Computer Vision Group Prof. Daniel Cremers. Die Schnelle Fourier-Transformation
|
|
- David Maier
- vor 6 Jahren
- Abrufe
Transkript
1 Computer Vision Group Prof. Daniel Cremers Die Schnelle Fourier-Transformation
2 Wiederholung und Zusammenfassung Komplee Zahlen und n-te Einheitswurzeln Lösungen von n DFT als Polynominterpolation im Kompleen Matrischreibweise der DFT und IDFT Schnelle FT durch reursives Aufteilen in geraden und ungeraden Anteil n logn statt n Beim Zusammenbauen werden ger. und unger. Anteile addiert und subtrahiert butterfly Iteration statt Reursion: Sortierphase, Kombinationsphase Bitreversal in der Sortierphase Kostenberechnung mithilfe der erzeugenden Funtion Numerisches Programmieren Dr. Rudolph Triebel
3 Anwendungen Fourierentwiclung Stücweise stetige, -periodische in [-,] Funtion f lässt sich als Fourier-Reihe darstellen vgl. Taylor/Potenz-Reihe: f & a0 a cos b sin i i ce c e c z # a und b heißen Fourier-Koeffizienten von f und berechnen sich wegen der Orthogonalität der Funtionen cos und sin aus a f cos d, b f sin d 3
4 Sie geben die Größe der Anteile von Vielfachen der Grundfrequenz / an, aus denen sich f zusammensetzt Wellenzahl: Periode: / Frequenz: / Grundfrequenz für, cos: Periode, Frequenz / a,b messen Anteil von f zur Frequenz /, bzw. Periode /, oder Wellenzahl. 4
5 Schwingung mit Wellenzahl und Wellenzahl entspricht Periode, bzw. Frequenz / cos, sin bilden Orthonormalsystem Basis Fourierreihe entspricht Taylorreihe für periodische/auf Intervall definierte Funtion 5
6 Satz: Das trigonometrische Polynom f n n a0 a cos b sin stellt die optimale Approimation an die Funtion f dar aus dem Vetorraum der trigonometrischen Polynome vom Grad n: f n f n f f d ist minimal. 6
7 7.,, 0 n n & ' & ' & ' sin sin cos cos cos cos cos cos cos cos n n n n n n f n n f n n f n f f f f n d f a Näherungsweise Berechnung der Fourieroeffizienten aus dem Integral mittels Trapezregel und äquidistanten Stützstellen
8 8 # & ' # & ' # & ' sin cos ep n n n n f i n f n i f Daher ergeben sich die a näherungsweise aus den Real- und Imginärteilen von Diese Werte erhält man aus der IDFT angewendet auf die Funtionswerte an den Stützstellen. Genauso lassen sich die b annähern. Also önnen mittels DFT auf den Vetor der Funtionswerte die Frequenzanteile von f näherungsweise bestimmen werden. DFT transformiert Funtionswerte in Koeffizienten
9 MATLAB-Analyse der Sonnenativität Sonnenflecen treten alle Jahre verstärt auf. Seit 700 wird die ährliche Sonnenflecenativität beschrieben durch die sog. Wolfer-Zahl Größe und Anzahl der Flecen Rudolf Wolf ca Wolferzahl für die Jahre 700 bis 000 9
10 Wolferzahlen in Vetor v als Funtionswerte einer unbeannten periodischen Funtion g mit den Jahreszahlen als Stützstellen. Gesamtbeobachtungszeitraum T besteht aus 300 Jahren. Ersetze daher Intervall [0,] durch das Intervall [0,T] durch den Übergang von epi epi*/300 Zeitintervall Δ Jahr, in dem eine Wolferzahl bestimmt wurde; N T / Δ ist Anzahl der Beobachtungsintervalle Länge des Vetors v Anzahl der Stützstellen; Wellenzahl wieder, Periode T/ 300J./, Frequenz /T; Grundfrequenz also /T. 0
11 Δ Gibt es Schwingungen, die nicht erannt werden önnen? Es önnen nur periodische Vorgänge erfasst werden mit einer Periode > Δ Jahre, da bei leineren Perioden die Schwingung feiner als die feinste Unterteilung Jahr wäre, und daher als solche nicht erennbar ist. Daher ist die größte beobachtbare Wellenzahl gleich N/50, entspricht der Frequenz N//T/Δ, der sog. Nyquist- Frequenz Berechne y FFTv y0 ist die Gesamtsumme aller Wolferzahlen und wird gleich 0 gesetzt enthält eine Angabe über Periodizität.
12 Die anderen Koeffizienten von y enthalten die Größe der verschiedenen Frequenzanteile von g aber als omplee Zahlen. Berechne p y für,..., N / also untersuche nur die Beträge der Frequenzanteile bis zur Nyquist-Wellenzahl N/. p misst die Größe der -ten Vielfachen der Grundfrequenz, also der Frequenz f / T / ΔN für,,...,n/ Anders ausgedrüct bestimmt p das Gewicht der Periode / f T / in der Funtion f.
13 Wir tragen nun den Vetor p auf gegen die dazugehörigen Perioden T/,,...,N/ Betragsquadrate der Fourieroeffizienten, aufgetragen über die dazugehörigen Perioden. Wir önnen den Zylus von Jahren diret ablesen. 3
14 Allgemeines Problem: In welcher Form stellt man numerische Daten dar? Normalerweise aus Messwerten: Samples f Dies entspricht einer Darstellung im Ortsraum. Nachteil: Viele Daten, schlecht omprimierbar, eine Analyse Besser: Übergang zu einer Darstellung bzgl. geeigneter Basisfuntionen z.b., ep, cos,... Dann reichen ev. wenige Koeffizienten aus, um das Signal fast vollständig zu beschreiben. Außerdem ann man aus den Koeffizienten Schlüsse über das Verhalten der Funtion ziehen Frequenzanalyse. 4
15 Beispiel: f 0.5*sin 0. * sin0 Zwei Koeffizienten reichen aus zur Beschreibung Die Koeffizienten bezeichnet man auch als Beschreibung der Funtion im Phasenraum Frequenzraum 5
16 JPEG Bilder werden üblicherweise als Matri gespeichert, deren Einträge pielweise den Grauwert des entsprechend nummerierten Piels enthalten, bzw. bei Farbbildern den Anteil einer der drei Farbomponenten Rot, Grün oder Blau RGB. RGB wird meist in der YUV-Form umgewandelt, bei der die Matri Y die Helligeit beschreibt, und U und V den Farbton U,V lassen sich stärer omprimieren. JPEG zerlegt das Bild in 8 8 Piel große Blöce, die zunächst getrennt bearbeitet werden. Auf ede dieser Teilmatrizen wird eine zweidimensionale Cosinus-Transformation angewandt: DCT Warum DCT, warum nicht DFT? Bilddaten sind reell, und das Bild ist nicht periodisch 6
17 Aus Anwendung der DCT erhält man für die Teilmatrizen wieder die Frequenzanteil-oeffizienten a und b in Teilmatrizen. Die Teilmatri mit den Frequenzanteilen wird nun quantisiert,d.h. die darin stehenden reellen Zahlen werden bestimmten Zahlenintervallen zugeordnet und Intervallweise eweils durch eine Zahl angenähert, die für ein ganzes Intervall gilt. Dadurch werden auch automatisch alle leinen Komponenten, die in dem ersten Intervall mit den leinsten Werten liegen, durch Null ersetzt. Dies erzeugt einen Qualitätsverlust Die entstandene Gesamtmatri aus den disreten Zahlenwerten wird codiert Huffman-Codierung 7
18 Nachteile: Fourier-Methoden haben Schwierigeiten mit Kanten in Bildern Kanten Unstetigeiten Durch stetige Funtionen cos, sin sind Kanten schlecht darstellbar Differenzierbareit Kosten der DCT: On logn bei n Piel. Zu teuer. Daher DCT auf 88-Blöce. JPEG000: Anstatt Cosinus-Transformation auf 8 8 wendet man eine Wavelet-Transformation auf größere Teilmatrizen an. Wavelet-Ansatzfuntionen haben eine Problem mit Kanten, vgl. B-Splines. Genauere Untersuchung folgt später. Kosten für Wavelet-Transformation On 8
19 Lineare Filter Betrachte Vetor v, dessen Komponenten wieder disrete Werte einer Funtion oder eines Bildes darstellen Sampling. Zunächst -dimensional. Wir filtern diesen Vetor, indem wir ede Komponente ersetzen durch eine gewichtete Kombination der Nachbaromponenten. So entspricht die Mase: 4 [ ] der Operation v v v v 4, bzw. der Matrimultipliation 9
20 0 v v # & ' 4 # & , 8 4,,,,,, i i i i i i v v v v v v Im zwei-dim. entspricht dies z.b. der Mase Vorsicht am Rand Fehlende Werte haben Einfluß auf Messwerte Man benötigt Annahmen für v 0 und v n. Was ist sinnvoll?
21 Genauso Gaussfilter: 6 Dies entspricht glättenden Filtern, die zu einem weicheren Bild führen: Mittelwertfilter, Glätter, Weichzeichner, oder Tiefpassfilter zur Abschwächung von Rauschen, bzw. hochfrequenten Anteilen. Hochfrequente Störungen, die einzelne Komponente verändern, werden durch die Mittelwertbildung verringert Entsprechend ann man Hochpassfilter definieren, die die Unterschiede hervorheben, das Bild härter machen und niederfrequente glatte Anteile abschwächen Differenzfilter, Scharfzeichner. & 4 #
22 z.b. Laplacefilter: Sobelfilter, # & Bisher entsprechen die Methoden einer Filterung im Ortsraum. Im Gegensatz dazu ann man auch Filter im Phasenraum Frequenz~ zum Entfernen von Rauschen Noise verwenden: v DFTv Filter IDFTv Also Transformation in Fourier-Koeffizientenraum, dann Filtern der Koeffizienten Gewichten/Löschen, dann Rüctransformation vgl. MP3 Hochpassfilter, Tiefpass, Filterband, # &
23 Filtern von Lena: Original Mittelwertfilter Redution Differenzfilter Redution 3
24 4 [ ] / [ ] / Wavelets Betrachte Kombination von Tiefpassfilter und Hochpassfilter im -Dimensionalen zu Masen und v v v h t # & ' # & ' Ersetze den ursprünglichen Vetor verlustfrei durch tief-, bzw. hochpass-gefilterte Vetoren halber Länge down sampling: oder
25 5 v # & ' Der Differenzanteil v h ist in der Regel lein und wird nicht weiterbearbeitet Der Mittelwertanteil tiefpassgefiltert v t wird nach demselben Schema weiteraufgespalten wiederum in Tief/Hochpassanteil durch dieselben Masen. nur anders sortiert
26 Insgesamt: v Level 0, Länge n v t v h Level, n/ v t v h Level, n/4... v t v h Level p, Ersetze nun den Ausgangsvetor v R n durch den letzten Mittelwertanteil auf Level p und sämtliche Differenzanteile v h, das sind auch genau n Zahlen. v h und v t entsprechen quasi den Fourieroeffizienten 6
27 Vorteile: Gesamtosten der Transformation On Differenz-Anteile meist lein gut omprimierbar Differenzanteil auf Level enthält Information über das Verhalten von v auf diesem Level, bzw. in dieser Auflösung Multisalenanalyse, Zerlegung des Vetors in verschiedene Frequenzbereiche Salen Entspricht in etwa der Fourier-Analyse Filter müssen sparse sein damit billig, leicht umehrbar invertierbar damit Original reonstruierbar vgl. DFT und IDFT Aufspalten in Frequenzanteil hoch tief. 7
28 Algorithmische Ähnlicheit zur Fourier-Transformation am Beispiel des Haar-Filters mit den Masen [ ] und [ ] : Butterfly u v uv/ u-v/ 8
29 v 0 v 0 v / v 0 v / v 0 v 4 / v v 0 -v / v v v 3 / v 0 -v / v 3 v -v 3 / v 4 v 4 v 5 / v 4 v 6 / v 0 -v 4 / v 5 v 4 -v 5 / v 6 v 6 v 7 / v 4 -v 6 / v 7 v 6 -v 7 / 9
30 0 0 / 0 / 0 4 / 0 - / 3 / 0 / 3 3 / / 4 6 / 0 4 / / / 4 6 / /
31 v wird dabei transformiert in alle Differenzanteile und den letzten Mittelwert. Unterschied zur DFT: eine Sortierphase, einfacher Butterfly, nur die Mittelwertanteile werden weiter bearbeitet On 3
32 Ergänzung: Funtionsansatz: Erinnerung: lineare B-Splines Hut-Funtion y Φ Φ- Φ: alle Φ- 0 Äquidistante Stützstellen,-,0,,, Zur Vereinfachung betrachten wir den onstanten B-Spline 0: Φ: y Φ Φ- alle Φ- 0 3
33 Φ heißt Salierungsfuntion und liefert Basis Φ-, Weiterhin erfüllt Φ die Salierungsgleichung Φ Φ Φ- Stellt die Beziehung her zwischen fein/grob disretisiert. y Φ: als Umsalierung von Φ Genauso liefern Φ- feinere Ansatzfuntionen z.b. Φ0.5 Φ*0.5 Φ*0.5- Φ0.5 Filter-Mase [ ], denn *Φ *Φ- zu Tiefpass-Filter Mittelwertfilter 33
34 Notwendig ist zweiter Hochpass-Filter Differenz-Filter. Definiere dazu zur Salierungsfuntion Φ die eigentliche Waveletfuntion W *Φ - *Φ-, Mase [ - ] y W: Wichtig: Orthogonalität der Ansatzfuntionen Φ W d 0 Warum sind diese Funtionen orthogonal? Φ- sind Basis zu feinerer Disretisierung und höherer Auflösung Genauigeit. 34
35 Mit den obigen Beziehungen ann Φ eindeutig durch Φ und W dargestellt werden: Φ Φ Φ W Φ Φ Φ Φ Φ W / Φ W / oder umgeehrt Gegeben: f a Φ- Nun önnen wir den Übergang von Koeffizienten zur Basis Φ- zu Koeffizienten bezgl. Φ-, W- beschreiben a Φ- a Φ-W- / a Φ-- a Φ--W- / 35
36 f f W b a W a a a a W a W a a a a f hochpass tiefpass Φ Φ Φ Φ Φ Φ Φ gerade/ungerade
37 Anwendung der beiden Filtermasen [ ] / und [ - ] / auf die Koeffizienten a liefert neue Koeffizienten zu hoch/tiefpass-gefilterten Teil-Funtionen. Umgeehrt ann aus den beiden gefilterten Teilfuntionen die Gesamtfuntion f wieder reonstruiert werden mittels f a tiefpass 0 a a a Φ 0 0 Φ b Φ 0 0 Φ Φ 0 b 0 a Φ f f a hochpass b b W 0 Φ a Φ Φ Φ 37
38 Also Anwendung der Filter [ ] und [ - ] auf die Koeffizienten der hoch/tiefpassgefilterten Koeffizienten liefert die Koeffizienten zur feineren Disretisierung. Funtionenfamilien auf verschiedenen Salen: Φ-,..., -,0,,... Φ-,..., -,0,, Φ -,..., -,0,,...,...,-,0,,... 38
39 39 Basisumrechnung von f: a b a # & ' # & ' Φ - Φ - - W - - beschrieben durch die Transformation der Koeffizienten: entsprechend Tief- und Hochpassfilter mit Haar-Filter.
40 40 Umehrung mit # & # & b a a Reursive Wiederholung: a a - b - a - b -.. a 0 b 0
41 Wavelet als Verschmelzung der lassischen Filter und Fourieranalyse mit der Idee loaler Basisfuntionen wie bei den B-Splines. Haar-Filter Haar-Wavelet 4
42 4
43 Fourier-Analyse FFT cos, sin Salierung Alle gleichberechtigt globaler Träger Multisalen-Analyse Wavelet W -m, Φ -m Shift m, Salierung Mittelwert/Differenz loaler Träger Kantenproblem Volle Reursion Kosten On logn Frequenz aus Fourieroeffizienten Loal, adaptiv Reursion nur im Mittelwert Kosten On Frequenz aus Waveletoeffizienten 43
44 Zusammenfassung Fourier-Transformation ann angewendet werden für die Frequenzanalyse eines Signals Beispiel: Wolfer- Zahlen Eine ähnliche Transformation ist die Disrete Cosinus- Transformation DCT Sie wird z.b. für das JPEG Verfahren eingesetzt Wavelets verwenden onstante B-Splines als orthogonale Basisfuntionen Sie önnen durch lin. Filtermasen dargestellt werden Wavelets sind effizienter als die FFT und haben bessere Eigenschaften bzgl. Kanten Numerisches Programmieren 44 Dr. Rudolph Triebel
Filtern, JPEG, MP3. Fourier-Analyse JPEG MP3. Filtern - Wavelet
Filtern, JPEG, MP3 Fourier-Analyse JPEG MP3 Filtern - Waelet Filtern Ausgangspunkt: Gegebenes Signal soll -erändert werden (Hifi, Weichzeichner, ) -analysiert werden (EKG Herztöne, ) -komprimiert werden
MehrDigitale Signalbearbeitung und statistische Datenanalyse
Digitale Signalbearbeitung und statistische Datenanalyse Teil 5 8 Aus ontinuierlichem Signal werden in onstanten Zeitintervallen Daten entnommen ontinuierliches Signal x(t) Einheitsimpulsfuntion Gewichtete
MehrSystemtheorie abbildender Systeme
Bandbegrenzung Bild in (b) nicht band-begrenzt: scharfe Kanten = Dirac-Funktionen = weißes Spektrum Erfordert Tapering vor Digitalisierung (Multiplikation mit geeigneter Fensterfunktion; auf Null drücken
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
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
MehrVom Zeit- zum Spektralbereich: Fourier-Analyse
Vom Zeit- zum Spektralbereich: Fourier-Analyse Ergebnis der Analyse Zerlegung eines beliebigen periodischen Signals in einem festen Zeitfenster in eine Summe von Sinoidalschwingungen Ermittlung der Amplituden
Mehr(Fast) Fourier Transformation und ihre Anwendungen
(Fast) Fourier Transformation und ihre Anwendungen Johannes Lülff Universität Münster 14.01.2009 Inhaltsverzeichnis 1 Einführung 2 FFT 3 Anwendungen 4 Beschränkungen 5 Zusammenfassung Definition Fouriertransformation
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
Mehrcos(kx) sin(nx)dx =?
3.5 Fourierreihen 3.5.1 Vorbemerkungen cos(kx) sin(nx)dx =? cos gerade Funktion x cos(kx) gerade Funktion sin ungerade Funktion x sin(nx) ungerade Funktion x cos(kx) sin(nx) ungerade Funktion Weil [, π]
MehrMultimediatechnik / Video
Multimediatechnik / Video Video-Kompression Zusammenfassung http://www.nanocosmos.de/lietz/mtv 2009 1 Motivation: Video-Kompression Unkomprimierte Datenmengen sind zu groß! TV: 20 MB/s = 72 GB/h (720x576x2x25)
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
MehrDigitale Bildverarbeitung Einheit 8 Lineare Filterung
Digitale Bildverarbeitung Einheit 8 Lineare Filterung Lehrauftrag SS 2008 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen, wie lineare
MehrDiskrete und Schnelle Fourier Transformation. Patrick Arenz
Diskrete und Schnelle Fourier Transformation Patrick Arenz 7. Januar 005 1 Diskrete Fourier Transformation Dieses Kapitel erläutert einige Merkmale der Diskreten Fourier Transformation DFT), der Schnellen
MehrBildrekonstruktion & Multiresolution
Bildrekonstruktion & Multiresolution Verkleinern von Bildern? Was ist zu beachten? Es kann aliasing auftreten! Das Abtasttheorem sagt wie man es vermeidet? ===> Page 1 Verkleinern von Bildern (2) Vor dem
MehrSiSy1, Praktische Übung 3. Fourier-Analyse (periodischer Signale) kann als Fourier-Reihe 1 beschrieben werden:
/5 Fourier-Analyse (periodischer Signale) Grundlagen Ein periodisches, kontinuierliches Signal x(t) der Periodendauer kann als Fourier-Reihe beschrieben werden: wie folgt ( ) = c k x t + e j k 2πf t k=
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
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
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
Mehr5. Fourier-Transformation
Fragestellungen: 5. Fourier-Transformation Bei Anregung mit einer harmonischen Last kann quasistatitisch gerechnet werden, wenn die Erregerfrequenz kleiner als etwa 30% der Resonanzfrequenz ist. Wann darf
Mehr(Bitte geben Sie bei der Beantwortung von Fragen eine Begründung bzw. bei der Lösung von Kurzaufgaben eine kurze Berechnung an!)
Teil 1: Fragen und Kurzaufgaben (Bitte geben Sie bei der Beantwortung von Fragen eine Begründung bzw. bei der Lösung von Kurzaufgaben eine kurze Berechnung an!) Frage 1 (6 Punkte) Es wird ein analoges
MehrFilterung von Bildern (2D-Filter)
Prof. Dr. Wolfgang Konen, Thomas Zielke Filterung von Bildern (2D-Filter) SS06 6. Konen, Zielke Aktivierung Was, denken Sie, ist ein Filter in der BV? Welche Filter kennen Sie? neuer Pixelwert bilden aus
MehrFILTER UND FALTUNGEN
Ausarbeitung zum Vortrag von Daniel Schmitzek im Seminar Verarbeitung und Manipulation digitaler Bilder I n h a l t. Der Begriff des Filters 3 2. Faltungsfilter 4 2. Glättungsfilter 4 2.2 Filter zur Kantendetektion
MehrZusammenfassung der 1. Vorlesung
Zusammenfassung der 1. Vorlesung Einordnung und Motivation Grundlegende Definitionen Kontinuierliches Signal Zeitdiskretes Signal Quantisiertes Signal Digitales Signal Kontinuierliches System Abtastsystem
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
Mehrf(t) = a 2 + darstellen lasst Periodische Funktionen.
7. Fourier-Reihen Viele Prozesse der Ingenieur- und Naturwissenschaften verlaufen periodisch oder annahernd periodisch, wie die Schwingungen einer Saite, Spannungs- und Stromverlaufe in Wechselstromkreisen
MehrR.Wagner, Mathematik in der Astronomie
Mathematik in der Astronomie Roland Wagner Johann Radon Institute for Computational and Applied Mathematics (RICAM) Österreichische Akademie der Wissenschaften (ÖAW) Linz, Austria Linz, 20.Mai 2016 Übersicht
MehrVersuch 3: Anwendungen der schnellen Fourier-Transformation (FFT)
Versuch 3: Anwendungen der schnellen Fourier-Transformation (FFT) Ziele In diesem Versuch lernen Sie zwei Anwendungen der Diskreten Fourier-Transformation in der Realisierung als recheneffiziente schnelle
MehrDie Fourier-Transformation
1/20 Die Fourier-Transformation 2/20 Die FT ermittelt aus dem Signal von überlagerten Schwingungen welche Frequenzen enthalten sind FT 3/20 Von der folgenden Schwingung soll die Frequenz ermittelt werden
MehrKonvergenz im quadratischen Mittel und Parsevalsche Gleichung
Konvergenz im quadratischen Mittel und Parsevalsche Gleichung Skript zum Vortrag im Proseminar Analysis bei Prof Dr Picard, gehalten von Helena Malinowski In vorhergehenden Vorträgen und dazugehörigen
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathemati PROF. DR.DR. JÜRGEN RICHTER-GEBERT, VANESSA KRUMMECK, MICHAEL PRÄHOFER Höhere Mathemati für Informatier II (Sommersemester 00) Lösungen zu Aufgabenblatt
MehrNumerisches Programmieren, Übungen
Technische Universität München SS 2012 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Alexander Breuer Dipl.-Math. Dipl.-Inf. Jürgen Bräckle Dr.-Ing. Markus
MehrMathematik und Musik: Fourieranalyse
Mathematik und Musik: Fourieranalyse Matheseminar JKU Linz WS2015/16 Peter Gangl Linz 5. Februar 2016 1 / 20 Outline 1 Musik mathematisch betrachtet 2 2 / 20 Outline 1 Musik mathematisch betrachtet 2 2
MehrLokale Frequenzanalyse
Lokale Frequenzanalyse Fourieranalyse bzw. Powerspektrum liefern globale Maße für einen Datensatz (mittleres Verhalten über die gesamte Länge des Datensatzes) Wiederkehrdiagramme zeigten, dass Periodizitäten
Mehrf(x, y) = 0 Anschaulich bedeutet das, dass der im Rechteck I J = {(x, y) x I, y J}
9 Der Satz über implizite Funktionen 41 9 Der Satz über implizite Funktionen Wir haben bisher Funktionen g( von einer reellen Variablen immer durch Formelausdrücke g( dargestellt Der Zusammenhang zwischen
MehrModellfall. Orthogonalität trigonometrischer Funktionen. Anwendungen: f : (0, L) R gegeben.
Modellfall Anwendungen: Fragen: Digitalisierung / digitale Darstellung von Funktionen, insbesondere für Ton- und Bilddaten Digitale Frequenzfilter Datenkompression: Abspeichern der unteren Frequenzen Lösung
MehrBiosignalverarbeitung (Schuster)
Biosignalverarbeitung (Schuster) 9. FOURIER - TRANSFORMATION: 4 Ausprägungen der Transformation: Zeitbereich Frequenzbereich Laplace-Transformation Fourier-Transformation kontinuierlicher Signale (FT,
MehrTechnik der Fourier-Transformation
Was ist Fourier-Transformation? Fourier- Transformation Zeitabhängiges Signal in s Frequenzabhängiges Signal in 1/s Wozu braucht man das? Wie macht man das? k = 0 Fourier- Reihe f ( t) = Ak cos( ωkt) +
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
MehrFourier - Transformation
Fourier - Transformation Kurzversion 2. Sem. Prof. Dr. Karlheinz Blankenbach Hochschule Pforzheim, Tiefenbronner Str. 65 75175 Pforzheim Überblick / Anwendungen / Motivation: Die Fourier-Transformation
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
Mehr1. Aufgabe [2 Punkte] Seien X, Y zwei nicht-leere Mengen und A(x, y) eine Aussageform. Betrachten Sie die folgenden Aussagen:
Klausur zur Analysis I svorschläge Universität Regensburg, Wintersemester 013/14 Prof. Dr. Bernd Ammann / Dr. Mihaela Pilca 0.0.014, Bearbeitungszeit: 3 Stunden 1. Aufgabe [ Punte] Seien X, Y zwei nicht-leere
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
MehrLösungen zu den Hausaufgaben zur Analysis II
Christian Fenske Lösungen zu den Hausaufgaben zur Analysis II Blatt 6 1. Seien 0 < b < a und (a) M = {(x, y, z) R 3 x 2 + y 4 + z 4 = 1}. (b) M = {(x, y, z) R 3 x 3 + y 3 + z 3 = 3}. (c) M = {((a+b sin
MehrSSYLB2 SS06 Daniel Schrenk, Andreas Unterweger Übung 8. Laborprotokoll SSY. Diskrete Systeme II: Stabilitätsbetrachtungen und Systemantwort
SSYLB SS6 Daniel Schrenk, Andreas Unterweger Übung 8 Laborprotokoll SSY Diskrete Systeme II: Stabilitätsbetrachtungen und Systemantwort Daniel Schrenk, Andreas Unterweger, ITS 4 SSYLB SS6 Daniel Schrenk,
MehrVU Einführung in Visual Computing 1. Test Gruppe A
09.04.2014 186.822 VU Einführung in Visual Computing 1. Test Gruppe A Matrikelnummer: Nachname: Punkte: Studienkennzahl: Vorname: Bitte tragen sie Ihre Matrikelnummer, Studienkennzahl sowie Vor- und Nachname
MehrPolynominterpolation
Polynominterpolation In der numerischen Mathematik versteht man unter Polynominterpolation die Suche nach einem Polynom, welches exakt durch vorgegebene Punkte (z. B. aus einer Messreihe) verläuft. Dieses
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).
Mehr(x a) 3 + f (a) 4! x 4 4! Wir werden im Folgenden vor allem Maclaurin-Reihen betrachten, dies alles funktioniert aber auch. f (x) = sin x f (0) = 0
Taylor-Reihen Einführung Mathematik GLF / 6 Christian Neukirchen Oft können wir bestimmte mathematische Funktionen nicht genau ausrechnen, besonders die trigonometrischen Funktionen wie, cos x, oder die
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
MehrAllgemeine Form der Fourierreihe einer zwei- -periodischen, stetigen Funktion:
Einführung Eine Funktion mittels trigonometrischer Funktionen darzustellen ist das Ziel bei Fourierreihenentwicklung. Als Fourierreihe einer periodischen Funktion f, die abschnittsweise stetig ist, bezeichnet
MehrGrundlagen der digitalen Bildverarbeitung / Fortsetzung
Grundlagen der digitalen Bildverarbeitung / Fortsetzung Wir haben bereits zwei Beispiele digitaler Bildfilter gesehen. Es gibt eine große Menge von Filtern mit ganz unterschiedlicher Auswirkung auf das
MehrFormale Sprachen. Spezialgebiet für Komplexe Systeme. Yimin Ge. 5ahdvn. 1 Grundlagen 1. 2 Formale Grammatiken 4. 3 Endliche Automaten 5.
Formale Sprachen Spezialgebiet für Komplexe Systeme Yimin Ge 5ahdvn Inhaltsverzeichnis 1 Grundlagen 1 2 Formale Grammatien 4 Endliche Automaten 5 4 Reguläre Sprachen 9 5 Anwendungen bei Abzählproblemen
MehrSTETIGKEITS- UND KONVERGENZMODI FÜR FUNKTIONEN UND FUNKTIONENFOLGEN
STETIGKEITS- UN KONVERGENZMOI FÜR FUNKTIONEN UN FUNKTIONENFOLGEN. Vorbemerungen Im folgenden seien stets: (M, d), (K, ρ) metrische Räume, (V, V ) ein Banach-Raum (nicht notwendigerweise endlichdimensional!),
MehrMathematik für Anwender I. Beispielklausur I mit Lösungen
Fachbereich Mathematik/Informatik Prof. Dr. H. Brenner Mathematik für Anwender I Beispielklausur I mit en Dauer: Zwei volle Stunden + 10 Minuten Orientierung, in denen noch nicht geschrieben werden darf.
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
Mehr4.4. Rang und Inversion einer Matrix
44 Rang und Inversion einer Matrix Der Rang einer Matrix ist die Dimension ihres Zeilenraumes also die Maximalzahl linear unabhängiger Zeilen Daß der Rang sich bei elementaren Zeilenumformungen nicht ändert
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
MehrTEILWEISE ASYNCHRONE ALGORITHMEN
TEILWEISE ASYNCHRONE ALGORITHMEN FRANK LANGBEIN Literatur: D. Berseas, J. Tsitsilis: Parallel and distributed computatoin, pp. 48 489 URI: http://www.langbein.org/research/parallel/ Modell teilweiser asynchroner
Mehr3. Leistungsdichtespektren
Stochastische Prozesse: 3. Leistungsdichtespektren Wird das gleiche Geräusch mehrmals gemessen, so ergeben sich in der Regel unterschiedliche zeitliche Verläufe des Schalldrucks. Bei Geräuschen handelt
MehrBildtransformationen. Geometrische Transformationen Grauwert-Interpolation
Bildtransformationen Geometrische Transformationen Grauwert-Interpolation Transformation Transformation zwei Schritte geometrische Transformation (Trafo der Koordinaten) Neuberechnung der Pielwerte an
MehrFrequenzanalyse. Der Abstand der diskreten Frequenzlinien ist der Kehrwert der Periodendauer:
WS 0 Fourier-Reihe: Jede einigrermaßen gutartige 1 periodishe reelle Zeitfuntion x(t) ann mittels einer Fourier-Reihe dargestellt werden als eine Summe omplexer Amplituden (Fourier-Synthese): xt () e n
MehrLineare Algebra für D-ITET, D-MATL, RW. Beispiellösung für Serie 10. Aufgabe ETH Zürich D-MATH. Herbstsemester Dr. V. Gradinaru D.
Dr. V. Gradinaru D. Devaud Herbstsemester 5 Lineare Algebra für D-ITET, D-MATL, RW ETH Zürich D-MATH Beispiellösung für Serie Aufgabe..a Bezüglich des euklidischen Skalarprodukts in R ist die Orthogonalprojektion
MehrTaylorreihen. Kapitel 9. Lernziele. Taylorreihe. (x x 0 ) + f (x 0 ) 2! (x x 0 ) f (n) (x 0 ) (x x 0 ) n. Taylorreihe und MacLaurinreihe
Kapitel 9 Taylorreihen Josef Leydold c 2006 Mathematische Methoden IX Taylorreihen 1 / 25 Lernziele Taylorreihe und MacLaurinreihe Beispiele Alternative Schreibweisen Approimation der Veränderung einer
MehrInhaltsbasierte 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
MehrTechnische Beschreibung der akustischen Signalkette
Technische Beschreibung der akustischen Signalkette Wichtige Aufgabe: Vielfältige Medien Gestaltung akustischer Kommunikationsketten (Sprache, Geräusche, Musik, CD, Radio, mp3,...) Unterschiedlichste Information
MehrAllgemeine Beschreibung (1)
Allgemeine Beschreibung (1) Jede periodische Funktion x(t) kann in allen Bereichen, in denen sie stetig ist oder nur endlich viele Sprungstellen aufweist, in eine trigonometrische Reihe entwickelt werden,
MehrApril (Voll-) Klausur Analysis I für Ingenieure. Rechenteil
April (Voll-) Klausur Analysis I für Ingenieure en Rechenteil Aufgabe 7 Punkte (a) Skizzieren Sie die 4-periodische Funktion mit f() = für und f() = für (b) Berechnen Sie für diese Funktion die Fourierkoeffizienten
MehrLongitudinale und transversale Relaxationszeit
Longitudinale und transversale Relaxationszeit Longitudinale Relaxationszeit T 1 (Zeit, die das System benötigt, um nach dem rf- Puls zurück ins Gleichgewicht zu kommen) Transversale Relaxationszeit T
MehrBernstein-Polynome. Autor: Johannes Erath. Schriftliche Ausarbeitung zum Vortrag vom
Bernstein-Polynome Autor: Johannes Erath Schriftliche Ausarbeitung zum Vortrag vom 07.04.2009 1 Inhaltsverzeichnis 1 Einleitung 3 2 Einführung 3 2.1 Etwas Geschichte........................... 3 2.2 Denition
MehrDIGITALE VIDEO KOMPRESSION AM BEISPIEL DES JPEG-VERFAHRENS
1 DIGITALE VIDEO KOMPRESSION AM BEISPIEL DES JPEG-VERFAHRENS Um das digitale Schneiden von digitalisierten Bildern zu ermöglichen, ist es notwendig, die drastisch hohe Datenmenge, die für jedes Bild gespeichert
MehrDer Bipolar-Transistor und die Emitterschaltung Gruppe B412
TECHNISCHE UNIVERSITÄT MÜNCHEN Der Bipolar-Transistor und die Emitterschaltung Gruppe B412 Patrick Christ und Daniel Biedermann 16.10.2009 1. INHALTSVERZEICHNIS 1. INHALTSVERZEICHNIS... 2 2. AUFGABE 1...
MehrComputergrafik 2: Fourier-Transformation
Computergrafik 2: Fourier-Transformation 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
MehrZeitdiskrete, digitale Filter und schnelle Fourier-Transformation (FFT)
Zeitdiskrete, digitale Filter und schnelle Fourier-Transformation (FFT) Inhaltsverzeichnis 1 Allgemeines Filter... 2 2 Filter auf dem Signalprozessor... 2 3 Zusammenhang Zeitsignal und Frequenzspektrum...
MehrÜbung 2: Spektrum periodischer Signale
ZHAW, SiSy, Rumc, Übung : Spektrum periodischer Signale Augabe Verschiedene Darstellungen der Fourierreihe. Betrachten Sie das periodische Signal s(t) = + sin(π t). a) Bestimmen Sie die A k - und B k -Koeizienten
MehrKapitel 7. Bildverarbeitung im Frequenzraum
Kapitel 7 Bildverarbeitung im Frequenzraum Durchführung von Faltungen im Frequenzraum Filterung im Frequenzraum: Tiefpass- und Hochpass-Filter, etc. Bildrestaurierung Notch-Filter: Entfernung periodischer
MehrSatz von Taylor Taylorreihen
Satz von Taylor Taylorreihen Bernhard Ganter Institut für Algebra TU Dresden D-01062 Dresden bernhard.ganter@tu-dresden.de Tangente als Näherung Weil sich anschaulich die Tangente anschmiegt, ist die Tangentenfunktion
MehrFouriertransformation
Fouriertransformation Radix2 fast fourier transform nach Cooley/Tukey 1 Inhaltsübersicht Mathematische Grundlagen: Komplexe Zahlen und Einheitswurzeln Die diskrete Fouriertransformation Der Radix2-Algorithmus
MehrMotivation. Diskretisierung. Überblick. Algorithmik III Algorithmen und Modelle für kontinuierliche Datenstrukturen. Diskretisierung und Quantisierung
Algorithmik III Algorithmen und Modelle für kontinuierliche Datenstrukturen Motivation Analoge Aufnahme von Sprache, Bildern Digitale Speicherung durch Diskretisierung + Quantisierung Informationsverlust
MehrFunktion; trigonometrische Reihen; trigonometrische Polynome; gliedweise Integration; Integration und Grenzübergang; Fourier-
Kapitel 26 Fourier-Reihen 26.1 Einführung (Spektrum; harmonische Analyse; Periode einer Funktion; trigonometrische Reihen; trigonometrische Polynome; gliedweise Integration; Integration und Grenzübergang;
MehrModulationsanalyse. Amplitudenmodulation
10/13 Die liefert Spektren der Einhüllenden von Teilbändern des analysierten Signals. Der Anwender kann damit Amplitudenmodulationen mit ihrer Frequenz, ihrer Stärke und ihrem zeitlichen Verlauf erkennen.
Mehr4. Übung für Übungsgruppen Musterlösung
Grundlagenveranstaltung Systemtheorie WS 6/7 (H.S. Stiehl, AB Kognitive Systeme, FB Informatik der Universität Hamburg). Übung für Übungsgruppen Musterlösung (N. Stein, Institut für Angewandte Physik,
MehrPraktikum-Meßtechnik Verfasser: Dr. H. Bergelt
TU Bergakademie Freiberg Praktikum-Meßtechnik Verfasser: Dr. H. Bergelt Filter in der Bildverarbeitung. Einleitung Digitale Filter gehören zu den wirkungsvollsten Methoden der Bildverarbeitung. Wir können
MehrKodierung. Kodierung von Zeichen mit dem ASCII-Code
Kodierung Kodierung von Zeichen mit dem ASCII-Code Weiterführende Aspekte zur Kodierung: Speicherplatzsparende Codes Fehlererkennende und -korrigierende Codes Verschlüsselnde Codes Spezielle Codes, Beispiel
MehrFunktionen. Mathematik-Repetitorium
Funktionen 4.1 Funktionen einer reellen Veränderlichen 4.2 Eigenschaften von Funktionen 4.3 Die elementaren Funktionen 4.4 Grenzwerte von Funktionen, Stetigkeit Funktionen 1 4. Funktionen Funktionen 2
MehrHauptseminar Autofokus
Hauptseminar Autofokus Hans Dichtl 30. Januar 2007 Wann ist ein Bild fokussiert? Wann ist ein Bild fokusiert? Welche mathematischen Modelle stehen uns zur Verfügung? Wie wird das elektronisch und mechanisch
Mehr1 Fraktale Eigenschaften der Koch-Kurve
Anhang Inhaltsverzeichnis Fraktale Eigenschaften der Koch-Kurve iii. Einführung.................................. iii.2 Defintion.................................... iii.3 Gesamtlänge der Koch-Kurve........................
MehrFourier-Reihen: Definitionen und Beispiele
Fourier-Reihen: Definitionen und Beispiele Die Fourieranalysis beschäftigt sich mit dem Problem Funktionen in Kosinus und Sinus zu entwickeln. Diese Darstellungen sind in der Mathematik sowie in der Physik
Mehrq = 1 p = 0.8 0.2 k 0.8 10 k k = 0, 1,..., 10 1 1 0.8 2 + 10 0.2 0.8 + 10 9 1 2 0.22 1 = 0.8 8 [0.64 + 1.6 + 1.8] = 0.678
Lösungsvorschläge zu Blatt 8 X binomialverteilt mit p = 0. und n = 10: a PX = = 10 q = 1 p = 0.8 0. 0.8 10 = 0, 1,..., 10 PX = PX = 0 + PX = 1 + PX = 10 10 = 0. 0 0.8 10 + 0. 1 0.8 9 + 0 1 10 = 0.8 8 [
MehrKurs über Lineare Gleichungssysteme. PD Dr. Karin Halupczok
Kurs über Lineare Gleichungssysteme PD Dr. Karin Halupczok Mathematisches Institut Albert-Ludwigs-Universität Freiburg http://home.mathematik.unifreiburg.de/halupczok/diverses.html karin.halupczok@math.uni-freiburg.de
Mehr9 Funktionen und ihre Graphen
57 9 Funktionen und ihre Graphen Funktionsbegriff Eine Funktion ordnet jedem Element aus einer Menge D f genau ein Element aus einer Menge W f zu. mit = f(), D f Die Menge aller Funktionswerte nennt man
MehrÜbung 6: Fast Fourier Transformation
Computational Physics 1, Seminar 6, Fast Fourier Transformation 1 Übung 6: Fast Fourier Transformation Aufgabe 1 Fourierfilterung von Bildern: Erstellen Sie ein Programm, welches ein Bild einliest, dieses
MehrSermiversusformel und ABC-Tafel
Sermiversusformel und ABC-Tafel Um die Höhe eines beobachteten Gestirns zu erhalten oder um eine Distanz zwischen zwei geographischen Orten auf einem Großkreis zu erhalten, wendet man den Seitenkosinussatz
MehrNetzwerke - Bitübertragungsschicht (1)
Netzwerke - Bitübertragungsschicht (1) Theoretische Grundlagen Fourier-Analyse Jedes Signal kann als Funktion über die Zeit f(t) beschrieben werden Signale lassen sich aus einer (möglicherweise unendlichen)
MehrZahlen und Rechenstrukturen
Teil 1 Zähltheorie KAPITEL 1 Zahlen und Rechenstruturen Eine lassische Aufgabe der disreten Mathemati (Kombinatori) besteht darin zu ermitteln, wieviele Konfigurationen (d.h. disrete Objete von einem
Mehr3.4 Der Gaußsche Algorithmus
94 34 Der Gaußsche Algorithmus Wir kommen jetzt zur expliziten numerischen Lösung des eingangs als eine Motivierung für die Lineare Algebra angegebenen linearen Gleichungssystems 341 n 1 a ik x k = b i,
MehrVorkurs Mathematik Übungen zu Komplexen Zahlen
Vorkurs Mathematik Übungen zu Komplexen Zahlen Komplexe Zahlen Koordinatenwechsel Aufgabe. Zeichnen Sie die folgende Zahlen zunächst in ein (kartesisches) Koordinatensystem. Bestimmen Sie dann die Polarkoordinaten
MehrRekursive Folgen im Pascalschen Dreieck
Reursive Folgen im Pascalschen Dreiec Holger Stephan, Tag der Mathemati,. Juni Zusammenfassung Viele Probleme aus den unterschiedlichsten Teilgebieten der Mathemati (z.b. Analysis, Kombinatori, Zahlen-,
MehrDas wissen Sie: 6. Welche Möglichkeiten zur Darstellung periodischer Funktionen (Signalen) kennen Sie?
Das wissen Sie: 1. Wann ist eine Funktion (Signal) gerade, ungerade, harmonisch, periodisch (Kombinationsbeispiele)? 2. Wie lassen sich harmonische Schwingungen mathematisch beschreiben und welche Beziehungen
MehrJPEG, MPEG & Co. Alex Titze Angewandte Informatik FHTW-Berlin
Referat KIM Alex Titze Angewandte Informatik FHTW-Berlin 76900504811 Einleitung JPEG Geschichte & Überblick Komprimierungsablauf Farbformat DCT (Diskrete Cosinus Transformation) Quantisierung Koeffizientenkodierung
MehrKonvergenz im quadratischen Mittel - Hilberträume
CONTENTS CONTENTS Konvergenz im quadratischen Mittel - Hilberträume Contents 1 Ziel 2 1.1 Satz........................................ 2 2 Endlich dimensionale Vektorräume 2 2.1 Defintion: Eigenschaften
Mehr