Előadást letölteni
Az előadás letöltése folymat van. Kérjük, várjon
1
Összefoglalás (nem teljes)
I.fé – számolástechniaki alapok, „látható” vektorterek II. félév: általános vektorterek+euklideszi terek+komplex test feletti terek
2
Egymásba alakíthatóság
A felhasználó bejelöli az egymásnak megfelelő pontokat Mi az a legoptimálisabb transzformáció, ami az egyszarvút az oroszlánba viszi?
3
Motivation – Shape Matching
Az alakzatot mint pontok halmazát tekintve megpróbálják a pontokat egymáshoz rendelni, majd a legjobb lineáris transzformációt alkalmazni.
4
Motivation – Shape Matching
A legjobb forgatáshoz a SVD segítségével juthatunk
5
Principal Component Analysis
x Adott pontok halmazához keressük meg a legjobban illeszkedő egyenest- legkisebb négyzetek módszere
6
Principal Component Analysis
x’ x Adott pontok halmazához keressük meg a legjobban illeszkedő egyenest- legkisebb négyzetek módszere
7
Principal Component Analysis
x’ x Adott pontok halmazához keressük meg a legjobban illeszkedő egyenest- legkisebb négyzetek módszere: a pontok egyenestől mért távolságának négyzete a legkisebb
8
Principal Component Analysis Singular Value Decomposition
PCA és SVD igen fontos eszközök a számítógéped grafikában, statisztikában, computeres látásban, stb. Ehhez sv., sé, dekomponálás kell. SVD: A = UV T diagonális és A szinguláris értékeit tartalmazza
9
Vektortér V v, w V v + w V asszociatív van egység, a 0
van erre nézve inverz v V, skalár v V Vegyes asszoc., vegyes disztr
10
Alterek -Példa l 2D origón áthaladó egyenes – R2 altere y O x
11
Alterek -Példa origón áthaladó sík z O y x
12
Lineáris függetlenség, függőség
{v1, v2, …, vk} Lfgtlen, ha 1v1 + 2v2 + … + kvk = 0 i = 0 i Egyik vektor sem kapható meg a többi lin. kombinációjával
13
Lineáris függetlenség, függőség
Parallel vekorok mindig függők Ortogonális vektorok mindig fgtlenek: v = 2.4 w v + (2.4)w = 0 v w
14
V = {1v1 + 2v2 + … + nvn | i is skalár}
Bázis {v1, v2, …, vn} lineárisan fgtlen {v1, v2, …, vn} kifeszíti az egész vektorteret V = {1v1 + 2v2 + … + nvn | i is skalár} Bármely vektor a bázisvektorok egyértelmű lineáris kombinációja. Dimenzió: bázisvektorok száma
15
Basis - example Sztandard/kanonikus bázis R3 – i, j, k e1, e2, e3) z y
16
A grayscale kép M pixel x N pixels M×N mátrix-szal reprezentálható
A grayscale kép M pixel x N pixels M×N mátrix-szal reprezentálható. Elemei [0,1]-beli számok , a pixel grayscale intenzitását jelentik in [0,1] with 0=black and 1=white. (Matlab)
17
Példa bázis használatára
Grayscale NM pixeles kép: Minden pixelnek 0 és 1 közti értéke van, (pl a 0 =fehér, az 1= fekete) A képet értelmezhetjük vektorként: vektor RNM N M
18
The “standard” basis (44)
19
Linearis kombináció *1 + *(2/3) + *(1/3) =
20
Red-Green-Blue
21
Másfajta bázis (cosine basis: Discrete Cosine Transform DCT)
22
http://www. inf. u-szeged
43:1, 6 KB eredeti, 262 KB 12:1, 22 KB
23
Mátrix reprezentáció {v1, v2, …, vn} bázis V-ben
v = 1v1 + 2v2 + … + nvn
24
Lineáris leképezések A : V W : A(0) = 0 Geo transzf. - grafika:
A(v + w) = A(v) + A(w) A( v) = A(v) A(0) = 0 Geo transzf. - grafika: Skálázás – diag. Forgatás, tükrözés Eltolás NEM lineáris – az origó is elmozdul-de mátrix művelettel ez i smegoldható
25
Lineáris leképezések - példa
Forgatás: R(v+w) v+w w w v v
26
Lineáris leképezés - példa
Forgatás lineáris transzformáció: R(v+w) v+w R(w) w w v v
27
Lineáris leképezés - példa
Forgatás lineáris transzformáció R(v+w) v+w R(v) R(w) w w v v
28
Lineáris leképezés - példa
Forgatás lineáris transzformáció R(v+w) R(v)+R(w) v+w R(v) R(w) w w v v R(v+w) = R(v) + R(w)
29
Leképezés mátrixa A(v1),…, A(vn) -{v1, v2, …, vn} bázis.
Más vektorokra: v = 1v1 + 2v2 + … + nvn A(v) = 1A(v1) + 2A(v2) + … + nA(vn) Ha tudjuk A hova képezi le a bázisvektorokat, akkor a leképezés mátrix reprezentációja A:
30
Matrix representation of linear operators
31
Matrix operations +, -, skalársoros, egyszerű Fontos: Mátrix * vektor
b
32
Mátrix és vektor szorzata
Ab az A oszlopainak lineáris kombinációja!
33
Matrix operations Transzponált: (AB)T = BTAT
34
Matrix műveletek skalárszorzat:
35
Ortogonális mátrix A (nn) A1 = AT AAT = ATA = I
Sorok: A ortonormált vektorok! v1 I = ATA = v2 v1 v2 vn = viTvj = ij vn <vi, vi> = 1 ||vi|| = 1; <vi, vj> = 0
36
Ortogonális leképezés
Megőrzi a skalárszorzatot ||Av|| = ||v|| (Av,Aw) = (v,w)- normatartó, szögtartó, távolságtartó
37
Ortogonális transzformáció R3
Forgatás: R3 : Akármilyen 3 x 3-as: detA = csak forgatás detA = 1 és tükrözés
38
SV, SÉ v sajátvektora A nak: - sajátérték
Av = v ( is a skalár) v 0 - sajátérték Av = v A(v) = ( v) v Av = v, Aw = w A(v+w) = (v+w) sajátaltér Magtér, képtér
39
SV, SÉ Térbeli forgatás – sv –tengely invariáns O
40
SÉ, SV számítások Ax = x Ax – x = 0 Ax – Ix = 0 (AI) x = 0
s det(A – I) = 0 (Kar. egy) Vagyis min 2 komplex gyök, ha n ptlan , akkor valós gyök.
41
C felett:
42
Spektrum és diagonalizáció
Spektrum sé-k A diagonalizálható, ha n fgtlen sé-je van. (pl. ha minden sé különböző) AV = VD A 1 2 v1 v2 = vn v1 v2 vn n
43
Spektrum és diagonalizáció
1 1 2 = v1 v2 vn v1 v2 vn n A = VDV1
44
V A D Forg.,tükr Másik ortnorm bázis ortonormált bázis
45
Spektrum és diagonalizáció
46
Spektrum és diagonalizáció
47
Spektrum és diagonalizáció
48
Spektrum és diagonalizáció
eigenbasis
49
Spektrum és diagonalizáció
A normal ha AAT = ATA. szimmetrikus A = AT. normal nn matrixnak n kböző sajátvektora van! Szimmetrikus: sé valós ->ortogonálisak-> van sv bázis! Áttérés SV bázisra: D=T-1AS, S-1AS=D Mátrix magasabb hatványai, kvadratokus alakok főtengelytranszformáció
50
Why SVD… Diagonalizálható mátrix: skálázás
Legtöbb nem diag. – nemcsak kicsinyítenek/nagyítanak/nyírnak, hanem pl. forgatnak is. Sé, sv nem elegendő SVD elárulja, hogyan viselkednek az ált. lin. transzformációk
Hasonló előadás
© 2024 SlidePlayer.hu Inc.
All rights reserved.