Computergrafik – Inhalt Achtung! Kapitel ist relevant für CG-2!

Slides:



Advertisements
Ähnliche Präsentationen
Fast Fourier Transformation
Advertisements

Hauptseminar Robot/Computer Vision SS 2001 Active Contours von Andrew Blake und Michael Isard B-Splines Florian Klaschka.
Polynomial Root Isolation
Algebraische Zahlen: Exaktes Rechnen mit Wurzeln
Schnelle Matrizenoperationen von Christian Büttner
Die Beziérkurve Adrian Lehmann
Prof. Dr. W. Conen 15. November 2004
R. Der - Vorlesung Algorithmen und Datenstrukturen (Magister)
Syntax, Semantik, Spezifikation - Grundlagen der Informatik R. Hartwig Kapitel 4 / 1 Termalgebren Definition "Freie Algebra" Die -Algebra A = [A, F ] heißt.
Seminar „Extrapolationsmethoden für zufällige Felder“
Christian Schindelhauer
Diese Fragen sollten Sie beantworten können
WS Algorithmentheorie 02 - Polynomprodukt und Fast Fourier Transformation Prof. Dr. Th. Ottmann.
Algorithmentheorie 02 – Polynomprodukt und Fast Fourier Transformation
Kapitel 3 Gleichungen.
Kapitel 5 Stetigkeit.
Kapitel 1 Das Schubfachprinzip
Kapitel 6 Differenzierbarkeit. Kapitel 6: Differenzierbarkeit © Beutelspacher Juni 2005 Seite 2 Inhalt 6.1 Die Definition 6.2 Die Eigenschaften 6.3 Extremwerte.
Friedhelm Meyer auf der Heide 1 HEINZ NIXDORF INSTITUTE University of Paderborn Algorithms and Complexity Algorithmen und Komplexität Teil 1: Grundlegende.
Universität Stuttgart Wissensverarbeitung und Numerik I nstitut für K ernenergetik und E nergiesysteme Numerik partieller Differentialgleichungen, SS 01Teil.
V. Algebra und Geometrie
Christian Schindelhauer
Bézier und NURBS Kurven & Flächen Vortrag von Stefan Endler
DVG Gaußscher Algorithmus1 Gaußscher Algorithmus.
Gaußscher Algorithmus
Quaternionen Eugenia Schwamberger.
Mathematische Grundlagen und Rechnen mit algebraischen Zahlen
Folie 1 § 30 Erste Anwendungen (30.2) Rangberechnung: Zur Rangberechnung wird man häufig die elementaren Umformungen verwenden. (30.1) Cramersche Regel:
§14 Basis und Dimension  (14.1) Definition: V sei wieder ein K-Vektorraum. Eine Menge B von Vektoren aus V heißt Basis von V, wenn B ist Erzeugendensystem.
Folie 1 § 29 Determinanten: Eigenschaften und Berechnung (29.1) Definition: Eine Determinantenfunktion auf K nxn ist eine Abbildung (im Falle char(K) ungleich.
§ 29 Determinanten: Eigenschaften und Berechnung
Variationsformalismus für das freie Teilchen
§10 Vektorraum. Definition und Beispiele
§17 Produkte und Quotienten von Vektorräumen
Ausgleichung ohne Linearisierung
§24 Affine Koordinatensysteme
Zeit: 13h-15h Datum: Raum: IFW B42
Effiziente Algorithmen
Effiziente Algorithmen Hartmut Klauck Universität Frankfurt SS
Quantum Computing Hartmut Klauck Universität Frankfurt WS 05/
Quantum Computing Hartmut Klauck Universität Frankfurt WS 05/ /23.1.
Quantum Computing Hartmut Klauck Universität Frankfurt WS 05/
Beweissysteme Hartmut Klauck Universität Frankfurt WS 06/
Beweissysteme Hartmut Klauck Universität Frankfurt WS 06/
Information und Kommunikation Hartmut Klauck Universität Frankfurt SS
Information und Kommunikation
Quantum Computing Hartmut Klauck Universität Frankfurt WS 04/
§23 Basiswechsel und allgemeine lineare Gruppe
§3 Allgemeine lineare Gleichungssysteme
Polynome und schnelle Fourier-Transformation
Praktische Optimierung
Aufgabe Modellieren Sie mittels Bézier-Kurven einen Kreis.
Dynamische Visualisierungen zum Fundamentalsatz der Algebra
Kapitel 16 Ökonometrische Modelle
Teil 2: Kurven und Flächen
Die spline-Interpolation
Die spline-Interpolation
ENDLICHE KÖRPER RSA – VERFAHREN.
Automaten, formale Sprachen und Berechenbarkeit II SoSe 2004 Prof. W. Brauer Teil 3: Potenzreihen und kontextfreie Sprachen (Vgl. Buch von A. Salomaa)
Stetige Kleinste-Quadrate-Approximation
Klassen von Flächen Costa-Fläche
Nichtlineare Optimierung
Folie 1 §21 Das Produkt von Matrizen (21.1) Definition: Für eine (m,n)-Matrix A und eine (n,s)-Matrix B ist das (Matrizen-) Produkt AB definiert als (21.2)
Variogramme und Kriging
Syntax, Semantik, Spezifikation - Grundlagen der Informatik R. Hartwig Kapitel 3 / 1 Algebraische Hülle und Homomorphie A = [A, F ] sei  -Algebra. Eine.
„Inside CAS“ Teil I: Polynome faktorisieren Teil II: Automatisches Beweisen Heinz Klemenz, KZO Wetzikon,
Lineare Algebra: Schwerpunkt: Basisbegriff, Abbildungen
© WZL/Fraunhofer IPT Splines in der Datenverarbeitung Seminarvortrag von Selman Terzi Aachen, den
Spärliche Kodierung von Videos natürlicher Szenen Vortragender: Christian Fischer.
 Präsentation transkript:

Computergrafik – Inhalt Achtung! Kapitel ist relevant für CG-2! §0 Historie, Überblick, Beispiele §1 Begriffe und Grundlagen §2 Objekttransformationen §3 Objektrepräsentation und -Modellierung §4 Sichttransformationen §5 Kurven und Flächen §6 Rendering und Visibilität §7 Mapping-Techniken

Literatur G. Farin: Curves and Surfaces for CAGD, Academic Press, 1992 J. Hoschek, D. Lasser: Grundlagen der geometrischen Datenverarbeitung, Teubner, 1992 H. Prautzsch, W. Boehm, M. Paluszny: Bézier and B-Spline Techniques, Springer, 2002

Einordnung

5.1.1 Motivation

5.1.1 Motivation

5.1.2 Interpolationsproblem Gegeben: n+1 Paare reeller Zahlen (ti, fi) für i = 0,…,n mit paarweise disjunkten Stützstellen ti,ti ≠ tj für i ≠ j Gesucht: Ein Polynom p vom Grad ≤ n, (1) mit reellen Koeffizienten cj heißt Interpolationspolynom zu (ti, fi), wenn (2)

5.1.2 Interpolationsproblem Fragestellungen Existenz und Eindeutigkeit einer Lösung Algorithmische Lösungsverfahren (Effizienz) Qualität der Lösung(en): Entspricht die Lösung den Erwartungen/Anforderungen des Anwenders? Satz 1: Die Interpolationsaufgabe hat eine eindeutig bestimmte Lösung.

5.1.2 Interpolationsproblem Beweis: Einsetzen von (1) in (2) liefert (3) oder kurz Ac = f. A heißt Vandermonde-Matrix mit Da ti ≠ tj für i ≠ j, ist A regulär und die Behauptung folgt. □

5.1.3 Lagrange-Interpolation Die Lösung eines Gleichungssystems hat im Allgemeinen Komplexität O(n³). Gesucht ist eine optimale polynomiale Basis {Li(t)}i=0,…,n, sodass (4) Dadurch wird die Matrix des Systems (3) zur Einheitsmatrix, d.h. ci = fi, i = 0,…,n, und das Interpolationspolynom hat die Darstellung: (5)

5.1.3 Lagrange-Interpolation Satz 2: Die Lagrange-Polynome (6) erfüllen die Eigenschaft (4): Li(tj) = δij Beweis: Und für □

5.1.3 Lagrange-Interpolation Lagrange-Polynome

5.1.3 Lagrange-Interpolation Beispiele n = 1, d.h. lineare Interpolation Interpolationsstellen: (x0,y0),(x1,y1) (Stützstellen in x) Von einer reellen Funktion f seien die folgenden Wertepaare bekannt: i xi yi 1 0.5 2 0.2

5.1.3 Lagrange-Interpolation Fortsetzung

5.1.4 Newton-Interpolation Nachteil der Lagrange-Darstellung: Neuberechnung aller Basisfunktionen bei Hinzunahme neuer Stützstellen Nicht dynamisch Newton-Darstellung: Hinzunahme neuer Stützstellen in beliebiger Reihenfolge möglich. Neuberechnung ist nicht notwendig. Als Basis dient (7) mit der Eigenschaft Ni(tj) = 0 für i > j und Ni(tj) ≠ 0 sonst

5.1.4 Newton-Interpolation Fortsetzung Die Koeffizienten ai für (8) werden rekursiv aus den k-ten dividierten Differenzen f[tj,…,tj+k] ermittelt: (9)

5.1.4 Newton-Interpolation Daraus ergibt sich folgendes Schema: k = 1 2 3

5.1.4 Newton-Interpolation Die Koeffizienten ai können auch analog zur (3) über ein lineares Gleichungssystem bestimmt werden. Da die Matrix hier eine untere Dreiecksmatrix ist, entspricht Vorwärtseinsetzen dem Schema der dividierten Differenzen. Beispiel: (ti,fi) ∈ {(0,1); (2,3); (4,5)} ti fi 1 = a0 1 = a1 2 3 0 = a2 1 4 5

5.1.4 Newton-Interpolation Achtung: Das Interpolationspolynom zu n+1 Interpolations- stellen ist nicht unbedingt n-ten Grades, es ist höchstens n-ten Grades. Bemerkungen: Die Reihenfolge der Stützstellen bei der Newton- Interpolation ist unerheblich. Interpoliert man eine auf dem Intervall [a,b] stetige Funktion f in n Punkten, so konvergiert die entstehende Folge von Interpolationspolynomen auf [a,b] für n→∞ nicht notwendig (glm.) gegen f. Durch mehr Punkte erreicht man nicht unbedingt höhere Qualität!

5.1.4 Newton-Interpolation Runge-Funktion: Interpolant vom Grad 5 Interpolant vom Grad 7

5.1.4 Newton-Interpolation Runge-Funktion: Interpolant vom Grad 11 Interpolant vom Grad 17

5.1.5 Nachteile der Polynominterpolation Nachteile im Hinblick auf CAD/CAM-Technologie Jeder Interpolationspunkt hat globalen Einfluss auf die Kurve.  Basisfunktionen mit lokalem Träger Auch die Parametrisierung (Wahl der Stützstellen) hat einen entscheidenden Einfluss auf die Qualität der Kurve. Interpolationspolynome mit einem Grad n ≥ 5 weisen oft sehr welliges Verhalten auf.  Zusatzbedingungen wie „minimale Biegeenergie“