Kalibrace snímků. Jakub Šolc
|
|
- Kryštof Dušek
- před 5 lety
- Počet zobrazení:
Transkript
1 Kalibrace snímků fotogrammetrie s běžným digitálním aparátem Jakub Šolc Úvod Fotogrammetrie je obor, který se zabývá analýzou geometrických vztahů mezi objekty, jež jsou zachyceny na fotografickém snímku. Neocenitelnou roli hraje fotogrammetrie při zaměřování a dokumentaci kulturních památek, měření těžko přístupných objektů, při vyhodnocování leteckého snímkování a následné tvorbě mapy, při dokumentaci dopravních nehod atd. Mezi její výhody proti přímému měření patří i to, že v okamžiku pořízení snímku je uchován celkový stav a není ještě potřeba vědět, co bude později na snímku předmětem měření. Nejjednodušší metodou je tzv. jednosnímková fotogrammetrie. Ta vychází z vyhodnocení pouze jednoho snímku. V takovém případě není možno ze snímku získat třírozměrnou informaci. Pokud však předpokládáme, že měřený objekt je rovinný, je třetí rozměr dán rovinou objektu. Výslednou formou zpracovaného snímku je tzv. fotoplán, což je snímek transformovaný do roviny objektu, jako např. půdorys podlahy (viz obr. 2). Vícesnímková fotogrammetrie umožňuje vypočítat prostorové souřadnice bodů, jež jsou zachyceny překryvu několika různých snímků. Pro kolmý průmět měřeného objektu do roviny se používá termín ortofoto. Fotoplán je tedy speciálním případem ortofota. Obr. 1 a 2. Původní snímek podlahy a fotoplán (ortofoto) získaný projektivní transformací. Radiální distorze není odstraněna, což je patrné na prohnutí linie na horním okraji. K fotogrammetrii se využívají měřické komory, které mají přesně určené geometrické parametry, jako např. ohniskovou vzdálenost, polohu středu objektivu, středu a FSv ČVUT, katedra matematiky, MÚ AV ČR, UI AV ČR, solc@mat.fsv.cvut.cz Tento článek je podpořen programem Informační společnost č. 1ET
2 okrajů snímku, malé zkreslení objektivu atd. Aby bylo možno eliminovat nevyhnutelné optické vady, měly by být tyto parametry neměnné. Tyto značné nároky na komory vysvětlují poměrně vysoké ceny, které mohou dosahovat i řádu milionů Kč, což tuto technologii značně prodražuje. Pro práci s nižší požadovanou přesností by bylo možné vystačit i s levnějšími přístroji. Je však třeba překonat několik zásadních obtíží. Mezi ně patří zejména korekce zkreslení objektivu. Ukazuje se, že hlavní složka deformace obrazového pole se vyskytuje v radiálním směru, tj. ve směru od středu snímku, a je závislá pouze na vzdálenosti od středu snímku (viz obr. 3). Tuto složku nazýváme radiální distorzí objektivu. xx, yy, Dxs, Dsy Obr. 3. Měřená deformace obrazového pole. Hlavní součástí je radiální distorze. Podaří-li se popsat průběh radiální distorze objektivu, je pak možno ke každému snímku vytvořit jeho nedeformovaný vzor. Bohužel radiální distorze významně závisí na zaostření objektivu a nastavení zoomu, proto nelze najít univerzální formuli pro radiální distorzi. Je však možné pořídit několik kalibračních snímků při podobných hodnotách zoomu a zaostření jako na vyhodnocovaném snímku a pak podle nich vybrat nejvhodnější model radiální distorze. Proto je třeba vyvinout metodu, jak s relativně malým úsilím vyhodnotit kalibrační snímek. Pro zjištění radiální distorze zde navrhuji tento postup: Nejdříve je potřeba sejmout kalibrační snímek, na kterém jsou v pravidelných rozestupech vyznačeny body o známých souřadnicích. Provést na snímku měření snímkových souřadnic obrazů vyznačených bodů. K tomu lze s výhodou použít algoritmus automatického rozeznávání, který zde bude popsán. 2
3 Správně provést přiřazení správných (tzv. skutečných) souřadnic k souřadnicím na snímku. Nalézt transformační klíč, který popisuje transformaci mezi skutečnými a snímkovými souřadnicemi. Pomocí klíče převést body z skutečných souřadnic na správné snímkové. Z rozdílů snímkových souřadnic měřených a správných získáme hodnoty distorze. Vytvořit vhodný model radiální distorze a případně jej použít k tvorbě ortofota. Automatické rozpoznání kalibračních bodů Nejdříve je potřeba kalibrační snímek vyfotit. Na snímku by měly být zřetelně zobrazeny jednoznačně identifikovatelné body o známých souřadnicích. Vhodné je uspořádání kalibračních bodů do čtvercové sítě s pravidelnými rozestupy (viz obr. 4). Vybereme zvláště ostře vykreslený výřez s obrazem bodu a nazveme jej vzorek. Nyní popíšeme postup, jak pomocí vzorku automaticky rozpoznat ostatní body. Výchozí obrázek lze popsat funkcí f : {,..., M} {,..., N} R, která každému bodu obrazového pole ve tvaru obdélníku (M + 1) (N + 1) přiřadí barvu. Barva bývá zpravidla kódována jako 3 bajty RGB, pro jednoduchost se omezme pouze na celkovou intenzitu osvětlení reprezentovanou jedním reálným číslem. Obdobně označme h : { m,..., m} { n,..., n} R funkci popisující vzorek o rozměrech (2m + 1, 2n + 1) pixlů s referenčním bodem o souřadnicích [, ]. Obr. 5. Vzorek h. Obr. 4. Kalibrační snímek f. Jako míra shody části obrázku se vzorkem může být použita korelace K K(x, y) = Cov(f xy, h) V ar(fxy ) V ar(h) = 3
4 = m (f(x + i, y + j) Ef xy ) (h(i, j) Eh) (f(x + i, y + j) Ef xy ) 2 m (h(i, j) Eh) 2, (1) kde f xy (i, j) = f(x + i, y + j) pro (i, j) { m,..., m} { n,..., n}. Vypočtěme tedy hodnotu funkce K : [m, M m] [n, N n] R v každém bodě jejího definičního oboru. V místech, kde se obrázek nejvíce podobá vzorku, má funkce K lokální maxima, a tam se také nacházejí rozpoznané kalibrační body. Výpočet podle formule (1) je časově značně náročný (vyžaduje cca O(M N mn) operací), nabízí se proto efektivnější postup. V čitateli (1) si všimněme dvojité sumy, která se podobá konvoluci (u v)(x, y) = R u(x t 1, y t 2 )v(t 1, t 2 ) dt 1 dt 2. 2 Fourierovu transformaci funkce u označíme F F T (u) podle názvu algoritmu jeho rychlé diskrétní implementace. Fourierova transformace má vlastnost, že konvoluce přejde na bodový součin dvou funkcí. Platí tedy F F T ( (u v)(x, y) ) = F F T ( u(x, y)) F F T (u(x, y) ). Pokud v následujících úpravách označíme h (i, j) = h( i, j) a v nedefinovaných bodech rozšíříme tuto funkci nulou, platí = Cov(f xy, h) = = i= j= (f(x + i, y + j)h(i, j) = f(x i, y j)h( i, j) = f(x i, y j)h (i, j) = (f h )(x, y). Diskrétní konvoluci v čitateli (1) tedy můžeme počítat pomocí algoritmu rychlé Fourierovy transformace (F F T ) a inverzní Fourierovy transformace (IF F T ). Pokud jsou f xy a h centrované, tj. za předpokladu Ef xy = Eh =, můžeme korelaci (1) vyjádřit ve tvaru K(x, y) = IF F T ( F F T (f xy ) F F T (h ) ) V ar(fxy ). (2) V ar(h ) Ve jmenovateli (2) je variance vzorku V ar(h ), která nezávisí na x a y, lze tedy funkci K vydělit touto konstantou na závěr nebo místo funkce h použít normovanou funkci h / V ar(h ). Pokud nám záleží pouze na poloze lokálních maxim, není třeba korelaci normovat, poloha maxima se násobením funkce konstantou nemění. Bohužel druhý člen V ar(f xy ) na poloze bodu závisí. Vzorek je však možné volit tak, aby variance byla téměř konstantní. Snímek musí být rovnoměrně osvětlen a 4
5 vzorek by měl mít rozměry soudělné s roztečí kalibrační mřížky, pak totiž výřez ze snímku o rozměrech [x m, x + m] [y n, y + n] obsahuje celý počet periodicky se opakujících kalibračních značek. Ve výřezu je nezávisle na poloze v souhrnu stejné poměrné zastoupení všech barev pixlů a je v tom případě Ef xy i V ar(f xy ) konstantní. Je proto možné zanedbat i tuto varianci a hledat maxima funkce K (x, y) = IF F T ( F F T (f xy ) F F T (h ) ). Obr 6. Funkce K má poměrně dobře ohraničená lokální maxima udávající polohu rozeznaných kalibračních značek. Obrázek zachycuje výřez. Předpoklad centrovaných veličin lze odstranit. Označme N = (2m + 1)(2n + 1). Střední hodnotu můžeme psát jako Eh = 1/N m n h(i, j). Čitatel v (1) má po roznásobení tvar = Eh (f(x + i, y + j) Ef xy ) (h(i, j) Eh) = f(x + i, y + j) h(i, j) Ef xy f(x + i, y + j) + h(i, j) Ef xy Eh = = K (x, y) N Ef xy Eh N Eh Ef xy + N Ef xy Eh. Za výše uvedených požadavků na kalibrační snímek a rozměry vzorku stojí v posledním výrazu funkce K (x, y) a poté již jen konstanty, které polohu lokálních maxim nemění. Subpixelová přesnost Subpixelové přesnosti dosáhneme, pokud budeme hledat maximum funkce K, která interpoluje funkci K na okolí lokálního maxima. Nechť se maximum nachází v bodě [, ]. Interpolaci hledáme ve tvaru K (x, y) = Ax 2 + By 2 + Cx + Dy + E. Pro bod [, ] a sousední body [1, ], [ 1, ], [, 1], [, 1] sestavíme soustavu pěti rovnic o pěti neznámých A,B,C,D,E. Po obecném vyřešení je možno najít polohu extrému interpolující funkce v závislosti na hodnotách v pěti daných uzlech. 5
6 Hledáme-li extrém na okolí bodu [, ], poloha extrému interpolační funkce je x = y = K ( 1, ) K (1, ) 2K ( 1, ) 4K (, ) + 2K (1, ), K (, 1) K (, 1) 2K (, 1) 4K (, ) + 2K (, 1). Určení transformačního klíče Nyní budeme používat více souřadných systémů. Soustava snímkových souřadnic popisuje polohu pixlu na snímku. Bod [,, 1] je v některém rohu snímku, osa x vede vodorovně, osa y svisle a osa z vede kolmo k rovině snímku ve směru od středu objektivu. (Bod v rovině snímku má tedy z = 1.) Osa objektivu prochází tzv. hlavním bodem, pro jednoduchost předpokládejme, že se tento bod nalézá ve středu snímku 1 ). Soustava skutečných souřadnic je dána skutečnými souřadnicemi bodů, které jsou zachyceny na snímku. Označme x i, y i snímkové souřadnice, které jsme určili ze snímku podle popsaného postupu. Označme X i, Y i odpovídající skutečné souřadnice. Vztah mezi souřadnicemi N id bodů v obou těchto systémech lze vyjádřit ve tvaru x i y i z i = r 11 r 12 r 13 r 21 r 22 r 23 r 31 r 32 1 X i Y i 1, kde x i = x i z i, y i = y i z i a kde r 11, r 12, r 13, r 21, r 22, r 23, r 31, r 32 jsou neznámé parametry transformace. Tuto (přeurčenou) soustavu pro všech N id bodů převedeme do tvaru ( xi y i ) ( ) r 13 Xi Y = i 1 x i X i x i Y i r 21, X i Y i 1 y i X i y i Y i r 22 r 23 r 31 i = 1,..., N id, (4) r 32 a řešíme metodou nejmenších červců. Poté pomocí (3) převedeme všechny skutečné souřadnice do soustavy snímkových souřadnic a označíme je x s,i, y s,i. r 11 r 12 (3) Určení radiální distorze Označme (dx i, dy i ) deformaci v bodě (x s,i, y s,i ). Konkrétně, je tedy (dx i, dy i ) = (x s,i x i, y s,i y i ). 1 ) Radiální distorze se v obecném případě též měří od hlavního bodu. 6
7 Radiální distorze d(x, y) je podle definice složka deformace ve směru ze středu, čili pokud střed snímku má souřadnice [c x, c y ], je v převedených (tj. nedeformovaných) bodech d(x s,i, y s,i ) = dx i(x s,i c x ) + dy i (y s,i c y ) (xs,i c x ) 2 + (y s,i c y ) Radialni distorze 6 Radialni distorze Osa y Osa x Obr. 7, 8. Měřená distorze v radiálním směru Osa y Osa x V ideálním případě je radiální distorze závislá pouze na vzdálenosti od středu snímku, označme tuto funkci D(r). (Viz obr. 9.) Experimenty ukazují, že pro aproximaci funkce je vhodný polynom 4. stupně D(r) = A 1 r 4 + A 2 r 3 + A 3 r 2 + A 4 r + A Obr. 9. Závislost radiální distorze na vzdálenosti od středu snímku. Aproximace funkcí D(r). Pomocí metody nejmenších čtverců pro měřená data d(x s,i, y s,i ) odhalíme koeficienty polynomu D(r). Z povahy věci je zřejmé, že ve středu snímku by měla být 7
8 distorze nulová. Člen A 5 proto nahradíme nulou. Dalším rozumným požadavkem je, aby distorze d(x, y) na okolí hlavního bodu byla C 1 -hladká. Vzhledem k rotační symetrii d(x, y) z toho pro D(r) plyne podmínka dd dr () =. Tato podmínka není automaticky splněna, neboť distorze na okolí středu závisí na měřítku transformace, které je svým způsobem obsaženo v transformačním klíči. Je však možno splnění této podmínky vynutit odečtením lineárního trendu od D(r). Protože dd dr () = A 4, jako model normalizované radiální distorze můžeme použít D n (r) = A 1 r 4 + A 2 r 3 + A 3 r 2. Idealni distorze Obr. 1. Deformace obrazu příslušná radiální distorzi určené funkcí D n (r). 35 Residualni distorze Obr. 11. Velikost zbytkové deformace obrazu po odstranění vlivu radiální distorze. Rozměr 1 pixlu odpovídá cca,1 mm. 8
9 Residualni distorze Obr. 12. Zbytková deformace obrazu po odstranění vlivu radiální distorze. Přetvoření snímku na ortofoto Normalizovaná radiální distorze D n (r) popisuje distorzi v (nezkresleném) bodě (x s,i, y s,i ), který je ve vzdálenosti r od středu snímku, resp. hlavního bodu. Pokud máme převést snímek na ortofoto, je třeba nejdříve změřit snímkové souřadnice identických bodů. Na snímku je ovšem změříme zkreslené radiální distorzí. Označme souřadnice zkresleného bodu (x, y ) a jeho vzdálenost od středu r. Pro výpočet transformačního klíče jsou však potřeba souřadnice tohoto bodu nepoškozené distorzí (x, y), jehož vzdálenost r je zatím neznámá. Řešíme tedy inverzní úlohu: najít r tak, aby r = r + D n (r). Označme r = r + dr a rozviňme D n (r) v Taylorovu řadu se středem v r. Potom je r = r+d n (r +dr) = r+d n (r )+ 1 1! dd n dr (r )dr+ 1 d 2 D n 2! dr 2 (r )dr d 3 D n 3! dr 3 (r )dr Protože je přibližně dr = D n (r) a D n (r) je polynom 4. stupně, můžeme použít vzorec r = r+d n (r ) 1 1! dd n dr (r )D n (r )+ 1 d 2 D n 2! dr 2 (r )D n (r ) 2 1 d 3 D n 3! dr 3 (r )D n (r ) (5) Testy ukazují, že tato formule poskytuje pro běžné hodnoty distorze lepší přesnost než,2 pixlu. Pomocí (3) vypočítáme nezkreslené snímkové souřadnice identických bodů a z nich poté transformační klíč postupem jako výše. 9
10 Ortofoto konstruujeme tak, že ke každému bodu o souřadnicích X, Y na ortofotu nalezneme odpovídající bod na výchozím zkresleném snímku a přiřadíme bodu X, Y hodnotu odpovídajícího pixlu. Z projektivní transformace získáme souřadnice na nezkresleném snímku x = r 11X + r 12 Y + r 13 r 31 X + r 32 Y + 1, y = r 21X + r 22 Y + r 23 r 31 X + r 32 Y + 1. (6) Tedy na zkresleném snímku má bod X, Y souřadnice x, y ze vzorců r = (x c x ) 2 + (y c y ) 2, Shrnutí výsledků x = x + D n (r) x c x, r y = y + D n (r) y c y. r Experimenty potvrzují, že radiální distorze vskutku závisí na ohniskové vzdálenosti. Bylo provedeno měření ve třech polohách zoomu: f=38 mm, f=2 mm, f=38 mm (ekvivalent f pro kinofilm). Porovnání funkcí viz obr. 13. Grafy distorze na obr příslušejí měření pro f=38 mm. Na obrázcích 11 a 12 je znázorněna reziduální distorze, čili velikost zbytkové chyby po odstranění vlivu radiální distorze. Pro větší ohniskové vzdálenosti jsou hodnoty distorze menší a proto jsou grafy více poznamenány šumem (menší odstup signálu od šumu). Protože jsou však hodnoty korekce menší, je zobrazení přesnější. Pro největší ohniskovou vzdálenost f =38 mm je zobrazení přesné na cca 3 pixly, což dává možnost korekci zanedbat. Identické body je vhodné volit na kružnici vepsané obrazovému poli, neboť tam bývá radiální korekce nulová nezávisle na nastavení zoomu. 1 Vsechna f, normalizovana 5 f=38 mm 5 f=2 mm f=38 mm Obr. 13. Porovnání distorze pro různá nastavení zoomu. 1
11 Aplikace Nyní předvedu poněkud neobvyklé využití výše popsané kalibrace snímku. Na snímcích můžeme vidět průčelí kostela Srdce Páně v Klatovech. Od objektu není takový odstup, aby se celá fasáda vešla na jeden snímek. 11
12 Snímky můžeme převést na ortofota a odstranit radiální distorzi. Pokud jsou snímky správně kalibrované a oba snímky zachycují objekt ve stejné rovině, měly by veškeré linie na objektu navazovat a lze snímky snadno napojit. Na spojeném snímku pozorujeme původní okraje snímků jako šikmé čáry zkreslené projektivní transformací. Výsledný snímek získáme oříznutím okrajů. Obrázek můžeme případně opět transformovat projektivním zobrazením, aby působil jako pohled z určitého bodu. 12
13 13
kamerou. Dle optických parametrů objektivu mohou v získaném obraze nastat geometrická
Odstranění geometrických zkreslení obrazu Vstupní obraz pro naše úlohy získáváme pomocí optické soustavy tvořené objektivem a kamerou. Dle optických parametrů objektivu mohou v získaném obraze nastat geometrická
VíceAplikovaná numerická matematika
Aplikovaná numerická matematika 6. Metoda nejmenších čtverců doc. Ing. Róbert Lórencz, CSc. České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových systémů Příprava studijních
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,
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
VíceSPŠS Č.Budějovice Obor Geodézie a Katastr nemovitostí 4.ročník MĚŘICKÝ SNÍMEK PRVKY VNITŘNÍ A VNĚJŠÍ ORIENTACE CHYBY SNÍMKU
SPŠS Č.Budějovice Obor Geodézie a Katastr nemovitostí 4.ročník MĚŘICKÝ SNÍMEK PRVKY VNITŘNÍ A VNĚJŠÍ ORIENTACE CHYBY SNÍMKU MĚŘICKÝ SNÍMEK Základem měření je fotografický snímek, který je v ideálním případě
VíceInterpolace Uvažujme třídu funkcí jedné proměnné ψ(x; a 0,..., a n ), kde a 0,..., a n jsou parametry, které popisují jednotlivé funkce této třídy. Mějme dány body x 0, x 1,..., x n, x i x k, i, k = 0,
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
VícePřehled základních metod georeferencování starých map
Přehled základních metod georeferencování starých map ČVUT v Praze, Fakulta stavební, katedra mapování a kartografie 4. listopadu 2011 Obsah prezentace 1 2 3 4 5 Zhlediska georeferencování jsou důležité
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/
VíceSPŠS Č.Budějovice Obor Geodézie a Katastr nemovitostí 4.ročník MATEMATICKÉ (OPTICKÉ) ZÁKLADY FOTOGRAMMETRIE
SPŠS Č.Budějovice Obor Geodézie a Katastr nemovitostí 4.ročník MATEMATICKÉ (OPTICKÉ) ZÁKLADY FOTOGRAMMETRIE MATEMATICKÉ ZÁKLADY FOTOGRAMMETRIE fotogrammetrie využívá ke své práci fotografické snímky, které
VíceMatematická analýza ve Vesmíru. Jiří Bouchala
Matematická analýza ve Vesmíru Jiří Bouchala Katedra aplikované matematiky jiri.bouchala@vsb.cz www.am.vsb.cz/bouchala - p. 1/19 typu: m x (sin x, cos x) R(x, ax +...)dx. Matematická analýza ve Vesmíru.
VíceKombinatorická minimalizace
Kombinatorická minimalizace Cílem je nalézt globální minimum ve velké diskrétní množině, kde může být mnoho lokálních minim. Úloha obchodního cestujícího Cílem je najít nejkratší cestu, která spojuje všechny
VíceFotogrammetrické 3D měření deformací dálničních mostů typu TOM
Fotogrammetrické 3D měření deformací dálničních mostů typu TOM Ing. Karel Vach CSc., s.r.o. Archeologická 2256, 155 00 Praha 5 http://www.eurogv.cz 1 Objekt SO 208 2 Technické zadání: - provést zaměření
VíceDefinice 13.1 Kvadratická forma v n proměnných s koeficienty z tělesa T je výraz tvaru. Kvadratická forma v n proměnných je tak polynom n proměnných s
Kapitola 13 Kvadratické formy Definice 13.1 Kvadratická forma v n proměnných s koeficienty z tělesa T je výraz tvaru f(x 1,..., x n ) = a ij x i x j, kde koeficienty a ij T. j=i Kvadratická forma v n proměnných
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
VíceFunkce a lineární funkce pro studijní obory
Variace 1 Funkce a lineární funkce pro studijní obory Autor: Mgr. Jaromír JUŘEK Kopírování a jakékoliv další využití výukového materiálu je povoleno pouze s uvedením odkazu na www.jarjurek.cz. 1. Funkce
Více1 Mnohočleny a algebraické rovnice
1 Mnohočleny a algebraické rovnice 1.1 Pojem mnohočlenu (polynomu) Připomeňme, že výrazům typu a 2 x 2 + a 1 x + a 0 říkáme kvadratický trojčlen, když a 2 0. Číslům a 0, a 1, a 2 říkáme koeficienty a písmenem
Více2. Určete jádro KerL zobrazení L, tj. nalezněte alespoň jednu jeho bázi a určete jeho dimenzi.
Řešené příklady z lineární algebry - část 3 Typové příklady s řešením Příklad 3.1: Zobrazení L: P 3 R 23 je zobrazení z prostoru P 3 všech polynomů do stupně 3 (včetně nulového polynomu) do prostoru R
VíceANALYTICKÁ GEOMETRIE LINEÁRNÍCH ÚTVARŮ V ROVINĚ
ANALYTICKÁ GEOMETRIE LINEÁRNÍCH ÚTVARŮ V ROVINĚ Parametrické vyjádření přímky v rovině Máme přímku p v rovině určenou body A, B. Sestrojíme vektor u = B A. Pro bod B tím pádem platí: B = A + u. Je zřejmé,
VíceHledáme lokální extrémy funkce vzhledem k množině, která je popsána jednou či několika rovnicemi, vazebními podmínkami. Pokud jsou podmínky
6. Vázané a absolutní extrémy. 01-a3b/6abs.tex Hledáme lokální extrémy funkce vzhledem k množině, která je popsána jednou či několika rovnicemi, vazebními podmínkami. Pokud jsou podmínky jednoduché, vyřešíme
VíceSPŠS Č.Budějovice Obor Geodézie a Katastr nemovitostí 4.ročník SOUŘADNICOVÉ SOUSTAVY VE FOTOGRAMMETRII
SPŠS Č.Budějovice Obor Geodézie a Katastr nemovitostí 4.ročník SOUŘADNICOVÉ SOUSTAVY VE FOTOGRAMMETRII SOUŘADNICOVÉ SOUSTAVY VE FTM hlavní souřadnicové soustavy systém snímkových souřadnic systém modelových
VíceFunkce - pro třídu 1EB
Variace 1 Funkce - pro třídu 1EB Autor: Mgr. Jaromír JUŘEK Kopírování a jakékoliv využití výukového materiálu je povoleno pouze s odkazem na www.jarjurek.cz. 1. Funkce Funkce je přiřazení, které každému
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
VíceAplikovaná matematika I
Metoda nejmenších čtverců Aplikovaná matematika I Dana Říhová Mendelu Brno c Dana Říhová (Mendelu Brno) Metoda nejmenších čtverců 1 / 8 Obsah 1 Formulace problému 2 Princip metody nejmenších čtverců 3
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
VíceSouřadnicové prostory
Prostor objektu Tr. objektu Tr. modelu Prostor scény Souřadnicové prostory V V x, y z x, y z z -z x, y Tr. objektu V =V T 1 T n M Tr. modelu Tr. scény x, y Tr. pohledu Tr. scény Tr. pohledu Prostor pozorovatele
Více9. přednáška 26. listopadu f(a)h < 0 a pro h (0, δ) máme f(a 1 + h, a 2,..., a m ) f(a) > 1 2 x 1
9 přednáška 6 listopadu 007 Věta 11 Nechť f C U, kde U R m je otevřená množina, a a U je bod Pokud fa 0, nemá f v a ani neostrý lokální extrém Pokud fa = 0 a H f a je pozitivně negativně definitní, potom
VíceInterpolace, ortogonální polynomy, Gaussova kvadratura
Interpolace, ortogonální polynomy, Gaussova kvadratura Petr Tichý 20. listopadu 2013 1 Úloha Lagrangeovy interpolace Dán omezený uzavřený interval [a, b] a v něm n + 1 různých bodů x 0, x 1,..., x n. Nechť
Více0.1 Úvod do lineární algebry
Matematika KMI/PMATE 1 01 Úvod do lineární algebry 011 Vektory Definice 011 Vektorem aritmetického prostorur n budeme rozumět uspořádanou n-tici reálných čísel x 1, x 2,, x n Definice 012 Definice sčítání
Vícevyjádřete ve tvaru lineární kombinace čtverců (lineární kombinace druhých mocnin). Rozhodněte o definitnosti kvadratické formy κ(x).
Řešené příklady z lineární algebry - část 6 Typové příklady s řešením Příklad 6.: Kvadratickou formu κ(x) = x x 6x 6x x + 8x x 8x x vyjádřete ve tvaru lineární kombinace čtverců (lineární kombinace druhých
VíceAproximace funkcí. Numerické metody 6. května FJFI ČVUT v Praze
Aproximace funkcí Numerické metody 6. května 2018 FJFI ČVUT v Praze 1 Úvod Dělení Interpolace 1D Více dimenzí Minimalizace Důvody 1 Dělení Dělení - Získané data zadané data 2 Dělení - Získané data Obecně
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
VíceObyčejnými diferenciálními rovnicemi (ODR) budeme nazývat rovnice, ve kterých
Obyčejné diferenciální rovnice Obyčejnými diferenciálními rovnicemi (ODR) budeme nazývat rovnice, ve kterých se vyskytují derivace neznámé funkce jedné reálné proměnné. Příklad. Bud dána funkce f : R R.
VíceKapitola 10: Diferenciální rovnice 1/14
Kapitola 10: Diferenciální rovnice 1/14 Co je to diferenciální rovnice? Definice: Diferenciální rovnice je vztah mezi hledanou funkcí y(x), jejími derivacemi y (x), y (x), y (x),... a nezávisle proměnnou
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
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
Více0.1 Úvod do matematické analýzy
Matematika I (KMI/PMATE) 1 0.1 Úvod do matematické analýzy 0.1.1 Pojem funkce Veličina - pojem, který popisuje kvantitativní (číselné) vlastnosti reálných i abstraktních objektů. Příklady veličin: hmotnost
VíceČebyševovy aproximace
Čebyševovy aproximace Čebyševova aproximace je tzv hledání nejlepší stejnoměrné aproximace funkce v daném intervalu Hledáme funkci h x, která v intervalu a,b minimalizuje maximální absolutní hodnotu rozdílu
VíceFunkce pro studijní obory
Variace 1 Funkce pro studijní obory Autor: Mgr. Jaromír JUŘEK Kopírování a jakékoliv další využití výukového materiálu je povoleno pouze s uvedením odkazu na www.jarjurek.cz. 1. Funkce Funkce je přiřazení,
VíceDerivace funkce Otázky
funkce je jedním z hlavních nástrojů matematické analýzy. V příští části ukážeme, jak mnoho různorodých aplikací derivace má. Geometricky lze derivaci funkce v nějakém bodě chápat jako směrnici tečny grafu
VíceExtrémy funkce dvou proměnných
Extrémy funkce dvou proměnných 1. Stanovte rozměry pravoúhlé vodní nádrže o objemu 32 m 3 tak, aby dno a stěny měly nejmenší povrch. Označme rozměry pravoúhlé nádrže x, y, z (viz obr.). ak objem této nádrže
VíceNumerická matematika 1
Numerická matematika 1 Obsah 1 Řešení nelineárních rovnic 3 1.1 Metoda půlení intervalu....................... 3 1.2 Metoda jednoduché iterace..................... 4 1.3 Newtonova metoda..........................
VíceAplikace derivace a průběh funkce
Aplikace derivace a průběh funkce Petr Hasil Přednáška z matematiky Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem na discipĺıny společného
VíceDerivace funkce DERIVACE A SPOJITOST DERIVACE A KONSTRUKCE FUNKCÍ. Aritmetické operace
Derivace funkce Derivace je jedním z hlavních nástrojů matematické analýzy. V příští části ukážeme, jak mnoho různorodých aplikací derivace má. Geometricky lze derivaci funkce v nějakém bodě chápat jako
VíceMatematika I, část I. Rovnici (1) nazýváme vektorovou rovnicí roviny ABC. Rovina ABC prochází bodem A a říkáme, že má zaměření u, v. X=A+r.u+s.
3.4. Výklad Předpokládejme, že v prostoru E 3 jsou dány body A, B, C neležící na jedné přímce. Těmito body prochází jediná rovina, kterou označíme ABC. Určíme vektory u = B - A, v = C - A, které jsou zřejmě
Více8.3). S ohledem na jednoduchost a názornost je výhodné seznámit se s touto Základní pojmy a vztahy. Definice
9. Lineární diferenciální rovnice 2. řádu Cíle Diferenciální rovnice, v nichž hledaná funkce vystupuje ve druhé či vyšší derivaci, nazýváme diferenciálními rovnicemi druhého a vyššího řádu. Analogicky
Více0.1 Funkce a její vlastnosti
0.1 Funkce a její vlastnosti Veličina - pojem, který popisuje kvantitativní (číselné) vlastnosti reálných i abstraktních objektů. Příklady veličin: hmotnost (m) čas (t) výše úrokové sazby v bance (i) cena
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
VíceMatematika (KMI/PMATE)
Úvod do matematické analýzy Funkce a její vlastnosti Funkce a její vlastnosti Veličina Veličina - pojem, který popisuje kvantitativní (číselné) vlastnosti reálných i abstraktních objektů. Funkce a její
VíceTěleso racionálních funkcí
Těleso racionálních funkcí Poznámka. V minulém semestru jsme libovolnému oboru integrity sestrojili podílové těleso. Pro libovolné těleso R je okruh polynomů R[x] oborem integrity, máme tedy podílové těleso
Více1 Vektorové prostory.
1 Vektorové prostory DefiniceMnožinu V, jejíž prvky budeme označovat a, b, c, z, budeme nazývat vektorovým prostorem právě tehdy, když budou splněny následující podmínky: 1 Je dáno zobrazení V V V, které
VíceOtázku, kterými body prochází větev implicitní funkce řeší následující věta.
1 Implicitní funkce Implicitní funkce nejsou funkce ve smyslu definice, že funkce bodu z definičního oboru D přiřadí právě jednu hodnotu z oboru hodnot H. Přesnější termín je funkce zadaná implicitně.
VícePseudospektrální metody
Pseudospektrální metody Obecně: založeny na rozvoji do bázových funkcí s globálním nosičem řešení diferenciální rovnice aproximuje sumou kde jsou např. Čebyševovy polynomy nebo trigonometrické funkce tyto
Více7. Derivace složené funkce. Budeme uvažovat složenou funkci F = f(g), kde některá z jejich součástí
202-m3b2/cvic/7slf.tex 7. Derivace složené funkce. Budeme uvažovat složenou funkci F = fg, kde některá z jejich součástí může být funkcí více proměnných. Předpokládáme, že uvažujeme funkce, které mají
VíceMatematika I (KMI/PMATE)
Přednáška první aneb Úvod do matematické analýzy Funkce a její vlastnosti Úvod do matematické analýzy Osnova přednášky pojem funkce definice funkce graf funkce definiční obor funkce obor hodnot funkce
Více5.3. Implicitní funkce a její derivace
Výklad Podívejme se na následující problém. Uvažujme množinu M bodů [x,y] R 2, které splňují rovnici F(x, y) = 0, M = {[x,y] D F F(x,y) = 0}, kde z = F(x,y) je nějaká funkce dvou proměnných. Je-li F(x,y)
Více1. Náhodný vektor (X, Y ) má diskrétní rozdělení s pravděpodobnostní funkcí p, kde. p(x, y) = a(x + y + 1), x, y {0, 1, 2}.
VIII. Náhodný vektor. Náhodný vektor (X, Y má diskrétní rozdělení s pravděpodobnostní funkcí p, kde p(x, y a(x + y +, x, y {,, }. a Určete číslo a a napište tabulku pravděpodobnostní funkce p. Řešení:
VíceFOURIEROVA ANAL YZA 2D TER ENN ICH DAT Karel Segeth
FOURIEROVA ANALÝZA 2D TERÉNNÍCH DAT Karel Segeth Motto: The faster the computer, the more important the speed of algorithms. přírodní jev fyzikální model matematický model numerický model řešení numerického
Více1 Polynomiální interpolace
Polynomiální interpolace. Metoda neurčitých koeficientů Příklad.. Nalezněte polynom p co nejmenšího stupně, pro který platí p() = 0, p(2) =, p( ) = 6. Řešení. Polynom hledáme metodou neurčitých koeficientů,
VíceKOMPLEXNÍ ČÍSLA INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ
KOMPLEXNÍ ČÍSLA Gymnázium Jiřího Wolkera v Prostějově Výukové materiály z matematiky pro vyšší gymnázia Autoři projektu Student na prahu 21. století - využití ICT ve vyučování matematiky na gymnáziu INVESTICE
VíceDefinice globální minimum (absolutní minimum) v bodě A D f, jestliže X D f
Výklad Globální extrémy mají stejný význam jako u funkcí jedné proměnné. Hledáme je bud na celém definičním oboru dané funkce, nebo na předem zadané podmnožině definičního oboru. Definice 6..1. Řekneme,
VíceDiferenciální počet - II. část (Taylorův polynom, L Hospitalovo pravidlo, extrémy
Diferenciální počet - II. část (Taylorův polynom, L Hospitalovo pravidlo, extrémy funkcí, průběh funkce) Michal Fusek Ústav matematiky FEKT VUT, fusekmi@feec.vutbr.cz 5. přednáška z AMA1 Michal Fusek (fusekmi@feec.vutbr.cz)
VíceZpracování digitalizovaného obrazu (ZDO) - Analýza pohybu
Zpracování digitalizovaného obrazu (ZDO) - Analýza pohybu Úvod Ing. Zdeněk Krňoul, Ph.D. Katedra Kybernetiky Fakulta aplikovaných věd Západočeská univerzita v Plzni Zpracování digitalizovaného obrazu (ZDO)
VíceUNIVERZITA PARDUBICE. 4.4 Aproximace křivek a vyhlazování křivek
UNIVERZITA PARDUBICE Licenční Studium Archimedes Statistické zpracování dat a informatika 4.4 Aproximace křivek a vyhlazování křivek Mgr. Jana Kubátová Endokrinologický ústav V Praze, leden 2012 Obsah
Více= cos sin = sin + cos = 1, = 6 = 9. 6 sin 9. = 1 cos 9. = 1 sin 9. + 6 cos 9 = 1 0,939692621 6 ( 0,342020143) = 1 ( 0,342020143) + 6 0,939692621
ŘEŠENÉ PŘÍKLADY Z MA+ULA ČÁST Příklad Bod má vůči souřadné soustavě souřadnice uvedené níže. Vypočtěte jeho souřadnice vzhledem k soustavě, která je vůči otočená dle zadání uvedeného níže. Výsledky zaokrouhlete
Více7. Rozdělení pravděpodobnosti ve statistice
7. Rozdělení pravděpodobnosti ve statistice Statistika nuda je, má však cenné údaje, neklesejte na mysli, ona nám to vyčíslí Jednou z úloh statistiky je odhad (výpočet) hodnot statistického znaku x i,
VíceVšechno, co jste kdy chtěli vědět o maticích, ale báli jste se zeptat
Všechno, co jste kdy chtěli vědět o maticích, ale báli jste se zeptat Čtvercová matice n n, např. může reprezentovat: A = A A 2 A 3 A 2 A 22 A 23 A 3 A 32 A 33 matici koeficientů soustavy n lineárních
VíceDZDDPZ3 Digitální zpracování obrazových dat DPZ. Doc. Dr. Ing. Jiří Horák Institut geoinformatiky VŠB-TU Ostrava
DZDDPZ3 Digitální zpracování obrazových dat DPZ Doc. Dr. Ing. Jiří Horák Institut geoinformatiky VŠB-TU Ostrava Digitální zpracování obrazových dat DPZ Předzpracování (rektifikace a restaurace) Geometrické
Vícepouze u některých typů rovnic a v tomto textu se jím nebudeme až na
Matematika II 7.1. Zavedení diferenciálních rovnic Definice 7.1.1. Rovnice tvaru F(y (n), y (n 1),, y, y, x) = 0 se nazývá diferenciální rovnice n-tého řádu pro funkci y = y(x). Speciálně je F(y, y, x)
VícePříklady pro předmět Aplikovaná matematika (AMA) část 1
Příklady pro předmět plikovaná matematika (M) část 1 1. Lokální extrémy funkcí dvou a tří proměnných Nalezněte lokální extrémy funkcí: (a) f 1 : f 1 (x, y) = x 3 3x + y 2 + 2y (b) f 2 : f 2 (x, y) = 1
VíceÚvod do zpracování signálů
1 / 25 Úvod do zpracování signálů Karel Horák Rozvrh přednášky: 1. Spojitý a diskrétní signál. 2. Spektrum signálu. 3. Vzorkovací věta. 4. Konvoluce signálů. 5. Korelace signálů. 2 / 25 Úvod do zpracování
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
VíceINVESTICE DO ROZVOJE VZDĚLÁVÁNÍ. Modernizace studijního programu Matematika na PřF Univerzity Palackého v Olomouci CZ.1.07/2.2.00/28.
INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ Modernizace studijního programu Matematika na PřF Univerzity Palackého v Olomouci CZ.1.07/2.2.00/28.0141 Báze vektorových prostorů, transformace souřadnic Michal Botur Přednáška
VíceDigitalizace starých glóbů
Milan Talich, Klára Ambrožová, Jan Havrlant, Ondřej Böhm Milan.Talich@vugtk.cz 21. kartografická konference, 3. 9. - 4. 9. 2015, Lednice Cíle Vytvoření věrného 3D modelu, umožnění studia online, možnost
VíceIntegrace. Numerické metody 7. května FJFI ČVUT v Praze
Integrace Numerické metody 7. května 2018 FJFI ČVUT v Praze 1 Úvod Úvod 1D Kvadraturní vzorce Gaussovy kvadratury Více dimenzí Programy 1 Úvod Úvod - Úloha Máme funkci f( x) a snažíme se najít určitý integrál
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
VíceKomplexní analýza. Laplaceova transformace. Martin Bohata. Katedra matematiky FEL ČVUT v Praze
Komplexní analýza Laplaceova transformace Martin Bohata Katedra matematiky FEL ČVUT v Praze bohata@math.feld.cvut.cz Martin Bohata Komplexní analýza Laplaceova transformace 1 / 18 Definice Definice Laplaceovou
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,
VíceSPŠS Č.Budějovice Obor Geodézie a Katastr nemovitostí 4.ročník JEDNOSNÍMKOVÁ FOTOGRAMMETRIE
SPŠS Č.Budějovice Obor Geodézie a Katastr nemovitostí 4.ročník JEDNOSNÍMKOVÁ FOTOGRAMMETRIE MATEMATICKÉ ZÁKLADY JEDNOSNÍMKOVÉ FTM Matematickým vyjádřením skutečnosti je kolineární transformace, ve které
VíceAproximace funkcí. x je systém m 1 jednoduchých, LN a dostatečně hladkých funkcí. x c m. g 1. g m. a 1. x a 2. x 2 a k. x k b 1. x b 2.
Aproximace funkcí Aproximace je výpočet funkčních hodnot funkce z nějaké třídy funkcí, která je v určitém smyslu nejbližší funkci nebo datům, která chceme aproximovat. Třída funkcí, ze které volíme aproximace
Více8.4. Shrnutí ke kapitolám 7 a 8
8.4. Shrnutí ke kapitolám 7 a 8 Shrnutí lekce Úvodní 7. kapitola přinesla informace o druzích řešení diferenciálních rovnic prvního řádu a stručné teoretické poznatky o podmínkách existence a jednoznačnosti
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)
VíceModerní technologie ve studiu aplikované fyziky CZ.1.07/2.2.00/ Množiny, funkce
Moderní technologie ve studiu aplikované fyziky CZ.1.07/2.2.00/07.0018 2. Množiny, funkce MNOŽIN, ZÁKLDNÍ POJMY Pojem množiny patří v matematice ke stěžejním. Nelze jej zavést ve formě definice pomocí
Vícematiceteorie 1. Matice A je typu 2 4, matice B je typu 4 3. Jakých rozměrů musí být matice X, aby se dala provést
Úlohy k zamyšlení 1. Zdůvodněte, proč třetí řádek Hornerova schématu pro vyhodnocení polynomu p v bodě c obsahuje koeficienty polynomu r, pro který platí p(x) = (x c) r(x) + p(c). 2. Dokažte, že pokud
VíceQ(y) dy = P(x) dx + C.
Cíle Naše nejbližší cíle spočívají v odpovědích na základní otázky, které si klademe v souvislosti s diferenciálními rovnicemi: 1. Má rovnice řešení? 2. Kolik je řešení a jakého jsou typu? 3. Jak se tato
VíceObsah. Metodický list Metodický list Metodický list Metodický list
METODICKÉ LISTY Z MATEMATIKY pro gymnázia a základní vzdělávání Jaroslav Švrček a kolektiv Rámcový vzdělávací program pro gymnázia Vzdělávací oblast: Matematika a její aplikace Tematický okruh: Závislosti
VíceMATEMATIKA III. Olga Majlingová. Učební text pro prezenční studium. Předběžná verze
Fakulta strojního inženýrství Univerzity J. E. Purkyně v Ústí nad Labem Pasteurova 7 Tel.: 475 285 511 400 96 Ústí nad Labem Fax: 475 285 566 Internet: www.ujep.cz E-mail: kontakt@ujep.cz MATEMATIKA III
VíceEUKLIDOVSKÉ PROSTORY
EUKLIDOVSKÉ PROSTORY Necht L je lineární vektorový prostor nad tělesem reálných čísel 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,
VícePrůvodce studiem. do bodu B se snažíme najít nejkratší cestu. Ve firmách je snaha minimalizovat
6. Extrémy funkcí více proměnných Průvodce studiem Hledání extrémů je v praxi často řešená úloha. Např. při cestě z bodu A do bodu B se snažíme najít nejkratší cestu. Ve firmách je snaha minimalizovat
VíceREÁLNÁ FUNKCE JEDNÉ PROMĚNNÉ
REÁLNÁ FUNKCE JEDNÉ PROMĚNNÉ 5 přednáška S funkcemi se setkáváme na každém kroku ve všech přírodních vědách ale i v každodenním životě Každá situace kdy jsou nějaký jev nebo veličina jednoznačně určeny
VíceMatematika I (KX001) Užití derivace v geometrii, ve fyzice 3. října f (x 0 ) (x x 0) Je-li f (x 0 ) = 0, tečna: x = 3, normála: y = 0
Rovnice tečny a normály Geometrický význam derivace funkce f(x) v bodě x 0 : f (x 0 ) = k t k t je směrnice tečny v bodě [x 0, y 0 = f(x 0 )] Tečna je přímka t : y = k t x + q, tj y = f (x 0 ) x + q; pokud
VíceVyužití letecké fotogrammetrie pro sledování historického vývoje krajiny
Využití letecké fotogrammetrie pro sledování historického vývoje krajiny Jitka Elznicová Katedra informatiky a geoinformatiky Fakulta životního prostředí Univerzita J.E.Purkyně v Ústí nad Labem Letecké
VícePoznámka: V kurzu rovnice ostatní podrobně probíráme polynomické rovnice a jejich řešení.
@083 6 Polynomické funkce Poznámka: V kurzu rovnice ostatní podrobně probíráme polynomické rovnice a jejich řešení. Definice: Polynomická funkce n-tého stupně (n N) je dána předpisem n n 1 2 f : y a x
VíceAplikovaná numerická matematika - ANM
Aplikovaná numerická matematika - ANM 3 Řešení soustav lineárních rovnic iterační metody doc Ing Róbert Lórencz, CSc České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových
Více4 Numerické derivování a integrace
Břetislav Fajmon, UMAT FEKT, VUT Brno Téma je podrobně zpracováno ve skriptech [1], kapitola 7, strany 85-94. Jedná se o úlohu výpočtu (první či druhé) derivace či o výpočet určitého integrálu jinými metodami,
VícePozn. 1. Při návrhu aproximace bychom měli aproximační funkci vybírat tak, aby vektory ϕ (i) byly lineárně
9. Řešení typických úloh diskrétní metodou nejmenších čtverců. DISKRÉTNÍ METODA NEJMENŠÍCH ČTVERCŮ použití: v případech, kdy je nevhodná interpolace využití: prokládání dat křivkami, řešení přeurčených
VíceSoustavy linea rnı ch rovnic
[1] Soustavy lineárních rovnic vlastnosti množin řešení metody hledání řešení nejednoznačnost zápisu řešení a) soustavy, 10, b) P. Olšák, FEL ČVUT, c) P. Olšák 2010, d) BI-LIN, e) L, f) 2009/2010, g)l.
Více11. přednáška 10. prosince Kapitola 3. Úvod do teorie diferenciálních rovnic. Obyčejná diferenciální rovnice řádu n (ODR řádu n) je vztah
11. přednáška 10. prosince 2007 Kapitola 3. Úvod do teorie diferenciálních rovnic. Obyčejná diferenciální rovnice řádu n (ODR řádu n) je vztah F (x, y, y, y,..., y (n) ) = 0 mezi argumentem x funkce jedné
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
VíceZPRACOVÁNÍ DAT DÁLKOVÉHO PRŮZKUMU
A - zdroj záření B - záření v atmosféře C - interakce s objektem D - změření záření přístrojem E - přenos, příjem dat F - zpracování dat G - využití informace v aplikaci Typ informace získávaný DPZ - vnitřní
Více