Medizinische Bildverarbeitung - Inforakel
Medizinische Bildverarbeitung - Inforakel
Medizinische Bildverarbeitung - Inforakel
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
A.5. SINGULÄRWERTZERLEGUNG 47<br />
A.4.2 Rotation mit Quaternionen<br />
Quaternionen bieten eine elegante Methode zur Berechnung von Rotationen im dreidimensionalen Raum, wie folgendes<br />
Beispiel zeigt. Sei p ∈ R 3 der zu rotierende Punkt, u ∈ R 3 die Rotationsachse als Vektor mit �u� = 1, und θ ∈ R der<br />
Drehwinkel. Dann lassen sich die Quaternionen p ′ und r wie folgt definieren:<br />
p ′ = (0, p ⊤ ) r = (cos θ<br />
, sinθ<br />
2 2 u⊤ )<br />
Damit lässt sich das Quaternion p ′ rot , welches den rotierten Punkt als Zeilenvektor enthält, berechnen:<br />
p ′ rot<br />
= r ∗ p ∗ r = r[p]∗[r]∗<br />
Es lassen sich beliebig viele Rotationen r1 . . . rn nacheinander ausführen, indem man sie, wie nachstehend zusammenfasst<br />
und wie oben gezeigt, auf einen Punkt anwendet.<br />
A.5 Singulärwertzerlegung<br />
r = r1 ∗ r2 ∗ · · · ∗ rn mit ri = (cos θi<br />
, sinθi<br />
2 2 u⊤i ), i ∈ {1 . . .n}<br />
Die meisten Problemstellungen in der linearen Algebra können, wenn auch nicht immer optimal, mit der Singulärwertzerlegung<br />
3 gelöst werden. Dieser Abschnitt beschreibt, wie mit der SVD der Rang und der Nullraum einer Matrix<br />
bestimmt, sowie lineare Gleichungssysteme gelöst werden können (siehe [20]). Einen tieferen Einblick bieten [25] und<br />
insbesondere [34]. Letzteres beschreibt ausserdem den Unterschied zwischen reduzierter und vollständiger SVD.<br />
A.5.1 Definition der SVD<br />
Jede Matrix A ∈ R m×n mit beliebigen m und n lässt sich in das Produkt A = UDV ⊤ zerlegen, wobei U ∈ R m×m ,<br />
V ∈ R n×n und D ∈ R m×n gilt. Ausgeschrieben sind die Matrizen U, D und V des Produktes, wie folgt aufgebaut:<br />
A = UDV ⊤ = � u1 u2 · · ·<br />
⎛<br />
σ1<br />
� ⎜ 0<br />
um ⎜ .<br />
⎝ .<br />
0<br />
σ2<br />
· · ·<br />
· · ·<br />
. ..<br />
⎞ ⎛<br />
0 v<br />
0 ⎟ ⎜<br />
⎟ ⎜<br />
. ⎟ ⎜<br />
. ⎠ ⎝<br />
0 0 · · · σp<br />
⊤ 1<br />
v⊤ ⎞<br />
⎟<br />
2 ⎟<br />
. ⎠<br />
• Die Spalten ui aus der Matrix U sind die Eigenvektoren von AA ⊤ , daraus folgt U ⊤ U = Ip (siehe [25]).<br />
• Die Diagonalmatrix D enthält die Singulärwerte σ1, σ2, . . . σp von A mit p = min(m, n). Für die Singulärwerte<br />
gilt σ1 ≥ σ2 ≥ · · · ≥ σp ≥ 0.<br />
• Die Spalten vi aus der Matrix V sind die Eigenvektoren von A ⊤ A, daraus folgt V ⊤ V = Ip (siehe [25]).<br />
A.5.2 Rang einer Matrix erzwingen<br />
Der Rang einer Matrix, also die Anzahl der linear unabhängigen Vektoren in einer Matrix, ist gleich der Anzahl der von<br />
Null verschiedenen Singulärwerte:<br />
Rang(A) = ♯{σi > 0}<br />
Um einen kleineren Rang als den tatsächlichen zu erzwingen, muss man nach der SVD die Diagonalmatrix anpassen,<br />
indem man solange alle Singulärwerte (beginnend beim kleinsten) auf Null setzt, bis der gewünschte Rang erreicht ist.<br />
Die Ergebnissmatrix A ′ = UD ′ V ⊤ mit der angepassten Matrix D ′ hat dann den gewünschten Rang.<br />
3 Engl.: Singular Value Decomposition (SVD)<br />
v ⊤ n