Skript
Skript
Skript
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Als Ansatzfunktionen ψ wählen wir einfach die charakteristischen Funktionen<br />
von Pixeln im Einheitsquadrat, damit ist Rψ ij (θ(ϕ k ), s l ) einfach nur die Länge<br />
des Schnitts der Linie L(θ(ϕ k ), s l ) mit dem Pixel (i, j). (Bemerkung: Hier könnten<br />
wir natürlich auch andere Funktionen wählen, eine beliebte Wahl sind etwa<br />
Gaussglocken.)<br />
Regularisierte Lösungen dieses endlichdimensionalen linearen Systems wollen<br />
wir mit Hilfe der Singulärwertzerlegung berechnen. Hierzu ist zunächst die<br />
diskrete Singulärwertzerlegung der Matrix A zu berechnen, die im allgemeinen<br />
sehr groß ist (typische Werte sind N = 1024, p = 1024, q = 512). Diese Rechnung<br />
ist, obwohl die Matrix A dünn besetzt ist, sehr aufwändig, eine Übersicht<br />
über die Methoden (i.a. Reduktion auf Hessenbergform, Berechnung der Singulärwerte<br />
mit dem QR–Algorithmus) haben Sie in der Vorlesung Numerische<br />
lineare Algebra kennengelernt.<br />
Sei nun also<br />
A = UΣV t<br />
die übliche Singulärwertzerlegung von A. Aus dem letzten Kapitel wissen wir,<br />
dass die Anteile der Lösung an Singulärvektoren mit großem Singulärwert gut,<br />
die Anteile der Lösung an Singulärvektoren mit kleinem Singulärwert schlecht<br />
bestimmt sind. Wir werfen also zunächst einmal einen Blick auf die Singulärvektoren<br />
und stellen fest: Je höher oszillierend ein Singulärvektor ist, umso<br />
schlechter ist er bestimmt. Niederfrequente Anteile von f (d.h. grobe Details)<br />
sind also gut, hochfrequente Anteile (d.h. kleine Details) sind also schlecht<br />
bestimmt. Dies ist gut, und entspricht dem, was wir erwarten: Falls wir die Singulärwertzerlegung<br />
abschneiden, weil unsere Messungen schlecht sind, also<br />
nur wenige Vektoren nutzen, so bekommen wir einen groben Eindruck des Bildes,<br />
je mehr wir dazunehmen, desto besser kommen die Details heraus, aber<br />
auch umso verrauschter werden unsere Bilder.<br />
BILDER<br />
Die Matlab–Programme sind beigefügt. Achtung: Die Berechnung der SVD verschlingt<br />
einige Stunden CPU–Zeit.<br />
Die abgeschnittene SVD verdeutlichen wir mit Hilfe des Shepp–Logan–Phantoms.<br />
Bei wenigen Singulärwerten ist das Bild nur grob aufgelöst, detailreich für mehr<br />
Singulärwerte, verrauscht für zu viele Singulärwerte. Dem betragsmäßigen Verlauf<br />
der Singulärwerte entnehmen wir, dass es einen sehr eindeutigen Punkt<br />
gibt, an dem die Reihe abgeschnitten werden sollte, diesen (er entspricht einer<br />
bestimmten Auflösung des Bildes) werden wir später exakt bestimmen.<br />
41