Echtzeit Videoverarbeitung
|
|
- Ute Schmitt
- vor 6 Jahren
- Abrufe
Transkript
1 Transformation Marcus Barkowsky Seite 1
2 Überblick Allgemeines Aufgabe Länge der Transformation Arten von Transformationen Trigonometrische Transformationen Sub Band Zerlegung Wavelets Fraktale Vektor Quantisierer Schnelle Algorithmen Diskrete Fourier Transformation Diskrete Cosinus Transformation D DCT Seite
3 Eigenschaften von Transformationen Aufgabengebiete: Bildcodierung Energiekompaktierung bzw. Dekorrelation Repräsentation des Signals mit möglichst wenig Redundanz Möglichst wenig Koeffizienten ungleich 0 Staffelung der Signifikanz der Koeffizienten Analysevorstufe Eingangssignal in gewünschte Repräsentation bringen, z.b. Fourier Transformation für Frequenzraumanalyse/bearbeitung Splines für zeitkontinuierliche Analysen Abhängigkeit von der Signalstatistik: Explizit: Transformations Vorschrift ist signalabhängig z.b. Karhunen Loève Transformation (KLT) Implizit: Transformation ist nur für bestimmte Signalarten geeignet z.b. Diskrete Cosinus Transformation (DCT) Seite 3
4 Anwendungsgebiete Bildcodierung Bildanalyse Fourier Transformation Frequenzraum Analysen Objekterkennung mit Kreuzkorrelation Robuste Lagemessung Skalierungsmessung Seite 4
5 Länge der Transformationsbasisfunktionen Große Ausdehnung (Ganzbildtransformation) Detaillierte Auflösung im transformierten Raum, z.b. viele Frequenzlinien, dadurch gute Selektionseigenschaften, z.b. Bandpaß Sehr viele Koeffizienten nahe 0 Hohe Rechenzeitanforderungen Kleine Ausdehnung (Blocktransformation) Gute örtliche Lokalisierungseigenschaften Signifikanz einzelner Koeffizienten sehr gut feststellbar Region of Interest Bearbeitung möglich, z.b. unterschiedlich starke Quantisierung der Blöcke Nur Blöcke mit hoher Aktivität enthalten viele Koeffizienten ungleich 0 Blockkantenproblematik Seite 5
6 Beispiel DCT DC DC DC DC DC DC DC DC 14 4 Original 4x4 Block DCT Gruppierung 4x4 Block DCT x8 Block DCT x Block DCT 3x3 Block DCT 64x64 Block DCT Seite 6
7 Beispiel DCT Ganzbild DCT Auswahl der Tiefpaß Koeffizienten 4x4 Block DCT Auswahl der Tiefpaß Koeffizienten Seite 7
8 Transformationsklassen (Auswahl) Subband Zerlegung Wavelet Fraktale 1 dimensional dimensional Vektorquantisierer Trigonometrische Transformationen Diskrete Fourier Transformation (DFT) Diskrete Hartley Transformation (DHT) Diskrete Sinus Transformation (DST) Diskrete Cosinus Transformation (DCT) Seite 8
9 Subband Zerlegung Beispiel: f n n 1 f f n n 1 f n f n n 1 f Problem: Auswahl der Filterfunktionen zur exakten Rekonstruktion ohne Aliasing, z.b. mittels Quadratur Spiegel Filtern (QMF) Seite 9
10 Kaskadierte Subband Zerlegung 1 f 1 f 1 f 1 f In dieser Form: Oktavbandzerlegung f f f f Seite 10
11 Wavelet Meist Oktavbandzerlegung mit speziellen Filterfunktionen Optional bei erhöhter Aktivität in Hochpaßanteilen weitere Zerlegung Verwendung spezieller Verfahren zur Gruppierung der Koeffizienten (z.b. Zero Tree) Erweiterung auf zeitliche Komponente möglich (z.b. 3DSLCCA 3D significance linked connected component analysis) x: Tiefpaß y: Tiefpaß x: Hochpaß y: Tiefpaß x: Tiefpaß y: Hochpaß x: Hochpaß y: Hochpaß 1. Zerlegungsschritt Vollständige Zerlegung Optionale HP Zerlegung Seite 11
12 Fraktale Verfahren Idee: Auffinden von Selbstähnlichkeit im Bild meist aus einem unterabgetasteten Bild Ziel: möglichst kleine Auswahl unterschiedlicher Signalformen Eindimensional: Reduktion des D Bildes auf 1D, z.b. mittels Hilbert Kurve Aufteilung des Signals in einzelne Abschnitte und Auffinden von Ähnlichkeiten, Skalierung und Streckung u.ä. möglich Seite 1
13 Fraktale Verfahren Zweidimensional: Auffinden gleicher Bildbereiche Freiheitsgrade: Helligkeit, Kontrast,... Drehung, Skalierung, affine Transformation Optional: Zwischen En und Decoder vereinbarter, fester Mustervorrat Beispiel vom Institut Eurecom (Frankreich) Seite 13
14 Vektorquantisierer Idee: Die Menge aller Muster, aus denen ein Bild zusammengesetzt wird, ist begrenzt Ziel: Aus einem festgelegten Mustervorrat diejenigen auswählen, die das Bild am besten approximieren Beispiel: Ansatz von Strathclyde (H.6L) Auszug aus dem Mustervorrat für 3x3 (generiert durch neuronales Netz) Seite 14
15 Strathclyde Compression Transform (SCT) Verfahren: Letztes Bild als Startwert verwenden Successive Überlagerung (Collage) der im Mustervorrat vorhandenen Muster oder von Bildteilen aus vergangenen Bildern Überlagerung Überlagerung Bild n 1 Schritt 1 Schritt... Bild n Einschränkungen: Mustervorrat enthält quadratische Blöcke der Größe 3x3, x und 8x8 Falls notwendig, wird an kritischen Stellen die Differenz Wavelet codiert (nur bei Bitraten >18kBit/s) Besonderheit: Es wird nicht zwingend der Bereich mit der größten Abweichung verbessert, sondern das hinzugefügte Muster soll die Gesamtbildqualität (PSNR) am stärksten verbessern. Seite 15
16 Trigonometrische Transformationen Aufbau für diskrete Werte mit Transformationsfunktion t(x,n) 1D: F x = N1 N c x n=0 t n,x f n N1 f x = c n t 1 n=0 n,x F n mit: c n = 1 für n=0 1 sonst Anmerkung: Bei der inversen Transformation werden meist Indizes vertauscht und c(n) muß in der Summe berücksichtigt werden! Seite
17 Trigonometrische Transformationen D: F x 1,x = 4 N 1 1 c x N 1 N 1 c x n 1 =0 N 1 n =0 t n 1,x 1 t n,x f n 1,n N 1 1 N 1 f x 1,x = c n 1 c n t 1 n 1,x 1 t 1 n,x F n 1,n n 1 =0 n =0 mit: c n = 1 für n=0 1 sonst Seite 17
18 Funktionen für trigonometrische Transformationen Diskrete Fourier Transformation (DFT) t n,x =e π i x n π i x n N t 1 n,x =e N mit i =1 Diskrete Hartley Transformation (DHT) t n,x =cos π x n N sin π x n N t 1 n,x = t x,n Diskrete Sinus Transformation (DST) x n1 π t n,x =sin N t 1 n,x = t x,n Diskrete Cosinus Transformation (DCT) t n,x =cos x n1 π N t 1 n,x = t x,n Seite 18
19 Visualisierung der inversen Transformation IDCT = Basisfunktionen Koeffizienten gewichtete Basisfunktionen Seite 19
20 Successiver Aufbau mittels Basisfunktionen 1 Koeffizient x Koeffizienten = = 3x3 Koeffizienten = 8x8 Koeffizienten = Seite 0
21 Schnelle Algorithmen DFT Zerlegung nach Danielson Lanczos und Cooley Tukey DCT Chen 1977 Verfeinerungen Tran: Lifting Steps 1999 Tran: Multiplierless DCT D DCT Seite 1
22 Diskrete Fourier Transformation N1 πi k j N F k = e f j j=0 N 1 π i k j N F k = e j=0 N 1 π i k j1 N f j e j=0 j gerade j ungerade f j1 N 1 π i k j N F k = e j=0 N 1 π i k j π i k N f j e e N f j1 j=0 N 1 π i k j N F k = e f j j=0 e πi k DFT der Länge N/ Konstante DFT der Länge N/ über alle j gerade über j ungerade N N 1 πi k j e N f j1 j=0 Seite
23 Diskrete Fourier Transformation 1x DFT N=8 A8 A7 A6 A5 A4 A3 A A1 A4 B4 A3 B3 A B A1 B1 x DFT N=4 e o e o e o e o Aufspaltung in odd (o) und even(e) A B C D A1 B1 C1 D1 4x DFT N= ee oe eo oo ee oe eo oo Aufspaltung der Einzel DFTs 8x DFT N=1 eee oee eoe ooe eeo oeo eoo ooo 1D DFT: Funktionswert= transformierter Wert Koeffizienten sind in dieser Ordnung Wenn die Bits von hinten nach vorn gelesen werden, ist die Reihenfol korrekt A A1 C C1 B B1 D D1 Umsortierung vor der Transformation 4x DFT N= H T H T H T H T A4 A3 A A1 B4 B3 B B1 x DFT N=4 HH HT TH TT HH HT TH TT. A8 A7 A6 A5 A4 A3 A A1 ergibt korrekte Reihenfolge nach der 1x DFT N=8 HHH HHT HTH HTT THH THT TTH TTT Transformation Seite 3
24 Fast Fourier Transformation (FFT) Vorteil: Reduktion von N Operationen auf N log N Beispiel N=56: Von auf 048 Faktor 3 N=65536: Faktor 4096 Konstanten müssen nur einmal berechnet werden für jedes N Ausgangspunkt für viele weitere Algorithmen Nachteil: Nur sinnvoll anwendbar für N= x Seite 4
25 DCT nach Chen Formeldarstellung für 8x8: F x = N1 N c x cos n=0 n1 x π N f n Matrixdarstellung für 8x8: 1 cos π cos π 8 cos 3π 1 cos 5π cos 3π 8 cos 7π 1 cos 3π cos 3π 8 cos 9π 1 cos 15π cos 9π 8 cos 1π 1 cos 5π cos 5π 8 cos 15π 1 cos 5π cos 15π 8 cos 35π 1 cos 7π cos 7π 8 cos 1π 1 cos 35π cos 1π 8 cos 49π 1 cos 9π cos 9π 8 cos 7π 1 cos 45π cos 7π 8 cos 63π 1 cos 11π cos 11π 8 cos 33π 1 cos 55π cos 33π 8 cos 77π 1 cos 13π cos 13π 8 cos 39π 1 cos 65π cos 39π 8 cos 91π 1 cos 15π cos 15π 8 cos 45π 1 cos 75π cos 45π 8 cos 105π x 1 x x 3 x 4 x 5 x 6 x 7 x 8 = X 1 X X 3 X 4 X 5 X 6 X 7 X 8 Seite 5
26 DCT nach Chen Aufgabe: Vereinfachung der Matrix Verfahren: Aufspaltung der Matrix in schwach besetzte Teilmatrizen Ansatz: λ x =cos x π λ 4 λ 4 λ 4 λ 4 λ 4 λ 4 λ 4 λ 4 λ 1 λ 3 λ 5 λ 7 λ 9 λ 11 λ 13 λ 15 λ λ 6 λ 10 λ 14 λ 18 λ λ 6 λ 30 λ 3 λ 9 λ 15 λ 1 λ 7 λ 33 λ 39 λ 45 λ 4 λ 1 λ 0 λ 8 λ 36 λ 44 λ 5 λ 60 λ 5 λ 15 λ 5 λ 35 λ 45 λ 55 λ 65 λ 75 λ 6 λ 18 λ 30 λ 4 λ 54 λ 66 λ 78 λ 90 λ 7 λ 1 λ 35 λ 49 λ 63 λ 77 λ 91 λ 105 Seite 6
27 DCT nach Chen mit cos πx =cos x folgt: λ 3x =λ x dann cos πx =cos x folgt: λ 3x =λ x und cos πx =cos πx folgt:λ x =λ x λ 4 λ 4 λ 4 λ 4 λ 4 λ 4 λ 4 λ 4 λ 1 λ 3 λ 5 λ 7 λ 7 λ 5 λ 3 λ 1 λ λ 6 λ 6 λ λ λ 6 λ 6 λ λ 3 λ 7 λ 1 λ 5 λ 5 λ 1 λ 7 λ 3 λ 4 λ 4 λ 4 λ 4 λ 4 λ 4 λ 4 λ 4 λ 5 λ 1 λ 7 λ 3 λ 3 λ 7 λ 1 λ 5 λ 6 λ λ λ 6 λ 6 λ λ λ 6 λ 7 λ 5 λ 3 λ 1 λ 1 λ 3 λ 5 λ 7 Deutliche Symmetrie ist erkennbar, daher Faktorisierung mit einer entsprechenden Matrix Seite 7
28 DCT nach Chen λ 4 λ 4 λ 4 λ 4 λ 4 λ 4 λ 4 λ 4 λ 1 λ 3 λ 5 λ 7 λ 7 λ 5 λ 3 λ 1 λ λ 6 λ 6 λ λ λ 6 λ 6 λ λ 3 λ 7 λ 1 λ 5 λ 5 λ 1 λ 7 λ 3 λ 4 λ 4 λ 4 λ 4 λ 4 λ 4 λ 4 λ 4 λ 5 λ 1 λ 7 λ 3 λ 3 λ 7 λ 1 λ 5 λ 6 λ λ λ 6 λ 6 λ λ λ 6 λ 7 λ 5 λ 3 λ 1 λ 1 λ 3 λ 5 λ 7 = λ 4 λ 4 λ 4 λ 4 λ 4 λ 4 λ 4 λ 4 λ 4 λ 4 λ 4 λ 4 λ 4 λ 4 λ 4 λ 4 λ λ 6 λ 6 λ λ λ 6 λ 6 λ λ 6 λ λ λ 6 λ 6 λ λ λ 6 λ 1 λ 3 λ 5 λ 7 λ 7 λ 5 λ 3 λ 1 λ 5 λ 1 λ 7 λ 3 λ 3 λ 7 λ 1 λ 5 λ 3 λ 7 λ 1 λ 5 λ 5 λ 1 λ 7 λ 3 λ 7 λ 5 λ 3 λ 1 λ 1 λ 3 λ 5 λ 7 = λ 4 λ 4 λ 4 λ λ 4 λ 4 λ 4 λ λ λ 6 λ 6 λ λ 6 λ λ λ λ 7 λ 5 λ 3 λ λ 3 λ 7 λ 1 λ λ 5 λ 1 λ 7 λ λ 1 λ 3 λ 5 λ x4 DCT bitreversed Rekursion Seite 8
29 DCT nach Chen λ 7 λ 5 λ 3 λ 1 λ 3 λ 7 λ 1 λ 5 λ 5 λ 1 λ 7 λ 3 λ 1 λ 3 λ 5 λ 7 = λ 7 λ 7 λ 1 λ 1 λ 3 λ 3 λ 5 λ 5 λ 5 λ 5 λ 3 λ 3 λ 1 λ 1 λ 7 λ λ 4 λ λ 4 λ = λ λ 1 0 λ 3 λ λ 5 λ 3 0 λ λ λ 4 λ λ 4 λ Seite 9
30 DCT nach Chen λ 4 λ 4 λ 4 λ λ 4 λ 4 λ 4 λ λ λ 6 λ 6 λ λ 6 λ λ λ λ 7 λ 5 λ 3 λ λ 3 λ 7 λ 1 λ λ 5 λ 1 λ 7 λ λ 1 λ 3 λ 5 λ λ 7 λ 5 λ 3 λ 1 λ 3 λ 7 λ 1 λ 5 λ 5 λ 1 λ 7 λ 3 λ 1 λ 3 λ 5 λ 7 = λ λ 1 0 λ 3 λ λ 5 λ 3 0 λ λ λ 4 λ λ 4 λ x 1 x x 3 x 4 x 5 x 6 x X 1 X X 3 X 4 X 5 X 6 X 7 a b c 7 a+b a+( 1)b c λ 7 6 Additionen/Subtraktionen und 0 Multiplikationen Seite 30
31 Umwandlung der Rotationsblöcke x 1 r 11 y 1 x 1 k 1 y 1 r 1 p u x 1 r r 1 y x 1 k y Givens Rotation Lifting Step mit: p = r 1 r 11 u = r 11 r 1 r 11 r r 1 r 1 k 1 = r 11 k = r 11 r r 1 r 1 r 11 Vorteil: Neue Koeffizienten, die besser approximiert werden können Beispiel: für: r 11 = cosα r 1 = sin α r 1 = sin α r = cosα folgt: p= tan α u= sin α cosα k 1 = cosα k = 1 cosα Seite 31
32 Multiplierless DCT Idee: Annäherung der Multiplikations Koeffizienten durch einfach realisierbare Brüche z Methode: Brüche als dyadische Brüche umformen: Ansatz: Multiplikation mit konstanter Größe läßt sich in Shifts und Additionen aufteilen, z.b. x 15= x 111b= x«3 x«x«1 x oder einfach: x 15= x 1 = x«4 x Weiterer Vorteil: exakte Rekonstruktion möglich, da Koeffizienten stets Integer Werte darstellen und IDCT rückwärts durchlaufene DCT ist n Seite 3
33 Flow Graph einer Multiplierless DCT. Config p1 u1 p u p3 u3 p4 u4 p5 Shifts Adds MSE 1 1/ 1/ 1 1/ 1/4 1/4 1/ 3/4 1/ E 3 1/ 3/8 7/8 1/ 3/ 1/4 7/ 3/4 3/ E /3 11/3 11/ 15/3 3/ 3/ 13/3 11/ 13/ E 5 Seite 33
34 D DCT Allgemein: y=a x x=a 1 y mit: dim y =N,dim x =N,dim A =N xn DCT ist allerdings orhonormal und separierbar, daher: y =A x A T mit: dim y =NxN,dim x =NxN,dim A =NxN und A=A A Fazit: Reduktion der Komplexität von O(N 4 ) auf O(N ) durch Zerlegung in Spalten und Zeilentransformation Weitere Vereinfachung möglich: statt N eindimensionaler DCTs nur N eindimensionale DCTs Seite 34
35 Signalgraph für 4x4 DCT aus 4 1D DCTs ẋ 00 x 11 x x 33 x 03 x 1 x 1 x 30 x 01 x 10 x 3 x 3 x 0 x 13 x 0 x 31 1 D DCT 1 D DCT 1 D DCT 1 D DCT y 00 y 10 y 0 y 30 y 11 y 01 y 33 y 3 y y 1 y 0 y 3 y 13 y 03 y 31 y 1 Multiplikation mit 1/ Seite 35
(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
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
MehrNumerische Methoden und Algorithmen in der Physik
Numerische Methoden und Algorithmen in der Physik Hartmut Stadie, Christian Autermann 29.01.2009 Numerische Methoden und Algorithmen in der Physik Hartmut Stadie 1/ 18 Einführung Fourier-Transformation
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
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
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).
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
Mehrfilter Filter Ziele Parameter Entwurf Zölzer (2002) Nov 14, 2015
1 Filter Ziele Parameter Entwurf Zölzer (2002) Nov 14, 2015 2 Beschreibung Übertragungsfunktion H(z), H(ω) Differenzengleichung y[n] Impulsantwort h[n]: Finite Infinite Impulse Response (FIR) Impulse Response
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
MehrSeminar Digitale Signalverarbeitung
Universität Koblenz-Landau Institut für integrierte aturwissenschaften Abteilung Physik Dr. Merten Joost Seminar Digitale Signalverarbeitung Thema: Fast Fourier Transformation Praktische Durchführung einer
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
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
MehrFouriertransformation
Fouriertransformation Radix2 fast fourier transform nach Cooley/Tukey 1 Inhaltsübersicht Mathematische Grundlagen: Komplexe Zahlen und Einheitswurzeln Die diskrete Fouriertransformation Der Radix2-Algorithmus
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)
MehrBiosignalverarbeitung (Schuster)
Biosignalverarbeitung (Schuster) 9. FOURIER - TRANSFORMATION: 4 Ausprägungen der Transformation: Zeitbereich Frequenzbereich Laplace-Transformation Fourier-Transformation kontinuierlicher Signale (FT,
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
MehrFunktionen lassen sich durch verschiedene Eigenschaften charakterisieren. Man nennt die Untersuchung von Funktionen auch Kurvendiskussion.
Tutorium Mathe 1 MT I Funktionen: Funktionen lassen sich durch verschiedene Eigenschaften charakterisieren Man nennt die Untersuchung von Funktionen auch Kurvendiskussion 1 Definitionsbereich/Wertebereich
MehrBrückenkurs Mathematik
Brückenkurs Mathematik 6.10. - 17.10. Vorlesung 3 Geometrie Doris Bohnet Universität Hamburg - Department Mathematik Mi 8.10.2008 1 Geometrie des Dreiecks 2 Vektoren Länge eines Vektors Skalarprodukt Kreuzprodukt
MehrJPEG-Standbildcodierung
JPEG-Standbildcodierung Dipl.-Ing. Guido Heising Digitale Videotechnik, SS 02, TFH Berlin, Dipl.-Ing. G. Heising G. Heising, K. Barthel, G. Blättermann 1 Gliederung der Vorlesung Einführung JPEG (1992)
MehrRepräsentation und Transformation von geometrischen Objekten
Repräsentation und Transformation von geometrischen Objekten Inhalt: Grundlagen Überblick Einfache Transformationen in der Ebene Homogene Koordinaten Einfache Transformationen in der Ebene mit homogenen
Mehr1 Übungen zu Mengen. Aufgaben zum Vorkurs B S. 1. Aufgabe 1: Geben Sie folgende Mengen durch Aufzählen ihrer Elemente an:
Aufgaben zum Vorkurs B S. 1 1 Übungen zu Mengen Geben Sie folgende Mengen durch Aufzählen ihrer Elemente an: A = {x N 0 < x < 4, 8} B = {t N t ist Teiler von 4} C = {z Z z ist positiv, durch 3 teilbar
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
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
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
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
Mehr3D-Transformationen. Kapitel Translation Skalierung
Kapitel 13 3D-Transformationen Wie im weidimensionalen Fall, werden die Definitionspunkte der Objekte als Spaltenvektoren mit homogener Koordinate geschrieben. Die notwendigen Transformationen werden wieder
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,
MehrMathematik II für Studierende der Informatik. Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016
und Wirtschaftsinformatik (Analysis und lineare Algebra) im Sommersemester 2016 5. Juni 2016 Definition 5.21 Ist a R, a > 0 und a 1, so bezeichnet man die Umkehrfunktion der Exponentialfunktion x a x als
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
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
MehrKorrelationsmatrix. Statistische Bindungen zwischen den N Zufallsgrößen werden durch die Korrelationsmatrix vollständig beschrieben:
Korrelationsmatrix Bisher wurden nur statistische Bindungen zwischen zwei (skalaren) Zufallsgrößen betrachtet. Für den allgemeineren Fall einer Zufallsgröße mit N Dimensionen bietet sich zweckmäßiger Weise
MehrPasserelle. Beschrieb der Fach-Module. von der Berufsmaturität. zu den universitären Hochschulen
Passerelle von der Berufsmaturität zu den universitären Hochschulen Beschrieb der Fach-Module Fachbereich Mathematik Teilmodule Teilmodul 1: Analysis (Differential- und Integralrechnung) Teilmodul 2: Vektorgeometrie
MehrFiltern, 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
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
MehrJPEG - Kompression. Steffen Grunwald, Christiane Schmidt, Stephan Weck TIT01EGR BA-Mannheim 21. Mai 2002
JPEG - Kompression Steffen Grunwald, Christiane Schmidt, Stephan Weck TIT01EGR BA-Mannheim 21. Mai 2002 Inhaltsverzeichnis 1 Entwicklung von JPEG 2 1.1 Was heisst und was ist JPEG?................... 2
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
MehrKleine Formelsammlung zu Mathematik für Ingenieure IIA
Kleine Formelsammlung zu Mathematik für Ingenieure IIA Florian Franzmann 5. Oktober 004 Inhaltsverzeichnis Additionstheoreme Reihen und Folgen 3. Reihen...................................... 3. Potenzreihen..................................
MehrInhalt Kapitel I: Nichtlineare Gleichungssysteme
Inhalt Kapitel I: Nichtlineare Gleichungssysteme I Nichtlineare Gleichungssysteme I. Nullstellenbestimmung von Funktionen einer Veränderlichen I.2 I.3 Newton-Verfahren Kapitel I (UebersichtKapI) 3 Bisektionsverfahren
MehrProseminar Datenkomprimierung Dr. U. Tamm. JPEG - Kompression WS 2002/03. Torsten Zichner
Proseminar Datenkomprimierung Dr. U. Tamm JPEG - Kompression WS 2002/03 Torsten Zichner Inhaltsangabe: 1. Einleitung 2. JPEG Kompression 2.1. Konvertierung des Bildes in ein geeignetes Farbmodell 2.2.
MehrDer Ton macht die Musik
Der Ton macht die Musik Analyse von Tonsignalen mittels Fourier-Transformationen Teilnehmer: Tobias Berchner Holger Hesse Yasir Kaynar Dieu Thuy Linh Tran Viet Son Pham Jonas Pohl Henry Salfner Heinrich-Hertz-Oberschule,
MehrTutorium Mathematik II, M Lösungen
Tutorium Mathematik II, M Lösungen März 03 *Aufgabe Bestimmen Sie durch Hauptachsentransformation Lage und Typ der Kegelschnitte (a) 3x + 4x x + 3x 4x = 0, (b) 3x + 4x x + 3x 4x 6 = 0, (c) 3x + 4x x +
MehrSystemtheorie Teil B
d + d z + c d z + c uk d + + yk z d + c d z + c Systemtheorie Teil B - Zeitdiskrete Signale und Systeme Übungsaufgaben Manfred Strohrmann Urban Brunner Inhalt Übungsaufgaben - Signalabtastung und Rekonstruktion...
MehrEigenwerte und Diagonalisierung
Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende
MehrVerzerrungsfreies System
Verzerrungsfreies System x(n) y(n) n n x(n) h(n) y(n) y(n) A 0 x(n a) A 0 x(n) (n a) h(n) A 0 (n a) H(z) A 0 z a Digitale Signalverarbeitung Liedtke 8.1.1 Erzeugung einer linearen Phase bei beliebigem
MehrIn der Praxis werden wir häufig mit relativ komplexen Funktionen konfrontiert. y
Approximationen In der Praxis werden wir häufig mit relativ komplexen Funktionen konfrontiert. y y = f (x) x Um das Arbeiten mit einer komplizierten Funktion zu vermeiden, können wir versuchen, diese Funktion
MehrSignale und Systeme I
FACULTY OF ENGNEERING CHRISTIAN-ALBRECHTS-UNIVERSITÄT ZU KIEL DIGITAL SIGNAL PROCESSING AND SYSTEM THEORY DSS Signale und Systeme I Musterlösung zur Modulklausur WS 010/011 Prüfer: Prof. Dr.-Ing. Gerhard
MehrFachhochschule Nordwestschweiz (FHNW) Hochschule Technik Lösungen Serie 10 (Lineare Abbildungen)
Fachhochschule Nordwestschweiz (FHNW) Hochschule Technik Lösungen Serie (Lineare Abbildungen) Dozent/in: R. Burkhardt Büro:.6 Klasse: Semester: Datum: HS 8/9. Aufgabe Zeige, dass die folgenden Abbildungen
MehrFaltung, Korrelation, Filtern
Faltung, Korrelation, Filtern Wie beschreibe ich lineare Systeme (z.b. Seismometer) -> Faltung, Konvolution, Dekonvolution? Wie quantifiziere ich die Ähnlichkeit von Zeitreihen (-> Korrelation) Wie quantifiziere
MehrVorteile digitaler Filter
Digitale Filter Vorteile digitaler Filter DF haben Eigenschaften, die mit analogen Filtern nicht realisiert werden können (z.b. lineare Phase). DF sind unabhängig von der Betriebsumgebung (z.b. Temperatur)
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
MehrMATLAB Kurs 2010 Teil 2 Eine Einführung in die Frequenzanalyse via MATLAB
MATLAB Kurs 2010 Teil 2 Eine Einführung in die via MATLAB 26.11.2010 & 03.12.2010 nhaltsverzeichnis 1 2 3 Ziele Kurze Einführung in die -Analyse Ziele Kurze Einführung in die -Analyse MATLAB Routinen für
MehrHauptkomponentenanalyse. Principal Component Analysis (PCA)
Hauptkomponentenanalyse Principal Component Analysis (PCA) Principal Component Analysis (PCA) Welche Ziele verfolgt man bei der Verwendung einer PCA? Repräsentation multidimensionaler Daten mit einer geringeren
MehrDatenstrukturen und Algorithmen. Christian Sohler FG Algorithmen & Komplexität
Datenstrukturen und Algorithmen Christian Sohler FG Algorithmen & Komplexität 1 Clustering: Partitioniere Objektmenge in Gruppen(Cluster), so dass sich Objekte in einer Gruppe ähnlich sind und Objekte
MehrDiese Funktion ist mein Typ!
Diese Funktion ist mein Typ! Überblick über die wichtigsten Funktionstypen der 10.Jgst.: Lineare Funktionen Quadratische Funktionen Ganzrationale Funktionen Gebrochen-rationale Funktionen Trigonometrische
MehrNachrichtentechnik [NAT] Kapitel 2: Zeitkontinuierliche Signale. Dipl.-Ing. Udo Ahlvers HAW Hamburg, FB Medientechnik
Nachrichtentechnik [NAT] Kapitel 2: Zeitkontinuierliche Signale Dipl.-Ing. Udo Ahlvers HAW Hamburg, FB Medientechnik Sommersemester 25 Inhaltsverzeichnis Inhalt Inhaltsverzeichnis 2 Zeitkontinuierliche
MehrBildkompression mit Wavelet Transformationen FHTW Berlin Prof. Dr. H.L.Cycon
Bildkompression mit Wavelet Transformationen FHTW Berlin Prof. Dr. H.L.Cycon 19.07.02 Waveletprojekt H.L.Cycon 1 Überblick Einführung Standbildkodierung (PACC,JPEG2k) Videokodierung Demonstration 19.07.02
MehrDezimalzahlen. Analysis 1
Dezimalzahlen Definition. Eine endliche Dezimalzahl besteht aus - einem Vorzeichen +,, oder 0 - einer natürlichen Zahl d 0 - einer endlichen Folge von Ziffern d 1,...,d l von 0 bis 9. Die Länge l kann
MehrKontrollfragen zum Skript Teil 1 beantwortet
Kontrollfragen zum Skript Teil 1 beantwortet Von J.S. Hussmann Fragen zu SW 1.1 Welche Vorteile hat die DSVB? Programmierbar Parametrierbar Reproduzierbar Wie heisst die Umwandlung eines Zeit-diskreten
MehrSeminar Digitale Signalverarbeitung Thema: Digitale Filter
Seminar Digitale Signalverarbeitung Thema: Digitale Filter Autor: Daniel Arnold Universität Koblenz-Landau, August 2005 Inhaltsverzeichnis i 1 Einführung 1.1 Allgemeine Informationen Digitale Filter sind
MehrTrigonometrie. Winkelfunktionen und Einheitskreis
Trigonometrie Die Trigonometrie ist die Lehre der Winkel- oder Kreisfunktionen. Die auffälligste Eigenschaften der Funktionen der Trigonometrie ist die Periodizität: Trigonometrische Funktionen zeigen
MehrMathematik II Frühlingsemester 2015 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren
Mathematik II Frühlingsemester 215 Kapitel 8: Lineare Algebra 8.5 Eigenwerte und Eigenvektoren www.math.ethz.ch/education/bachelor/lectures/fs215/other/mathematik2 biol Prof. Dr. Erich Walter Farkas http://www.math.ethz.ch/
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
MehrDiskrete Fourier-Transformation
Universität Koblenz-Landau Institut für integrierte Naturwissenschaften Abteilung Physik Dozent: Dr. Merten Joost Seminar Digitale Signalverarbeitumg im Sommersemester 2005 Diskrete Fourier-Transformation
MehrKompressionsverfahren
Kompressionsverfahren Quelle: Steinmetz, Ralf: Multimedia-Technologie: Einführung und Grundlagen, Springer, Verlag Adaptive Huffman - Kodierung Nach 17 Zeichen: A(1),B(2),C(2),D(2),E(10) Kodierung A: 000
MehrMultiplikation und Division in Polarform
Multiplikation und Division in Polarform 1-E1 1-E Multiplikation und Division in Polarform: Mathematisches Rüstzeug n m b b = b n+m bn bm = bn m ( b n )m = b n m Additionstheoreme: cos 1 = cos 1 cos sin
MehrTontechnik 2. Digitale Filter. Digitale Filter. Zuordnung diskrete digitale Signale neue diskrete digitale Signale
Tontechnik 2 Digitale Filter Audiovisuelle Medien HdM Stuttgart Digitale Filter Zuordnung diskrete digitale Signale neue diskrete digitale Signale lineares, zeitinvariantes, diskretes System (LTD-System)
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
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) +
MehrDigitalisierung. analoges Signal PAM. Quantisierung
Digitalisierung U analoges Signal t U PAM t U Quantisierung t Datenreduktion Redundanzreduktion (verlustfrei): mehrfach vorhandene Informationen werden nur einmal übertragen, das Signal ist ohne Verluste
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
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
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
MehrFunktionale Programmierung ALP I. Funktionen höherer Ordnung. Teil 2 SS 2013. Prof. Dr. Margarita Esponda. Prof. Dr.
ALP I Funktionen höherer Ordnung Teil 2 SS 2013 Funktionen höherer Ordnung Nehmen wir an, wir möchten alle Zahlen innerhalb einer Liste miteinander addieren addall:: (Num a) => [a -> a addall [ = 0 addall
MehrÜbersicht der Vorlesung
Übersicht der Vorlesung. Einführung. Bildverarbeitung. Morphologische Operationen 4. Bildsegmentierung 5. Merkmale von Objekten 6. Klassifikation 7. Dreidimensionale Bildinterpretation 8. Bewegungsanalyse
MehrMathematik 1 für Naturwissenschaften
Hans Walser Mathematik für Naturwissenschaften Modul 0 Einführung Hans Walser: Modul 0, Einführung ii Inhalt Zahlen.... Natürliche Zahlen.... Ganze Zahlen.... Rationale Zahlen.... Reelle Zahlen... Smbole....
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
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
Mehr1. Differentialgleichung der Filter zweiter Ordnung
Prof. Dr.-Ing. F. Keller abor Elektronik 3 Filter zweiter Ordnung Info v.doc Hochschule Karlsruhe Info-Blatt: Filter zweiter Ordnung Seite /6. Differentialgleichung der Filter zweiter Ordnung Ein- und
Mehr5 Potenzreihenansatz und spezielle Funktionen
5 Potenzreihenansatz und spezielle Funktionen In diesem Kapitel betrachten wir eine Methode zur Lösung linearer Differentialgleichungen höherer Ordnung, die sich anwenden läßt, wenn sich alle Koeffizienten
MehrGrundwissen 10. Überblick: Gradmaß rπ Länge eines Bogens zum Mittelpunktswinkels α: b = α
Grundwissen 0. Berechnungen an Kreis und Kugel a) Bogenmaß Beispiel: Gegeben ist ein Winkel α=50 ; dann gilt: b = b = π 50 0,8766 r r 360 Die (reelle) Zahl ist geeignet, die Größe eines Winkels anzugeben.
MehrBetrachtetes Systemmodell
Betrachtetes Systemmodell Wir betrachten ein lineares zeitinvariantes System mit der Impulsantwort h(t), an dessen Eingang das Signal x(t) anliegt. Das Ausgangssignal y(t) ergibt sich dann als das Faltungsprodukt
MehrWiederhole eigenständig: elementare Konstruktionen nach diesen Sätzen
1/5 Erinnerung: Kongruenzsätze SSS, SWS, WSW, SsW Wiederhole eigenständig: elementare Konstruktionen nach diesen Sätzen Grundwissen: Elementare Sätze über Dreiecke: o Winkelsumme 180 0 o Dreiecksungleichung
MehrDigitales Fernsehen DVB
Digitales Fernsehen DVB Thomas Lauterbach DL1NAW 1. Video- und Audiokodierung (MPEG) 2. DVB 3. DVB-T in Nürnberg Quellen: U. Reimers, Digitale Fernsehtechnik http://www.dvb-t-baern.de Referate und Ausarbeitungen
MehrBasen von Schnitt und Summe berechnen
Basen von Schnitt und Summe berechnen 1 / 8 Voraussetzung Es seien U 1, U 2 Untervektorräume von K n. Wir wollen Basen des Schnittes U 1 U 2 und der Summe bestimmen. U 1 + U 2 2 / 8 Bezeichnung Der Einfachheit
MehrF u n k t i o n e n Trigonometrische Funktionen
F u n k t i o n e n Trigonometrische Funktionen Jules Antoine Lissajous (*1822 in Versailles, 1880 in Plombières-les-Bains) wurde durch die nach ihm benannten Figuren bekannt, die bei der Überlagerung
MehrZufallssignal Stationär (z.b. gleichverteiltes Rauschen) Nicht-stationär (z.b. normalverteiltes Rauschen mit wechselnder Streuung) Deterministisches
Zufallssignal Stationär (z.b. gleichverteiltes Rauschen) Nicht-stationär (z.b. normalverteiltes Rauschen mit wechselnder Streuung) Deterministisches Signal Periodisch harmonische Schwingung Summe harmonischer
MehrZ-Transformation, Cepstrum, LPC, Autokorrelation Sebastian Stüker
Institut für Anthropomatik Z-Transformation, Cepstrum, LPC, Autokorrelation Sebastian Stüker 04.11.2009 Interactive Systems Labs Verallgemeinerung der Fourier- Transformation: F(s) = L{ f }(s) = 0 e st
MehrGrundsätzliches Rechnen mit Matrizen Anwendungen. Matrizenrechnung. Fakultät Grundlagen. Juli 2015
Matrizenrechnung Fakultät Grundlagen Juli 2015 Fakultät Grundlagen Matrizenrechnung Übersicht Grundsätzliches 1 Grundsätzliches Matrixbegriff Rechenregeln Spezielle Matrizen 2 Matrizenrechnung Determinanten
Mehr3.6 Analog-Digital-Umsetzung
3.6 AnalogDigitalUmsetzung 1 Abtastung von Signalen FlashUmsetzer (ParallelUmsetzer) Stufenumsetzer (Successive Approximation) Integrierende Umsetzer DeltaSigma Umsetzer Anhang Abtastung 2 Abtastung (Sampling):
MehrLösungsblatt 2 Signalverarbeitung und Klassifikation
Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester 06 M. Sperber (matthias.sperber@kit.edu) S. Nguyen (thai.nguyen@kit.edu) Lösungsblatt Signalverarbeitung und Klassifikation Aufgabe : Faltung
MehrBlockmatrizen. Arthur Wettschereck. 11. April 2012, Bonn
Komplexe und transponierte 11. April 2012, Bonn Komplexe und transponierte 1 Definition Blockmatrix Doppelpunkt Notation 2 Addition Zeilen und Spaltenweise Multiplikation Blockmatrixmultiplikation 3 Herkömliche
MehrDatenkompression. Vortrag von Markus Durzinsky Student der Otto-von-Guericke-Universität Magdeburg
Vortrag am 25. Januar 200 Werner von Siemens Gymnasium Magdeburg Zeitansatz: 5h (inklusive Programmieraufgaben) Datenkompression Vortrag von Markus Durzinsky Student der Otto-von-Guericke-Universität Magdeburg
Mehr1 Rechnen mit 2 2 Matrizen
1 Rechnen mit 2 2 Matrizen 11 Produkt Wir berechnen das allgemeine Produkt von A = Für das Produkt gilt AB = a11 a 12 a 21 a 22 a11 b 11 + a 12 b 21 a 11 b 12 + a 12 b 22 a 21 b 11 + a 22 b 21 a 21 b 12
MehrC orthogonal und haben die Länge 1). Dann ist die Länge von w = x u + y v gegeben durch w 2 Def. = w,w =
1 v Die Länge Def. Sei (V,, ) ein Euklidscher Vektorraum. Für jeden Vektor v V heißt die Zahl v,v die Länge von v und wird v bezeichnet. Bemerkung. Die Länge des Vektors ist wohldefiniert, da nach Definition
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]
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
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
Mehr1 Vektoren, Vektorräume, Abstände: 2D
Vektoren, Vektorräume, Astände: D Definition: Die Menge aller (geordneten Paare reeller Zahlen (oder allgemeiner: Elemente eines elieigen Körpers, als Spalten geschrieen, ezeichnen wir als Vektoren: R
Mehr2.6 Der komplexe Logarithmus und allgemeine Potenzen
2.6 Der komplexe Logarithmus und allgemeine Potenzen Ziel: Umkehrung der komplexen Exponentialfunktion fz) = expz). Beachte: Die Exponentialfunktion expz) ist für alle z C erklärt, und es gilt Dexp) =
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
Mehr