Cvičení 11: RANSAC Tomáš Sixta 23. listopadu 2012
|
|
- Naděžda Němečková
- před 7 lety
- Počet zobrazení:
Transkript
1 Cvičení 11: RANSAC Tomáš Sixta 23. listopadu Úvod V tomto cvičení se naučíte pracovat s algoritmem RANSAC pro nalezení transformace mezi dvěma množinami bodových korespondencí. Mějme dva obrázky (označme je jako levý a pravý), v každém několik klíčových bodů a předpokládejme, že pro každý bod z levého obrázku máme kandidátské korespondence s body v pravém obrázku. Ne všechny jsou však správné, některé dvojice neodpovídají jednomu fyzickému prvku scény. Vaším úkolem bude najít takovou transformaci mezi levou a pravou množinou, která má co možná největší podporu (support). 2 Automatická registrace obrázků Automatickou registraci obrázků pomocí klíčových bodů lze rozdělit na několik fází: Nalezení klíčových bodů v obou obrázcích. Výpočet popisů klíčových bodů invariantních vůči nějaké třídě transformací. Vytvoření tentativních (kandidátských) korespondencí mezi body v obou obrázcích. Nalezení transformace mezi obrázky (např. algoritmem RANSAC). Transformace jednoho z obrázků. 2.1 Hledání klíčových bodů Kvalitní klíčový bod (keypoint) by měl ležet v místě, jehož pozice je dobře určena (tedy ne v jednobarevných oblastech nebo na hranách). Takovými místy mohou být např. rohy (průsečíky dvou hran, lokální extrém intenzity atd.), pro které existuje mnoho postupů, jak je detekovat. Prvním prakticky použitelným byl Harrisův detektor, který hledá body, v nichž se gradient mění ve dvou ortogonálních směrech. Využívá vlastností tzv. autokorelační matice gradientu 1
2 A = u ( ) I 2 w(u, v) x(u, v) I x I y (u, v) I x I y (u, v) Iy(u, 2, (1) v) v kde w je nějaká okenní funkce centrovaná ve vyšetřovaném bodě (typicky gaussián) a I x a I y jsou parciální derivace obrázku I. Je-li výraz det(a) κtrace 2 (A) (2) větší než zvolený práh, prohlásíme takový bod za rohový (konstanta κ nastavuje citlivost detektoru). Další detektory klíčových bodů (oblastí) jsou např. Hessian detector, FAST a další. 2.2 Deskriptory Porovnávání dvou klíčových bodů pouze na základě obrazové informace v jejich okolí dává očekávané výsledky jen pro mírně odlišné obrázky (rotace o malý úhel, malá změna měřítka). Pokud se liší více, je vhodné použít deskriptory invariantní vůči nějaké třídě transformací. Odhad měřítka a natočení okolí klíčového bodu nám někdy vrátí jejich detektor. V tomto cvičení budete používat implementaci deskriptoru SIFT (Scale Invariant Feature Transform), které jsou v současné době velmi populární. Další významné metody popisu klíčových bodů jsou např. SURF (Speeded Up Robust Feature), HOG (Histogram of Oriented Gradients) a další. 2.3 Tentativní korespondence Nejjednodušší způsob, jak nalézt možné protějšky bodu z levé množiny, je povolit jeho párování se všemi body pravé množiny. Takový postup však vytváří velké množství možných korespondencí, a proto je vhodný jen pro malé množiny bodů a jednoduché transformace (rigidní). Lepší způsob je popsat klíčové body vhodnými deskriptory a každému bodu z levé přiřadit bod z pravé množiny s nejpodobnějším deskriptorem. 3 Zadání 1. Pomocí funkce find_keypoints z doprovodného archivu najděte klíčové body a jejich popisy v obrázcích 1a, 1b, 2a a 2b. Význam parametrů je následující: image [w h] nebo [w h 3]: Obrazová data. frames: [n 2]. Klíčové body. První sloupec jsou x-ové souřadnice, ve druhém sloupci jsou y-ové souřadnice. descriptors [128 n]: Popisy klíčových bodů. Aby mohla find_keypoints správně pracovat, je třeba rozbalit a přidat do cesty Matlabu archiv sift bin.tar.gz, který obsahuje potřebné mex soubory. 2. Napište funkci [c]=get_correspondences(descriptors1,descriptors2), která pro každý klíčový bod z levého obrázku najde v pravém obrázku klíčový bod s nejpodobnějším popisem (0,5 bodu). 2
3 descriptors1 [128 n]: Popisy klíčových bodů z levého obrázku. descriptors2 [128 m]: Popisy klíčových bodů z pravého obrázku. c: [n 2]. Pole indexů, v prvním sloupci jsou body z levého obrázku, ve druhém z pravého. Podobnost dvou deskriptorů měřte jako euklidovskou vzdálenost daných vektorů. 3. Napište funkci [support inl]=get_support(points1,points2,t,threshold), která spočítá podporu (support) transformace T (1 bod). points1 [n 2]: Body z levé množiny, první sloupec obsahuje x-ové souřadnice, druhý sloupec points2 [n 2]: Body z pravé množiny, první sloupec obsahuje x-ové souřadnice, druhý sloupec T [3 3]: Transformační matice zobrazující levou množinu na pravou. threshold [1 1]: Maximální vzdálenost bodu z pravé množiny a transformovaného bodu z levé množiny, pro kterou jsou tyto body označeny za inliery. support [1 1]: Podpora (support) transformace T, tedy počet bodů takových, že #x : x T (x) < threshold (3) inl [n 1]: Pole obsahující na i-té pozici 1, je-li i-tý bod z levé množiny inlier, jinak Napište funkci [T inl]=ransac(points1,points2,c,confidence,threshold,type), která pomocí algoritmu RANSAC najde similaritní transformaci mezi množinami points1 a points2. (2,5 bodu). points1 [n 2]: Body z levé množiny, první sloupec obsahuje x-ové souřadnice, druhý sloupec points2 [m 2]: Body z pravé množiny, první sloupec obsahuje x-ové souřadnice, druhý sloupec c [n 2]: Indexy korespondujícíh bodů z levé a pravé množiny. confidence [1 1]: Číslo z intervalu (0,1) udávající požadovanou pravděpodobnost, že vrácená transformace je správná (confidence). threshold [1 1]: Maximální vzdálenost bodu z pravé množiny a transformovaného bodu z levé množiny, pro kterou jsou tyto body označeny za inliery. type: Typ transformace. Řetězec similarity pro similaritu, affine pro afinní z bonusu 2 a homography pro obecnou homografii z bonusu 3. T [3 3]: Transformační matice mezi množinami points1 a points2. inl [n 1]: Pole obsahující na i-té pozici 1, je-li i-tý bod z levé množiny inlier, jinak 0. Kandidátské similaritní transformace můžete hledat pomocí funkce find_transformation ze 4. cvičení (předejte jí vždy tři korespondující páry). Počet zbývajících iterací odhadujte vždy při změně nejlepší dosud nalezené transformace. Označímeli požadovanou pravděpodobnost správnosti modelu (confidence) jako p, počet skutečných inlierů v datech jako w a počet datových bodů jako n, je odhad počtu zbývajících iterací roven 3
4 k = log(1 p) log(1 w n ) (4) Protože počet skutečných inlierů není typicky znám, odhaduje se z počtu parametrů transformace a počtu bodů, které podporují dosud nejlepší nalezenou transformaci. K odhadu počtu zbývajících iterací můžete využít funkci [SampleCnt] = nsamples(ni, ptnum, pf, conf), jejíž parametry mají následující význam: ni [1 1]: Support dosud nejlepší nalezené transformace. ptnum [1 1]: Počet všech dvojic bodů. pf [1 1]: Počet dvojic bodů potřebných k výpočtu parametrů transformace. conf [1 1]: Požadovaná pravděpodobnost, že vrácená transformace je správná (confidence). 5. Použijte funkci ransac k nalezení similaritní transformace mezi dvojicemi obrázků 1a 1b a 2a 2b. Pro každou dvojici obrázků vložte do reportu: Pravý obrázek se zakreslenými body points2. Levý obrázek se zakreslenými body points1 a s jejich transformovanými protějšky z množiny points2. Sobě odpovídající body spojte úsečkou. Zakreslujte body tak, aby bylo možné odlišit points1 od points2 a inliery od outlierů. Rozdílový obrázek po transformaci. Pokud se obrázky překrývají jen částečně, doplňte myšleně každý za jeho okrajem nulami. Počet detekovaných klíčových bodů v obou obrázcích, nejlepší dosažený support a hodnoty všech parametrů (confidence, threshold). Rozumné hodnoty jsou confidence=0.99 a threshold=1, avšak nebojte se experimentovat. K transformaci obrázků můžete využít funkci transform_image ze 3. cvičení. 6. Bonus. Použijte funkce find_keypoints a ransac k nalezení transformace mezi dvěma obrázky Vašeho výběru, které se částečně překrývají, a vytvořte z nich panorama. Pokud se rozhodnete naprogramovat také afinní transformaci nebo obecnou homografii, můžete je v tomto bodě využít namísto prosté similarity. Výstupem bude skript, který složí panorama ze dvou obrázků bez zásahu uživatele. Zdrojové obrázky a výsledné panorama vložte do reportu (2 body). 7. Bonus. Implementujte funkci [T]=find_transformation_affine(points1,points2), která nalezne parametry afinní transformace (významy parametrů jsou stejné jako u funkce find_transformation ze 4. cvičení) (1 bod). Obecnou afinní transformaci bodů v rovině lze zapsat pomocí následujícího maticového násobení: x h 11 h 12 h 13 x λ y = h 21 h 22 h 23 y (5) Tuto soustavu můžeme rozepsat na λx = h 11 x + h 12 y + h 13 λy = h 21 x + h 22 y + h 23 λ = 1 a dosazením tří různých párů x x dostaneme (rozmyslete si přechod k maticovému zápisu!) 4
5 x 1 y x 1 y 1 1 x 2 y x 2 y 2 1 x 3 y x 3 y 3 1 h 11 h 12 h 13 h 21 h 22 h 23 = x 1 y 1 x 2 y 2 x 3 y 3 (6) Aby měla matice soustavy 6 plnou hodnost, nesmí být body v pravé ani levé množině kolineární. 8. Bonus. Odvoďte a implementujte funkci [T]=find_transformation_homography(points1,points2), která nalezne parametry obecné homografie, tedy transformace x h 11 h 12 h 13 x λ y = h 21 h 22 h 23 y (7) 1 h 31 h 32 h 33 1 (pozor, λ v tomto není případě pro všechny body rovna 1, což musíte vzít v úvahu při výpočtu supportu). Odvození vložte do reportu. (3 body za odvození, 1 za implementaci). a) MRI scan lebky b) MRI scan lebky po similaritní transformaci c) MRI scan lebky po afinní transformaci Obrázek 1 d) MRI scan lebky po transformaci obecnou homografíí 5
6 a) b) Obrázek 2 Histologický řez krysí ledvinou 4 Literatura [1] Harris C., Stephens M.. A Combined Corner and Edge Detector. In Proceedings of The Fourth Alvey Vision Conference, pp , [2] Lowe D. G.. Object Recognition from Local Scale-Invariant Features. Computer Vision. The Proceedings of the Seventh IEEE International Conference on, pp , [3] Chum O.. Two-View Geometry Estimation by Random Sample and Consensus (PhD thesis). Online available at: cmp.felk.cvut.cz/~chum/teze/chum-phd.pdf,
SIFT: Scale Invariant Feature Transform Automatické nalezení korespondencí mezi dvojicí obrázků
SIFT: Scale Invariant Feature Transform Automatické nalezení korespondencí mezi dvojicí obrázků lukas.mach@gmail.com Přílohy (videa, zdrojáky, ) ke stažení na: http://mach.matfyz.cz/sift Korespondence
VíceRoman Juránek. Fakulta informačních technologíı. Extrakce obrazových příznaků 1 / 30
Extrakce obrazových příznaků Roman Juránek Ústav počítačové grafiky a multimédíı Fakulta informačních technologíı Vysoké Učení technické v Brně Extrakce obrazových příznaků 1 / 30 Motivace Účelem extrakce
Více2D transformací. červen Odvození transformačního klíče vybraných 2D transformací Metody vyrovnání... 2
Výpočet transformačních koeficinetů vybraných 2D transformací Jan Ježek červen 2008 Obsah Odvození transformačního klíče vybraných 2D transformací 2 Meto vyrovnání 2 2 Obecné vyjádření lineárních 2D transformací
VíceROZ1 CVIČENÍ VI. Geometrická registrace (matching) obrazů
ROZ1 CVIČENÍ VI. Geometrická registrace (matching) obrazů REGISTRACI OBRAZU (IMAGE REGISTRATION) Více snímků téže scény Odpovídající pixely v těchto snímcích musí mít stejné souřadnice Pokud je nemají
Více1 Projekce a projektory
Cvičení 3 - zadání a řešení úloh Základy numerické matematiky - NMNM20 Verze z 5. října 208 Projekce a projektory Opakování ortogonální projekce Definice (Ortogonální projekce). Uvažujme V vektorový prostor
VíceÚlohy nejmenších čtverců
Úlohy nejmenších čtverců Petr Tichý 7. listopadu 2012 1 Problémy nejmenších čtverců Ax b Řešení Ax = b nemusí existovat, a pokud existuje, nemusí být jednoznačné. Často má smysl hledat x tak, že Ax b.
VíceÚvod do mobilní robotiky AIL028
md at robotika.cz http://robotika.cz/guide/umor07/cs 20. prosince 2007 1 2 3D model světa ProMIS Cvičení hledání domečku Model štěrbinové kamery Idealizovaný jednoduchý model kamery Paprsek světla vychází
VíceMatematika 1 MA1. 1 Analytická geometrie v prostoru - základní pojmy. 4 Vzdálenosti. 12. přednáška ( ) Matematika 1 1 / 32
Matematika 1 12. přednáška MA1 1 Analytická geometrie v prostoru - základní pojmy 2 Skalární, vektorový a smíšený součin, projekce vektoru 3 Přímky a roviny 4 Vzdálenosti 5 Příčky mimoběžek 6 Zkouška;
Více1 Linearní prostory nad komplexními čísly
1 Linearní prostory nad komplexními čísly V této přednášce budeme hledat kořeny polynomů, které se dále budou moci vyskytovat jako složky vektorů nebo matic Vzhledem k tomu, že kořeny polynomu (i reálného)
Více5. Lokální, vázané a globální extrémy
5 Lokální, vázané a globální extrémy Studijní text Lokální extrémy 5 Lokální, vázané a globální extrémy Definice 51 Řekneme, že f : R n R má v bodě a Df: 1 lokální maximum, když Ka, δ Df tak, že x Ka,
VíceZpracování digitalizovaného obrazu (ZDO) - Segmentace II
Zpracování digitalizovaného obrazu (ZDO) - Segmentace II Další metody segmentace Ing. Zdeněk Krňoul, Ph.D. Katedra Kybernetiky Fakulta aplikovaných věd Západočeská univerzita v Plzni Zpracování digitalizovaného
VíceGeometrické transformace pomocí matic
Geometrické transformace pomocí matic Pavel Strachota FJFI ČVUT v Praze 2. dubna 2010 Obsah 1 Úvod 2 Geometrické transformace ve 2D 3 Geometrické transformace ve 3D Obsah 1 Úvod 2 Geometrické transformace
Vícey 10 20 Obrázek 1.26: Průměrová rovina válcové plochy
36 KAPITOLA 1. KVADRIKY JAKO PLOCHY 2. STUPNĚ 2 1 2 1 1 y 1 2 Obráek 1.26: Průměrová rovina válcové plochy Věta: Je-li definována průměrová rovina sdružená s asymptotickým směrem, potom je s tímto směrem
VíceBRNO UNIVERSITY OF TECHNOLOGY FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER GRAPHICS AND MULTIMEDIA BACHELOR S THESIS AUTHOR
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÉ GRAFIKY A MULTIMÉDIÍ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER GRAPHICS AND
VíceCvičná bakalářská zkouška, 1. varianta
jméno: studijní obor: PřF BIMAT počet listů(včetně tohoto): 1 2 3 4 5 celkem Cvičná bakalářská zkouška, 1. varianta 1. Matematická analýza Najdětelokálníextrémyfunkce f(x,y)=e 4(x y) x2 y 2. 2. Lineární
VíceEukleidovský prostor a KSS Eukleidovský prostor je bodový prostor, ve kterém je definována vzdálenost dvou bodů (metrika)
Eukleidovský prostor a KSS Eukleidovský prostor je bodový prostor, ve kterém je definována vzdálenost dvou bodů (metrika) Kartézská soustava souřadnic je dána počátkem O a uspořádanou trojicí bodů E x,
Více4EK213 LINEÁRNÍ MODELY
4EK213 LINEÁRNÍ MODELY Úterý 11:00 12:30 hod. učebna SB 324 3. přednáška SIMPLEXOVÁ METODA I. OSNOVA PŘEDNÁŠKY Standardní tvar MM Základní věta LP Princip simplexové metody Výchozí řešení SM Zlepšení řešení
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA STROJNÍHO INŽENÝRSTVÍ FACULTY OF MECHANICAL ENGINEERING ÚSTAV KONSTRUOVÁNÍ INSTITUTE OF MACHINE AND INDUSTRIAL DESIGN REKONSTRUKCE 3D
VíceOdečítání pozadí a sledování lidí z nehybné kamery. Ondřej Šerý
Odečítání pozadí a sledování lidí z nehybné kamery Ondřej Šerý Plán Motivace a popis úlohy Rozdělení úlohy na tři části Detekce pohybu Detekce objektů Sledování objektů Rozbor každé z částí a nástin několika
VícePROGRAM PRO VÝPOČET PROSTOROVÝCH SOUŘADNIC A TVORBU HLOUBKOVÉ MAPY
Roč. 70 (2014) Číslo 1 L. Boleček, V. Říčný: Program pro výpočet prostorových souřadnic... 7 PROGRAM PRO VÝPOČET PROSTOROVÝCH SOUŘADNIC A TVORBU HLOUBKOVÉ MAPY Ing. Libor Boleček 1, prof. Ing. Václav Říčný,
VíceEXTRÉMY FUNKCÍ VÍCE PROMĚNNÝCH
EXTRÉMY FUNKCÍ VÍCE PROMĚNNÝCH ÚLOHY ŘEŠITELNÉ BEZ VĚTY O MULTIPLIKÁTORECH Nalezněte absolutní extrémy funkce f na množině M. 1. f(x y) = x + y; M = {x y R 2 ; x 2 + y 2 1} 2. f(x y) = e x ; M = {x y R
VíceProjektivní geometrie. Ing. Zdeněk Krňoul, Ph.D. Katedra Kybernetiky Fakulta aplikovaných věd Západočeská univerzita v Plzni
Metody Počítačového Vidění (MPV) - 3D počítačové vidění Projektivní geometrie Ing. Zdeněk Krňoul, Ph.D. Katedra Kybernetiky Fakulta aplikovaných věd Západočeská univerzita v Plzni Metody Počítačového Vidění
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÉ GRAFIKY A MULTIMÉDIÍ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER GRAPHICS AND
Více1 Funkce dvou a tří proměnných
1 Funkce dvou a tří proměnných 1.1 Pojem funkce více proměnných Definice Funkce dvou proměnných je předpis, který každému bodu z R 2 (tj. z roviny) přiřazuje jediné reálné číslo. z = f(x, y), D(f) R 2
VíceLOKALIZACE MOBILNÍHO ROBOTA V PROSTŘEDÍ LOCALISATION OF MOBILE ROBOT IN THE ENVIRONMENT
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÉ GRAFIKY A MULTIMÉDIÍ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER GRAPHICS AND
Více12 DYNAMIKA SOUSTAVY HMOTNÝCH BODŮ
56 12 DYNAMIKA SOUSTAVY HMOTNÝCH BODŮ Těžiště I. impulsová věta - věta o pohybu těžiště II. impulsová věta Zákony zachování v izolované soustavě hmotných bodů Náhrada pohybu skutečných objektů pohybem
VíceSoustavy lineárních rovnic
Soustavy lineárních rovnic V této kapitole se budeme zabývat soustavami lineárních diferenciálních rovnic y = a (x)y + a (x)y + + a n (x)y n + f (x) y = a (x)y + a (x)y + + a n (x)y n + f (x). y n = a
VíceLBP, HoG Ing. Marek Hrúz Ph.D. Plzeň Katedra kybernetiky 29. října 2015
LBP, HoG Ing. Marek Hrúz Ph.D. Plzeň Katedra kybernetiky 29. října 2015 1 LBP 1 LBP Tato metoda, publikovaná roku 1996, byla vyvinuta za účelem sestrojení jednoduchého a výpočetně rychlého nástroje pro
VíceREKONSTRUKCE 3D OBJEKTU Z OBRAZOVÝCH DAT
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÉ GRAFIKY A MULTIMÉDIÍ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER GRAPHICS AND
VíceDETEKCE OBJEKTŮ POMOCÍ KINECTU
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÉ GRAFIKY A MULTIMÉDIÍ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER GRAPHICS AND
VíceMatematika 1 MA1. 2 Determinant. 3 Adjungovaná matice. 4 Cramerovo pravidlo. 11. přednáška ( ) Matematika 1 1 / 29
Matematika 1 11. přednáška MA1 1 Opakování 2 Determinant 3 Adjungovaná matice 4 Cramerovo pravidlo 5 Vlastní čísla a vlastní vektory matic 6 Zkouška; konzultace; výběrová matematika;... 11. přednáška (15.12.2010
VíceFAKULTA INFORMAČNÍCH TECHNOLOGIÍ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÉ GRAFIKY A MULTIMÉDIÍ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER GRAPHICS AND
VíceVEKTORY. Obrázek 1: Jediný vektor. Souřadnice vektoru jsou jeho průměty do souřadných os x a y u dvojrozměrného vektoru, AB = B A
VEKTORY Vektorem se rozumí množina všech orientovaných úseček, které mají stejnou velikost, směr a orientaci, což vidíme na obr. 1. Jedna konkrétní orientovaná úsečka se nazývá umístění vektoru na obr.
VíceVlastní číslo, vektor
[1] Vlastní číslo, vektor motivace: směr přímky, kterou lin. transformace nezmění invariantní podprostory charakteristický polynom báze, vzhledem ke které je matice transformace nejjednodušší podobnost
VícePROSTORY SE SKALÁRNÍM SOUČINEM. Definice Nechť L je lineární vektorový prostor nad R. Zobrazení L L R splňující vlastnosti
PROSTORY SE SKALÁRNÍM SOUČINEM Definice Nechť L je lineární vektorový prostor nad R. Zobrazení L L R splňující vlastnosti 1. (x, x) 0 x L, (x, x) = 0 x = 0, 2. (x, y) = (y, x) x, y L, 3. (λx, y) = λ(x,
VíceFAKULTA INFORMAČNÍCH TECHNOLOGIÍ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÉ GRAFIKY A MULTIMÉDIÍ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER GRAPHICS AND
VícePožadavky k písemné přijímací zkoušce z matematiky do navazujícího magisterského studia pro neučitelské obory
Požadavky k písemné přijímací zkoušce z matematiky do navazujícího magisterského studia pro neučitelské obory Zkouška ověřuje znalost základních pojmů, porozumění teorii a schopnost aplikovat teorii při
VíceVyhodnocení 2D rychlostního pole metodou PIV programem Matlab (zpracoval Jan Kolínský, dle programu ing. Jana Novotného)
Vyhodnocení 2D rychlostního pole metodou PIV programem Matlab (zpracoval Jan Kolínský, dle programu ing. Jana Novotného) 1 Obecný popis metody Particle Image Velocimetry, nebo-li zkráceně PIV, je měřící
VíceAnalýza napjatosti PLASTICITA
Analýza napjatosti PLASTICITA TENZOR NAPĚTÍ Teplota v daném bodě je skalár, je to tenzor nultého řádu, který nezávisí na změně souřadného systému Síla je vektor, je to tenzor prvního řádu, v trojrozměrném
VíceMatematika B101MA1, B101MA2
Matematika B101MA1, B101MA2 Zařazení předmětu: povinný předmět 1.ročníku bc studia 2 semestry Rozsah předmětu: prezenční studium 2 + 2 kombinované studium 16 + 0 / semestr Zakončení předmětu: ZS zápočet
VíceLineární algebra : Metrická geometrie
Lineární algebra : Metrická geometrie (16. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 6. května 2014, 10:42 1 2 Úvod Zatím jsme se lineární geometrii věnovali v kapitole o lineárních
VícePřehled vhodných metod georeferencování starých map
Přehled vhodných metod georeferencování starých map ČVUT v Praze, katedra geomatiky 12. 3. 2015 Praha Georeferencování historická mapa vs. stará mapa georeferencování umístění obrazu mapy do referenčního
Více11MAMY LS 2017/2018. Úvod do Matlabu. 21. února Skupina 01. reseni2.m a tak dále + M souborem zadané funkce z příkladu 3 + souborem skupina.
11MAMY LS 2017/2018 Cvičení č. 2: 21. 2. 2018 Úvod do Matlabu. Jan Přikryl 21. února 2018 Po skupinách, na které jste se doufám rozdělili samostatně včera, vyřešte tak, jak nejlépe svedete, níže uvedená
VíceÚLOHY S POLYGONEM. Polygon řetězec úseček, poslední bod je totožný s prvním. 6 bodů: X1, Y1 až X6,Y6 Y1=X6, Y1=Y6 STANOVENÍ PLOCHY JEDNOHO POLYGONU
ÚLOHY S POLYGONEM Polygon řetězec úseček, poslední bod je totožný s prvním 6 bodů: X1, Y1 až X6,Y6 Y1=X6, Y1=Y6 STANOVENÍ PLOCHY JEDNOHO POLYGONU 3 úsečky (segmenty) v horní části 2 úsečky ve spodní části
VíceAPLIKACE. Poznámky Otázky
APLIKACE Následující úlohy lze zhruba rozdělit na geometrické, algebraické a úlohy popisující různé stavy v některých oblastech jiných věd, např. fyziky nebo ekonomie. GEOMETRICKÉ ÚLOHY Mezi typické úlohy
VíceVektory a matice. Obsah. Aplikovaná matematika I. Carl Friedrich Gauss. Základní pojmy a operace
Vektory a matice Aplikovaná matematika I Dana Říhová Mendelu Brno Obsah 1 Vektory Základní pojmy a operace Lineární závislost a nezávislost vektorů 2 Matice Základní pojmy, druhy matic Operace s maticemi
VíceVYBRANÉ PARTIE Z NUMERICKÉ MATEMATIKY
VYBRANÉ PARTIE Z NUMERICKÉ MATEMATIKY Jan Krejčí 31. srpna 2006 jkrejci@physics.ujep.cz http://physics.ujep.cz/~jkrejci Obsah 1 Přímé metody řešení soustav lineárních rovnic 3 1.1 Gaussova eliminace...............................
VíceGlobální matice konstrukce
Globální matice konstrukce Z matic tuhosti a hmotnosti jednotlivých prvků lze sestavit globální matici tuhosti a globální matici hmotnosti konstrukce, které se využijí v řešení základní rovnice MKP: [m]{
Více[1] Motivace. p = {t u ; t R}, A(p) = {A(t u ); t R} = {t A( u ); t R}
Vlastní číslo, vektor motivace: směr přímky, kterou lin. transformace nezmění invariantní podprostory charakteristický polynom báze, vzhledem ke které je matice transformace nejjednodušší podobnost s diagonální
VíceRovinné přetvoření. Posunutí (translace) TEORIE K M2A+ULA
Rovinné přetvoření Rovinné přetvoření, neboli, jak se také často nazývá, geometrická transformace je vlastně lineární zobrazení v prostoru s nějakou soustavou souřadnic. Jde v něm o přepočet souřadnic
VíceFunkce v ıce promˇ enn ych Extr emy Pˇredn aˇska p at a 12.bˇrezna 2018
Funkce více proměnných Extrémy Přednáška pátá 12.března 2018 Zdroje informací Diferenciální počet http://homen.vsb.cz/~kre40/esfmat2/fceviceprom.html http://www.studopory.vsb.cz/studijnimaterialy/sbirka_uloh/pdf/7.pdf
VíceVybrané kapitoly z matematiky
Vybrané kapitoly z matematiky VŠB-TU Ostrava 2017-2018 Vybrané kapitoly z matematiky 2017-2018 1 / 19 Základní informace předmět: 714-0513, 5 kreditů přednáší: Radek Kučera kontakt: radek.kucera@vsb.cz,
VíceNejdřív spočítáme jeden příklad na variaci konstant pro lineární diferenciální rovnici 2. řádu s kostantními koeficienty. y + y = 4 sin t.
1 Variace konstanty Nejdřív spočítáme jeden příklad na variaci konstant pro lineární diferenciální rovnici 2. řádu s kostantními koeficienty. Příklad 1 Najděte obecné řešení rovnice: y + y = 4 sin t. Co
VíceShodnostní Helmertova transformace
Shodnostní Helmertova transformace Toto pojednání ukazuje, jak lze určit transformační koeficienty Helmertovy transformace za požadavku, aby představovaly shodnostní transformaci. Pro jednoduchost budeme
VíceŘešení 1b Máme najít body, v nichž má funkce (, ) vázané extrémy, případně vázané lokální extrémy s podmínkou (, )=0, je-li: (, )= +,
Příklad 1 Najděte body, v nichž má funkce (,) vázané extrémy, případně vázané lokální extrémy s podmínkou (,)=0, je-li: a) (,)= + 1, (,)=+ 1 lok.max.v 1 2,3 2 b) (,)=+, (,)= 1 +1 1 c) (,)=, (,)=+ 1 lok.max.v
VíceLineární zobrazení. 1. A(x y) = A(x) A(y) (vlastnost aditivity) 2. A(α x) = α A(x) (vlastnost homogenity)
4 Lineární zobrazení Definice: Nechť V a W jsou vektorové prostory Zobrazení A : V W (zobrazení z V do W nazýváme lineárním zobrazením, pokud pro všechna x V, y V a α R platí 1 A(x y = A(x A(y (vlastnost
VíceAfinní transformace Stručnější verze
[1] Afinní transformace Stručnější verze je posunutí plus lineární transformace má svou matici vzhledem k homogenním souřadnicím body a vektory: afinní prostor využití například v počítačové grafice a)
Více( ) ( ) ( ) ( ) Skalární součin II. Předpoklady: 7207
78 Skalární součin II Předpoklady: 707 Pedagogická poznámka: Hodina má tři části, považuji tu prostřední za nejméně důležitou a proto v případě potřeby omezuji hlavně ji Na začátku hodiny je důležité nechat
Vícegeekovo minimum počítačového Nadpis 1 Nadpis 2 Nadpis 3
geekovo minimum Nadpis 1 Nadpis 2 Nadpis 3 počítačového vidění Adam Herout (doc. Jméno Ing. Příjmení Ph.D.) Vysoké učení technické v Brně, Fakulta informačních technologií v Brně Vysoké učení technické
VíceJasové transformace. Karel Horák. Rozvrh přednášky:
1 / 23 Jasové transformace Karel Horák Rozvrh přednášky: 1. Úvod. 2. Histogram obrazu. 3. Globální jasová transformace. 4. Lokální jasová transformace. 5. Bodová jasová transformace. 2 / 23 Jasové transformace
VíceREKONSTRUKCE 3D SCÉNY Z OBRAZOVÝCH DAT
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÉ GRAFIKY A MULTIMÉDIÍ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER GRAPHICS AND
Vícepříkladů do cvičení. V textu se objeví i pár detailů, které jsem nestihl (na které jsem zapomněl) a(b u) = (ab) u, u + ( u) = 0 = ( u) + u.
Několik řešených příkladů do Matematiky Vektory V tomto textu je spočteno několik ukázkových příkladů které vám snad pomohou při řešení příkladů do cvičení. V textu se objeví i pár detailů které jsem nestihl
Více11 Analýza hlavních komponet
11 Analýza hlavních komponet Tato úloha provádí transformaci měřených dat na menší počet tzv. fiktivních dat tak, aby většina informace obsažená v původních datech zůstala zachována. Jedná se tedy o úlohu
Více2. Schurova věta. Petr Tichý. 3. října 2012
2. Schurova věta Petr Tichý 3. října 2012 1 Podobnostní transformace a výpočet vlastních čísel Obecný princip: Úloha: Řešíme-li matematickou úlohu, je často velmi vhodné hledat její ekvivalentní formulaci
VíceAlgoritmus pro hledání nejkratší cesty orientovaným grafem
1.1 Úvod Algoritmus pro hledání nejkratší cesty orientovaným grafem Naprogramoval jsem v Matlabu funkci, která dokáže určit nejkratší cestu v orientovaném grafu mezi libovolnými dvěma vrcholy. Nastudoval
Více(Cramerovo pravidlo, determinanty, inverzní matice)
KMA/MAT1 Přednáška a cvičení, Lineární algebra 2 Řešení soustav lineárních rovnic se čtvercovou maticí soustavy (Cramerovo pravidlo, determinanty, inverzní matice) 16 a 21 října 2014 V dnešní přednášce
VíceMatematika II, úroveň A ukázkový test č. 1 (2018) 1. a) Napište postačující podmínku pro diferencovatelnost funkce n-proměnných v otevřené
2. 3. 2018 Matematika II, úroveň A ukázkový test č. 1 (2018) 1. a) Napište postačující podmínku pro diferencovatelnost funkce n-proměnných v otevřené mn. M E n. Zapište a načrtněte množinu D, ve které
VíceAfinita je stručný název pro afinní transformaci prostoru, tj.vzájemně jednoznačné afinní zobrazení bodového prostoru A n na sebe.
4 Afinita Afinita je stručný název pro afinní transformaci prostoru, tj.vzájemně jednoznačné afinní zobrazení bodového prostoru A n na sebe. Poznámka. Vzájemně jednoznačným zobrazením rozumíme zobrazení,
VíceANTAGONISTICKE HRY 172
5 ANTAGONISTICKÉ HRY 172 Antagonistický konflikt je rozhodovací situace, v níž vystupují dva inteligentní rozhodovatelé, kteří se po volbě svých rozhodnutí rozdělí o pevnou částku, jejíž výše nezávisí
Více1. LINEÁRNÍ ALGEBRA Vektory Operace s vektory... 8 Úlohy k samostatnému řešení... 8
1 Lineární algebra 1 LINEÁRNÍ ALGEBRA 8 11 Vektory 8 111 Operace s vektory 8 8 112 Lineární závislost a nezávislost vektorů 8 8 113 Báze vektorového prostoru 9 9 12 Determinant 9 9 13 Matice 1 131 Operace
VíceDerivace funkcí více proměnných
Derivace funkcí více proměnných Pro studenty FP TUL Martina Šimůnková 16. května 019 1. Derivace podle vektoru jako funkce vektoru. Pro pevně zvolenou funkci f : R d R n a bod a R d budeme zkoumat zobrazení,
VíceGEOGRAFICKÉ INFORMAČNÍ SYSTÉMY CVIČENÍ 9
UNIVERZITA TOMÁŠE BATI VE ZLÍNĚ FAKULTA APLIKOVANÉ INFORMATIKY GEOGRAFICKÉ INFORMAČNÍ SYSTÉMY CVIČENÍ 9 Praktické zvládnutí software Geomedia Pavel Vařacha a kol. Zlín 2013 Tento studijní materiál vznikl
VíceZáklady maticového počtu Matice, determinant, definitnost
Základy maticového počtu Matice, determinant, definitnost Petr Liška Masarykova univerzita 18.9.2014 Matice a vektory Matice Matice typu m n je pravoúhlé (nebo obdélníkové) schéma, které má m řádků a n
Vícea počtem sloupců druhé matice. Spočítejme součin A.B. Označme matici A.B = M, pro její prvky platí:
Řešené příklady z lineární algebry - část 1 Typové příklady s řešením Příklady jsou určeny především k zopakování látky před zkouškou, jsou proto řešeny se znalostmi učiva celého semestru. Tento fakt se
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ FAKULTA STROJNÍHO INŽENÝRSTVÍ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ FAKULTA STROJNÍHO INŽENÝRSTVÍ ÚSTAV MECHANIKY TĚLES, MECHATRONIKY A BIOMECHANIKY Komentovaný metodický list č. 1/4 Vytvořil: Ing. Oldřich Ševeček & Ing. Tomáš Profant, Ph.D.
VíceOperační výzkum. Teorie her cv. Hra v normálním tvaru. Optimální strategie. Maticové hry.
Operační výzkum Teorie her cv. Hra v normálním tvaru. Optimální strategie. Maticové hry. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu Fakulty
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION ÚSTAV AUTOMATIZACE A MĚŘICÍ TECHNIKY
VíceCvičení 5 - Inverzní matice
Cvičení 5 - Inverzní matice Pojem Inverzní matice Buď A R n n. A je inverzní maticí k A, pokud platí, AA = A A = I n. Matice A, pokud existuje, je jednoznačná. A stačí nám jen jedna rovnost, aby platilo,
VíceDiferenciální počet 1 1. f(x) = ln arcsin 1 + x 1 x. 1 x 1 a x 1 0. f(x) = (cos x) cosh x + 3x. x 0 je derivace funkce f(x) v bodě x0.
Nalezněte definiční obor funkce Diferenciální počet f = ln arcsin + Definiční obor funkce f je určen vztahy Z těchto nerovností plyne < + ln arcsin + je tedy D f =, Určete definiční obor funkce arcsin
VíceV praxi pracujeme s daty nominálními (nabývají pouze dvou hodnot), kategoriálními (nabývají více
9 Vícerozměrná data a jejich zpracování 9.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat, hledáme souvislosti mezi dvěmi, případně více náhodnými veličinami. V praxi pracujeme
Vícetransformace je posunutí plus lineární transformace má svou matici vzhledem k homogenním souřadnicím [1]
[1] Afinní transformace je posunutí plus lineární transformace má svou matici vzhledem k homogenním souřadnicím využití například v počítačové grafice Evropský sociální fond Praha & EU. Investujeme do
Více4EK213 Lineární modely. 5. Dualita v úlohách LP
4EK213 Lineární modely 5. Dualita v úlohách LP 5. Dualita v úlohách LP Obecné vyjádření simplexové tabulky Formulace duálního problému Formulace symetrického duálního problému Formulace nesymetrického
VíceDERIVACE FUKNCÍ VÍCE PROMĚNNÝCH
DERIVACE FUKNCÍ VÍCE PROMĚNNÝCH Reálná funkce dvou proměnných a definiční obor Kartézský součin R R značíme R 2 R 2 je množina všech uspořádaných dvojic reálných čísel (rovina) Prvk R 2 jsou bod v rovině
Více4EK201 Matematické modelování. 2. Lineární programování
4EK201 Matematické modelování 2. Lineární programování 2.1 Podstata operačního výzkumu Operační výzkum (výzkum operací) Operational research, operations research, management science Soubor disciplín zaměřených
VíceRastrové digitální modely terénu
Rastrové digitální modely terénu Rastr je tvořen maticí buněk (pixelů), které obsahují určitou informaci. Stejně, jako mohou touto informací být typ vegetace, poloha sídel nebo kvalita ovzduší, může každá
Vícea vlastních vektorů Příklad: Stanovte taková čísla λ, pro která má homogenní soustava Av = λv nenulové (A λ i I) v = 0.
Výpočet vlastních čísel a vlastních vektorů S pojmem vlastního čísla jsme se již setkali například u iteračních metod pro řešení soustavy lineárních algebraických rovnic. Velikosti vlastních čísel iterační
VíceFakulta informačních technologíı. Extrakce obrazových příznaků 1 / 39
Extrakce obrazových příznaků Ing. Aleš Láník, Ing. Jiří Zuzaňák Ústav počítačové grafiky a multimédíı Fakulta informačních technologíı Vysoké Učení technické v Brně Extrakce obrazových příznaků 1 / 39
VíceMarkovské metody pro modelování pravděpodobnosti
Markovské metody pro modelování pravděpodobnosti rizikových stavů 1 Markovský řetězec Budeme uvažovat náhodný proces s diskrétním časem (náhodnou posloupnost) X(t), t T {0, 1, 2,... } s konečnou množinou
VíceAVDAT Vektory a matice
AVDAT Vektory a matice Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Vektory x = x 1 x 2. x p y = y 1 y 2. y p Řádkový vektor dostaneme transpozicí sloupcového vektoru x
VíceÚloha: Verifikace osoby pomocí dynamického podpisu
Cvičení z předmětu Biometrie Úloha: Verifikace osoby pomocí dynamického podpisu Jiří Wild, Jakub Schneider kontaktní email: schnejak@fel.cvut.cz 5. října 2015 1 Úvod Úloha má za cíl seznámit vás s metodami
Více7 Analytické vyjádření shodnosti
7 Analytické vyjádření shodnosti 7.1 Analytická vyjádření shodných zobrazení v E 2 Osová souměrnost Osová souměrnost O(o) podle osy o s obecnou rovnicí o : ax + by + c =0: x = x 2a (ax + by + c) a 2 +
VícePodobnostní transformace
Schurova věta 1 Podobnostní transformace a výpočet vlastních čísel Obecný princip: Úloha: Řešíme-li matematickou úlohu, je často velmi vhodné hledat její ekvivalentní formulaci tak, aby se řešení úlohy
Více4. Statika základní pojmy a základy rovnováhy sil
4. Statika základní pojmy a základy rovnováhy sil Síla je veličina vektorová. Je určena působištěm, směrem, smyslem a velikostí. Působiště síly je bod, ve kterém se přenáší účinek síly na těleso. Směr
VíceMaticí typu (m, n), kde m, n jsou přirozená čísla, se rozumí soubor mn veličin a jk zapsaných do m řádků a n sloupců tvaru:
3 Maticový počet 3.1 Zavedení pojmu matice Maticí typu (m, n, kde m, n jsou přirozená čísla, se rozumí soubor mn veličin a jk zapsaných do m řádků a n sloupců tvaru: a 11 a 12... a 1k... a 1n a 21 a 22...
Více0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Lineární rovnice o 2 neznámých Definice 011 Lineární rovnice o dvou neznámých x, y je rovnice, která může být vyjádřena ve tvaru ax + by = c, kde
Více7.5.3 Hledání kružnic II
753 Hledání kružnic II Předpoklady: 750 Pedagogická poznámka: Tato hodina patří mezi vůbec nejtěžší Není reálné předpokládat, že by většina studentů dokázala samostatně přijít na řešení, po čase na rozmyšlenou
VíceArnoldiho a Lanczosova metoda
Arnoldiho a Lanczosova metoda 1 Částečný problém vlastních čísel Ne vždy je potřeba (a někdy to není ani technicky možné) nalézt celé spektrum dané matice (velké řídké matice). Úloze, ve které chceme aproximovat
VíceGeometrické transformace
1/15 Předzpracování v prostoru obrazů Geometrické transformace Václav Hlaváč, Jan Kybic Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz http://cmp.felk.cvut.cz/
VíceMatematika I 12a Euklidovská geometrie
Matematika I 12a Euklidovská geometrie Jan Slovák Masarykova univerzita Fakulta informatiky 3. 12. 2012 Obsah přednášky 1 Euklidovské prostory 2 Odchylky podprostorů 3 Standardní úlohy 4 Objemy Plán přednášky
Více1 Analytická geometrie
1 Analytická geometrie 11 Přímky Necht A E 3 a v R 3 je nenulový Pak p = A + v = {X E 3 X = A + tv, t R}, je přímka procházející bodem A se směrovým vektorem v Rovnici X = A + tv, t R, říkáme bodová rovnice
Více