复变函数论(七)-共形映射2-分式线性变换4:分式线性变换的保圆周 (圆)性

本文介绍了复变函数论中的分式线性变换,证明了这类变换会将平面上的圆周或直线变为圆周或直线。通过定理7.10阐述了分式线性变换对圆周的保形性质,并讨论了如何确定变换前后区域的对应关系。此外,还提及了当分式线性变换将有限圆周映射为直线的特定条件。
摘要由CSDN通过智能技术生成

形如 (I) 的整线性变换, 显然将圆周 (直线) 变为圆周 (直线), 这可由变换 (I)的几何意义得知.

形如 (II) 的反演变换将圆周 (直线) 变为圆周或直线. 事实上,圆周或直线可表示为 (见第一章习题 (一)第 8 题)

A z z ˉ + β ˉ z + β z ˉ + C = 0 ( A , C  为实数,  ∣ β ∣ 2 > A C  ),  A z \bar{z}+\bar{\beta} z+\beta \bar{z}+C=0 \quad\left(A, C \text { 为实数, }|\beta|^{2}>A C\right. \text { ), } Azzˉ+βˉz+βzˉ+C=0(A,C 为实数β2>AC ), 

A = 0 A=0 A=0 时就表示直线.经过反演变换 w = 1 z , ( 7.11 ) w=\frac{1}{z},(7.11) w=z1,(7.11) 成为

C w w ˉ + β ˉ w ˉ + β w + A = 0. C w \bar{w}+\bar{\beta} \bar{w}+\beta w+A=0 . Cwwˉ+βˉwˉ+βw+A=0.

它表示直线或圆周 (视 C C C 是否为零而定).

因为分式线性变换 (7.3) 是几个 (I) 和 (II) 型变换的复合, 这样,我们就证明了:

定理 7.10

分式线性变换将平面上的圆周 (直线)变为圆周或直线.

在扩充平面上, 直线可视为经过无穷远点的圆周.事实上, (7.11) 可改写为

A + β ˉ z + β z + C z z = 0 , A+\frac{\bar{\beta}}{z}+\frac{\beta}{z}+\frac{C}{z z}=0, A+z

  • 20
    点赞
  • 18
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值