminararbeit für das SE Reine Mathematik- Graphentheorie
Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis
MehrRotationskörper. Ronny Harbich. 1. August 2003 (geändert 24. Oktober 2007)
Rotationskörper Ronny Harbich 1. August 2003 geändert 24. Oktober 2007) Inhaltsverzeichnis 1 Einführung 3 2 Anschauliche Herleitung 4 2.1 Darstellungen................................. 4 2.2 Gleichungen
Mehr8 Lineare Abbildungen
80 8 Lineare Abbildungen In diesem Kapitel untersuchen wir lineare Abbildungen von R n nach R m wie zum Beispiel Spiegelungen, Drehungen, Streckungen und Orthogonalprojektionen in R 2 und R 3 Man nennt
MehrFarbtiefe. Gängige Farbtiefen
Farbtiefe Die Anzahl der darstellbaren Farben ist abhängig von den Farbabstufungen, die in einem Pixel gespeichert werden. Die Anzahl der darstellbaren Farbtöne wird als Farbtiefe bezeichnet. Die Farbtiefe
MehrSurjektive, injektive und bijektive Funktionen.
Kapitel 1: Aussagen, Mengen, Funktionen Surjektive, injektive und bijektive Funktionen. Definition. Sei f : M N eine Funktion. Dann heißt f surjektiv, falls die Gleichung f(x) = y für jedes y N mindestens
MehrMathematische Methoden in den Ingenieurwissenschaften 1. Übungsblatt
Prof Dr M Gerdts Dr A Dreves J Michael Wintertrimester 216 Mathematische Methoden in den Ingenieurwissenschaften 1 Übungsblatt Aufgabe 1 : (Schwimmer Ein Schwimmer möchte einen Fluss der Breite b > überqueren,
Mehr1 Einleitung. 1.1 Motivation. 6 Differentialgeometrie: Grundlagen Vorlesung 1
6 Differentialgeometrie: Grundlagen Vorlesung Einleitung. Motivation.. Name of the game Geometer bezeichnet klassisch einen Landvermesser (heute ist eher Geodät gebräuchlich. Die klassische Differentialgeometrie
Mehr3.3 Eigenwerte und Eigenräume, Diagonalisierung
3.3 Eigenwerte und Eigenräume, Diagonalisierung Definition und Lemma 3.3.1. Sei V ein K-Vektorraum, φ End K (V ), λ K. Wir defnieren den zu λ gehörigen Eigenraum von φ als Dies ist ein Unterraum von V.
MehrVektoralgebra Anwendungen der Vektorrechnung VEKTORRECHNUNG. Prof. Dr. Dan Eugen Ulmet. Hochschule Esslingen 1/64
1/64 VEKTORRECHNUNG Prof. Dr. Dan Eugen Ulmet Hochschule Esslingen März 2011 2/64 Overview Vektoralgebra 1 Vektoralgebra 2 Was sind Vektoren? 3/64 Vektoren werden geometrisch definiert als Pfeilklassen:
MehrFormelzusammenstellung
Übung zu Mechanik 4 - ormelsammlung Seite 4 ormelzusammenstellung. Grundbegriffe Harmonische Schwingung Sinusschwingung: (t) sin ( t + ϕ) Schwingungsamplitude: Kreisfrequenz: Phasenwinkel: requenz: f Schwingungsdauer,
MehrMathematik 3 für Informatik
Gunter Ochs Wintersemester 5/6 Mathematik 3 für Informatik Lösungen zum Hausaufgabenblatt Lösungshinweise ohne Garnatie auf Fehlerfreiheit c 5. Berechnen Sie die folgenden unbestimmten Integrale: a x 4
MehrSollten sich (Flüchtigkeits )Fehler eingeschlichen haben, bitte ich um eine kurze Nachricht an hans
Sollten sich (Flüchtigkeits )Fehler eingeschlichen haben, bitte ich um eine kurze Nachricht an hans josef.coenen@web.de Abitour Analytische Geometrie Leistungskurs Aufgaben 1. Welche Lagebeziehungen zwischen
MehrAufgaben des MSG-Zirkels 10b Schuljahr 2007/2008
Aufgaben des MSG-Zirkels 10b Schuljahr 2007/2008 Alexander Bobenko und Ivan Izmestiev Technische Universität Berlin 1 Hausaufgaben vom 12.09.2007 Zahlentheorie 1 Aufgabe 1.1 Berechne die (quadratischen)
Mehr3 Nichtlineare Gleichungssysteme
3 Nichtlineare Gleichungsssteme 3.1 Eine Gleichung in einer Unbekannten Problemstellung: Gegeben sei die stetige Funktion f(). Gesucht ist die Lösung der Gleichung f() = 0. f() f() a) f ( ) 0 b) f ( )
MehrGrundlagen der 3D-Modellierung
April 28, 2009 Inhaltsverzeichnis 1 Einführung 2 Direkte Darstellungsschemata 3 Indirekte Darstellungsschemata 4 Parametrische Kurven und Freiformflächen 5 Abschluss Motivation Vom physikalischen Körper
MehrMathematik Übungsblatt - Lösung. b) x=2
Hochschule Regensburg Fakultät Informatik/Mathematik Christoph Böhm Sommersemester 204 Technische Informatik Bachelor IT2 Vorlesung Mathematik 2 Mathematik 2 4. Übungsblatt - Lösung Differentialrechnung
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
MehrDemo: Mathe-CD. Integration Flächenberechnungen. Sammlung von Trainingsaufgaben. Friedrich Buckel INTERNETBIBLIOTHEK FÜR SCHULMATHEMATIK
Integration Flächenberechnungen Tet noch nicht fertig Vorabversion! Weitere Aufgaben folgen! Sammlung von Trainingsaufgaben Lösungen in 486 Datei Nr. 48 5 Stand 8. Dezember 008 INTERNETBIBLIOTHEK FÜR SCHULMATHEMATIK
MehrVorkurs Mathematik Übungen zu Differentialgleichungen
Vorkurs Mathematik Übungen zu Differentialgleichungen Als bekannt setzen wir die folgenden Umformungen voraus: e ln(f(x)) = f(x) e f(x)+c = e f(x) e c e ln(f(x)) +c = f(x) e c = f(x) c f ( g(x) ) g (x)
Mehr