设计精美的宽基线双目相机镇文

Moersi lilun
莫尔斯理论(卷名:数学)

Morse theory

  微分拓扑的一个重要分支。通常是指两部分内容:一部分是微分流形上可微函数的莫尔斯理论,即临界点理论;另一部分是变分问题的莫尔斯理论,即大范围变分法。确切地说,假设ƒn维微分流形M上的实值可微函数,ƒ的临界点p是指梯度向量场gradƒ的零点,即在局部坐标下使得的点。ƒ的全部临界点的性态与流形M本身的拓扑结构有密切的关系,探索这些关系就是临界点理论的主要任务。例如,著名的莫尔斯不等式就是这样一种关系:


                ……


                ……

)的秩,MkM上非退化函数ƒ的指数为k的临界点的个数。这里说ƒ是非退化函数,是指ƒ的任何临界点p均非退化,即在局部坐标下ƒp处的黑塞矩阵  
之秩为世纪20年代建立的基本结果,后来有了远为一般的结果。

 

,1,2,因为可以适当选择局部坐标,使得在(旋转抛物面)。命不难看出,当α由小变大经过各个临界值时,Mα的同伦型发生表中所列的变化。
  可见,当α从小变大经过指数为λ的临界点时,Mα的同伦型变化相当于粘上一个λ维胞腔,从而整个环面M的同伦型相当于由一个
0维胞腔、两个一维胞腔以及一个二维胞腔组成的CW复形,这样就把M的同伦型与ƒ 的临界点的性态联系起来了。如果把这个事实推广到一般情形就是:
临界点理论的基本定理  命M是微分流形,ƒ:MB是非退化函数,并且任何Mα都是紧致集。于是,每个Mα都具有一个有限CW复形的同伦型,从而整个M具有一个至多是可数的CW复形的同伦型:对于指数为λ的每个临界点,这个复形有一个λ维胞腔。
  临界点理论的应用中最完美的是对测地线问题的应用,这就是变分学的莫尔斯理论。例如,考虑完备黎曼流形M上两个固定端点pq之间的测地线问题,即是使弧长为极小的变分问题:

式中ω:[0,1]→M 表示M上的逐段光滑道路,ω(0)=pω(1)=q;这个变分问题的泛极线就是所谓测地线。于是,从p 到q 的所有光滑测地线的性态与流形M的拓扑结构之间是否有什么关系,这就是大范围变分学要研究的主要问题,可以应用临界点理论的框架得到相似的结果。命Ω=Ω (Mpq)表示M上从pq所有逐段光滑道路组成的空间,具有尺度拓扑。

式中ρ
表示M上由黎曼尺度导出的距离函数;表示ω 上的弧长。
大范围变分学基本定理  命M是完备黎曼流形,pqM沿任何测地线不共轭,则Ω(Mpq)具有可数CW复形的同伦型:对于从pq每条指数为λ的测地线,这个复形有一个λ维胞腔。
  随着拓扑学的发展,莫尔斯理论本身也有很大的飞跃。例如,由于临界点定义为梯度向量场gradƒ 的零点,自然可以考虑n维闭流形M上一般向量场X 的零点与M的拓扑结构之间的关系,即M上的动力系统

~1981。(J.
Milnor,Morse Theory,Ann. Math. Studies,Princeton
Univ. Press,Princeton,1963.)。(H.Seifert
und W.Threlfall,variationsrechnung im Grossen,Chelsea Pub.Co.,1948.)
S.Smale, Morse Inequalities for a  Dynamical Systems,Bull. Amer. Math.Soc.,Vol.
66, pp.43~49,1960.
R.S.Palais,
Morse Theory on Hibert Manifolds,Topology,Vol.2,pp.
299~340,1963.172,1964.

江嘉禾

Morse理论:拓扑不变性特征匹配原理的更多相关文章

  1. 【特征匹配】SIFT原理与C源代码剖析

    相关: KD树+BBF算法解析 SURF原理与源代码解析 SIFT的原理已经有非常多大牛的博客上做了解析,本文重点将以Rob Hess等人用C实现的代码做解析,结合代码SIFT原理会更easy理解.一 ...

  2. 【特征匹配】SIFT原理之KD树+BBF算法解析

    转载请注明出处:http://blog.csdn.net/luoshixian099/article/details/47606159 继上一篇中已经介绍了SIFT原理与C源代码剖析,最后得到了一系列 ...

  3. 特征提取(Detect)、特征描述(Descriptor)、特征匹配(Match)的通俗解释

    特征匹配(Feature Match)是计算机视觉中很多应用的基础,比如说图像配准,摄像机跟踪,三维重建,物体识别,人脸识别,所以花一些时间去深入理解这个概念是不为过的.本文希望通过一种通俗易懂的方式 ...

  4. OpenCV探索之路(二十三):特征检测和特征匹配方法汇总

    一幅图像中总存在着其独特的像素点,这些点我们可以认为就是这幅图像的特征,成为特征点.计算机视觉领域中的很重要的图像特征匹配就是一特征点为基础而进行的,所以,如何定义和找出一幅图像中的特征点就非常重要. ...

  5. 第十六节、基于ORB的特征检测和特征匹配

    之前我们已经介绍了SIFT算法,以及SURF算法,但是由于计算速度较慢的原因.人们提出了使用ORB来替代SIFT和SURF.与前两者相比,ORB有更快的速度.ORB在2011年才首次发布.在前面小节中 ...

  6. 利用SIFT进行特征匹配

    SIFT算法是一种基于尺度空间的算法.利用SIFT提取出的特征点对旋转.尺度变化.亮度变化具有不变性,对视角变化.仿射变换.噪声也有一定的稳定性. SIFT实现特征的匹配主要包括四个步骤: 提取特征点 ...

  7. OpenCV2:特征匹配及其优化

    在OpenCV2简单的特征匹配中对使用OpenCV2进行特征匹配的步骤做了一个简单的介绍,其匹配出的结果是非常粗糙的,在这篇文章中对使用OpenCV2进行匹配的细化做一个简单的总结.主要包括以下几个内 ...

  8. OpenCV2简单的特征匹配

    特征的匹配大致可以分为3个步骤: 特征的提取 计算特征向量 特征匹配 对于3个步骤,在OpenCV2中都进行了封装.所有的特征提取方法都实现FeatureDetector接口,DescriptorEx ...

  9. NFA引擎匹配原理

    1       为什么要了解引擎匹配原理 一个个音符杂乱无章的组合在一起,弹奏出的或许就是噪音,同样的音符经过作曲家的手,就可以谱出非常动听的乐曲,一个演奏者同样可以照着乐谱奏出动听的乐曲,但他/她或 ...

随机推荐

  1. 初识Scrapy——1—scrapy简单学习,伯乐在线实战、json数据保存

    Scrapy——1 目录 什么是Scrapy框架? Scrapy的安装 Scrapy的运行流程 Scrapy的使用 实战:伯乐在线案例(json文件保存) 什么是Scrapy框架? Scrapy是用纯 ...

  2. codeforeces近日题目小结

    题目源自codeforeces的三场contest contest/1043+1055+1076 目前都是solved 6/7,都差了最后一题 简单题: contest/1043/E: 先不考虑m个限 ...

  3. 使用JQUERY的flexselect插件来实现将SELECT下拉菜单变成自动补全输入框

    这也是下拉列表太长了之后,使用的同事提出来的意见, 然后,本来开始想将DJANGO的那个后台下拉菜单移植过来的,但发现不现实,也麻烦, 就找了几个JQUERY的插件测试了一下,最后选中了flexsel ...

  4. N天学习一个linux命令之netstat

    用途 打印网络连接,路由表,网卡信息,假连接,组播成员信息 用法 1 显示网络连接信息 netstat [address_family_options] [--tcp|-t] [--udp|-u] [ ...

  5. CF #321 (Div. 2) E

    用线段树维护哈希,类似于进位制的一个哈希 a[i]*p^i+a[i-1]*p^i-1... 然后,线段树存在某区间的哈希的值,对于更新,则只需提前计算出整段的哈希值即可. 判断是否相等,由于相隔为d, ...

  6. 权限问题导致无法删除ftp文件

    首先吐槽一下,使用新版编辑器,发了两遍愣是time out,果断放弃 这个文章也是一件小事,大致说一下: 有一个java操作ftp文件的程序,运行删除时,总是返回false,也没有报错.開始考虑是没有 ...

  7. Eclipse ADT 导入别的电脑开发的项目

    用Eclipse开发的时候常常要导入别的电脑开发的项目,常常会出错,甚至导入不了. 方法一: 把你正在使用的Eclipse开发的随便一个项目.打开,把下图这三个文件复制过去你要导入的项目.覆盖.然后再 ...

  8. 成都传智播客java就业班激情洋溢的青春篮球赛

    为了缓解学员们的学习压力,也为了培养学员们的团队协作精神,5月28日下午,在班主任倪老师和王老师联手带领下,我们1406280ls" style="color:rgb(51,102 ...

  9. ORACLE-017:SQL优化-is not null和nvl

    今天在优化一段sql,原脚本大致例如以下: select a.字段n from tab_a a where a.字段2 is not null; a.字段2添加了索引的,可是查询速度很慢. 于是做了例 ...

  10. Wikioi 1081 线段树成段更新单点查询

    线段树练习飘逸的写法,自从自己改成这样的写法之后,线段树就没再练过,如今最终练得上了. 由于这里查询仅仅是查询了叶子结点,所以pushUp函数就用不上了,只是我没去掉之前是3ms.去掉之后反而变成4m ...