The goal of this thesis is the development of a fast and robust algorithm that is able to detect patterns in flow fields independent from their orientation and adequately visualize the results for a human user. This thesis is an interdisciplinary work in the field of vector field visualization and the field of pattern recognition. A vector field can be best imagined as an area or a volume containing a lot of arrows. The direction of the arrow describes the direction of a flow or force at the point where it starts and the length its velocity or strength. This builds a bridge to vector field visualization, because drawing these arrows is one of the fundamental techniques to illustrate a vector field. The main challenge of vector field visualization is to decide which of them should be drawn. If you do not draw enough arrows, you may miss the feature you are interested in. If you draw too many arrows, your image will be black all over. We assume that the user is interested in a certain feature of the vector field: a certain pattern. To prevent clutter and occlusion of the interesting parts, we first look for this pattern and then apply a visualization that emphasizes its occurrences. In general, the user wants to find all instances of the interesting pattern, no matter if they are smaller or bigger, weaker or stronger or oriented in some other direction than his reference input pattern. But looking for all these transformed versions would take far too long. That is why, we look for an algorithm that detects the occurrences of the pattern independent from these transformations. In the second part of this thesis, we work with moment invariants. Moments are the projections of a function to a function space basis. In order to compare the functions, it is sufficient to compare their moments. Normalization is the act of transforming a function into a predefined standard position. Moment invariants are characteristic numbers like fingerprints that are constructed from moments and do not change under certain transformations. They can be produced by normalization, because if all the functions are in one standard position, their prior position has no influence on their normalized moments. With this technique, we were able to solve the pattern detection task for 2D and 3D flow fields by mathematically proving the invariance of the moments with respect to translation, rotation, and scaling. In practical applications, this invariance is disturbed by the discretization. We applied our method to several analytic and real world data sets and showed that it works on discrete fields in a robust way.

In this thesis, we are concerning about the Twistor theory, field originally motivated purely physically, although these days fully developed into the many fields of mathem- atics and physics. With its complexion Twistor theory influences algebraic geometry, Clifford analysis as well as the String theory or Theory of quantum gravity. In the thesis we describe the origin of twistors projective or not. Mathematical background to the twistor theory is covered in the first chapter, where we study Clifford algebras and their representations. In the first part of the second chapter we are describing non-projective twistors as representation elements of certain Spin-group, and we find the connection with the standard definition of non-projective twistors as a kernel of the twistor operator. In the last part of the second chapter, we create a space of pro- jective twistors and show its certain properties, especially its correspondence with the complexified compactified Minkowski spacetime.

Singular Riemannian foliations in spheres provide local models for an extensive kind of singular Riemannian foliations, whose theory contributes in the understanding of Riemannian manifolds. Hence the importance of studying and classifying them, a research subject that still remains open. In 2014, Marco Radeschi constructed indecomposable singular Riemannian foliations of arbitrary codimension, most of them inhomogeneous, which generalized all known examples of that type so far. The present dissertation is a detailed study of his work, along with observations about the progress made on this dynamic field since that paper was published. Besides introducing preliminary notions and examples on singular Riemannian foliations, isometric actions and Clifford theory, it is explained a construction of inhomogeneous isoparametric hypersurfaces, due to Ferus, Karcher and Münzner, that was a fundamental framework for the results of Radeschi. After that, it is described exhaustively the construction of Clifford and composed foliations in spheres, which are the examples that Radeschi created using Clifford systems. In the sequel it is established an extraordinary bijective correspondence between Clifford foliations (merely geometric objects) and Clifford systems (purely algebraic objects). This text finishes examining the relations of homogeneity properties among FKM, Clifford and composed foliations. / Folheações Riemannianas singulares em esferas fornecem modelos locais para folheações Riemannianas singulares mais gerais, cuja teoria contribui na compreensão de variedades Riemannianas. Daí a sua importança de estudá-los e classificá-los, uma área de pesquisa que se mantém aberta. Em 2014, Marco Radeschi construiu folheações Riemannianas singulares indecomponíveis de codimensão arbitrária, a maioria delas não homogêneas, que generalizaram todos os exemplos conhecidos desse tipo até então. A presente dissertação é um estudo detalhado desse trabalho, junto com observações sobre avanços que se têm feito neste dinâmico campo desde a publicação do artigo. Após introduzir as noções e exemplos preliminares de folheações Riemannianas singulares, ações isométricas e teoria de Clifford, é explorada uma construção de hipersuperfícies isoparamétricas não homogêneas, devida a Ferus, Karcher e Münzner (FKM), que foi peça fundamental para os resultados de Radeschi. Em seguida, descreve-se minuciosamente a construção de folheações composta e de Clifford em esferas, que são os exemplos que o autor mencionado anteriormente gerou usando sistemas de Clifford. Continuando com a análise dessas novas folheações Riemannianas singulares, estabelece-se uma extraordinária correspondência biunívoca entre folheações de Clifford (objetos meramente geométricos) e sistemas de Clifford (objetos puramente algébricos). Este texto termina examinando as relações das propriedades de homogeneidade entre folheações FKM, compostas e de Clifford.

Este trabalho apresenta uma solução geral para a detecção de alinhamentos de dados em conjuntos multidimensionais não ordenados e ruidosos. Nesta abordagem, o tipo requerido de alinhamento de dados pode ser uma forma geométrica (e.g., linha reta, plano, círculo, esfera, seção cônica, entre outras) ou qualquer estrutura, com dimensionalidade arbitrária, que possa ser caracterizada por um subespaço linear. A detecção é realizada por meio de um procedimento composto por três etapas. Na etapa de inicialização, um espaço de parâmetros com p (n − p) dimensões é definido de modo que cada ponto neste espaço represente uma instância do alinhamento requerido, descrito por um subespaço p-dimensional em um domínio n-dimensional. Em seguida, uma grade de acumuladores é criada como sendo a representação discreta do espaço de parâmetros. Na segunda etapa do procedimento, cada elemento no conjunto de dados de entrada (também um subespaço no domínio n-dimensional) é mapeado para o espaço de parâmetros como os pontos (no espaço de parâmetros) representando os subespaços requeridos que contém ou que estão contidos no elemento de entrada. À medida que os elementos de entrada são mapeados, as células do acumulador relacionadas com o mapeamento são incrementadas pelo valor de importância do elemento mapeado. A etapa final do procedimento recupera os subespaços p-dimensionais que melhor se ajustam aos dados de entrada como sendo os máximos locais na grade de acumuladores. A parametrização proposta é independente das propriedades geométricas dos alinhamentos a serem detectados. Além disso, o procedimento de mapeamento é independente do tipo de dado de entrada e é capaz de se adaptar a elementos com dimensionalidades arbitrárias. Essas características permitem a utilização da técnica (sem a necessidade de modificações) como uma ferramenta para a detecção de padrões em uma grande quantidade de aplicações. Por conta de sua natureza geral, otimizações desenvolvidas para a abordagem proposta beneficiam, de forma imediata, todos os casos de detecção. Neste trabalho eu demonstro uma implementação em software da técnica proposta e mostro que ela pode ser aplicada tanto em casos simples de detecção, quanto na detecção concorrente de tipos diferentes de alinhamentos, com diferentes interpretações geométricas e em conjuntos de dados compostos por vários tipos de elementos. Esta dissertação também apresenta uma extensão do esquema de detecção para dados de entrada com distribuição Gaussiana de incerteza. A extensão proposta produz distribuições de valores mais suaves na grade de acumuladores e faz com que a técnica fique mais robusta à detecção de subespaços espúrios. / This dissertation presents a generalized closed-form framework for detecting data alignments in large unordered noisy multidimensional datasets. In this approach, the intended type of data alignment may be a geometric shape (e.g., straight line, plane, circle, sphere, conic section, among others) or any other structure, with arbitrary dimensionality that can be characterized by a linear subspace. The detection is performed using a three-step process. In the initialization, a p (n − p)-dimensional parameter space is defined in such a way that each point in this space represents an instance of the intended alignment described by a p-dimensional subspace in some n-dimensional domain. In turn, an accumulator array is created as the discrete representation of the parameter space. In the second step each input entry (also a subspace in the n-dimensional domain) is mapped to the parameter space as the set of points representing the intended p-dimensional subspaces that contain or are contained by the entry. As the input entries are mapped, the bins of the accumulator related to such a mapping are incremented by the importance value of the entry. The subsequent and final step retrieves the p-dimensional subspaces that best fit input data as the local maxima in the accumulator array. The proposed parameterization is independent of the geometric properties of the alignments to be detected. Also, the mapping procedure is independent of the type of input data and automatically adapts to entries of arbitrary dimensionality. This allows application of the proposed approach (without changes) in a broad range of applications as a pattern detection tool. Given its general nature, optimizations developed for the proposed framework immediately benefit all the detection cases. I demonstrate a software implementation of the proposed technique and show that it can be applied in simple detection cases as well as in concurrent detection of multiple kinds of alignments with different geometric interpretations, in datasets containing multiple types of data. This dissertation also presents an extension of the general detection scheme to data with Gaussian-distributed uncertainty. The proposed extension produces smoother distributions of values in the accumulator array and makes the framework more robust to the detection of spurious subspaces.

Este trabalho apresenta uma solução geral para a detecção de alinhamentos de dados em conjuntos multidimensionais não ordenados e ruidosos. Nesta abordagem, o tipo requerido de alinhamento de dados pode ser uma forma geométrica (e.g., linha reta, plano, círculo, esfera, seção cônica, entre outras) ou qualquer estrutura, com dimensionalidade arbitrária, que possa ser caracterizada por um subespaço linear. A detecção é realizada por meio de um procedimento composto por três etapas. Na etapa de inicialização, um espaço de parâmetros com p (n − p) dimensões é definido de modo que cada ponto neste espaço represente uma instância do alinhamento requerido, descrito por um subespaço p-dimensional em um domínio n-dimensional. Em seguida, uma grade de acumuladores é criada como sendo a representação discreta do espaço de parâmetros. Na segunda etapa do procedimento, cada elemento no conjunto de dados de entrada (também um subespaço no domínio n-dimensional) é mapeado para o espaço de parâmetros como os pontos (no espaço de parâmetros) representando os subespaços requeridos que contém ou que estão contidos no elemento de entrada. À medida que os elementos de entrada são mapeados, as células do acumulador relacionadas com o mapeamento são incrementadas pelo valor de importância do elemento mapeado. A etapa final do procedimento recupera os subespaços p-dimensionais que melhor se ajustam aos dados de entrada como sendo os máximos locais na grade de acumuladores. A parametrização proposta é independente das propriedades geométricas dos alinhamentos a serem detectados. Além disso, o procedimento de mapeamento é independente do tipo de dado de entrada e é capaz de se adaptar a elementos com dimensionalidades arbitrárias. Essas características permitem a utilização da técnica (sem a necessidade de modificações) como uma ferramenta para a detecção de padrões em uma grande quantidade de aplicações. Por conta de sua natureza geral, otimizações desenvolvidas para a abordagem proposta beneficiam, de forma imediata, todos os casos de detecção. Neste trabalho eu demonstro uma implementação em software da técnica proposta e mostro que ela pode ser aplicada tanto em casos simples de detecção, quanto na detecção concorrente de tipos diferentes de alinhamentos, com diferentes interpretações geométricas e em conjuntos de dados compostos por vários tipos de elementos. Esta dissertação também apresenta uma extensão do esquema de detecção para dados de entrada com distribuição Gaussiana de incerteza. A extensão proposta produz distribuições de valores mais suaves na grade de acumuladores e faz com que a técnica fique mais robusta à detecção de subespaços espúrios. / This dissertation presents a generalized closed-form framework for detecting data alignments in large unordered noisy multidimensional datasets. In this approach, the intended type of data alignment may be a geometric shape (e.g., straight line, plane, circle, sphere, conic section, among others) or any other structure, with arbitrary dimensionality that can be characterized by a linear subspace. The detection is performed using a three-step process. In the initialization, a p (n − p)-dimensional parameter space is defined in such a way that each point in this space represents an instance of the intended alignment described by a p-dimensional subspace in some n-dimensional domain. In turn, an accumulator array is created as the discrete representation of the parameter space. In the second step each input entry (also a subspace in the n-dimensional domain) is mapped to the parameter space as the set of points representing the intended p-dimensional subspaces that contain or are contained by the entry. As the input entries are mapped, the bins of the accumulator related to such a mapping are incremented by the importance value of the entry. The subsequent and final step retrieves the p-dimensional subspaces that best fit input data as the local maxima in the accumulator array. The proposed parameterization is independent of the geometric properties of the alignments to be detected. Also, the mapping procedure is independent of the type of input data and automatically adapts to entries of arbitrary dimensionality. This allows application of the proposed approach (without changes) in a broad range of applications as a pattern detection tool. Given its general nature, optimizations developed for the proposed framework immediately benefit all the detection cases. I demonstrate a software implementation of the proposed technique and show that it can be applied in simple detection cases as well as in concurrent detection of multiple kinds of alignments with different geometric interpretations, in datasets containing multiple types of data. This dissertation also presents an extension of the general detection scheme to data with Gaussian-distributed uncertainty. The proposed extension produces smoother distributions of values in the accumulator array and makes the framework more robust to the detection of spurious subspaces.

Este trabalho apresenta uma solução geral para a detecção de alinhamentos de dados em conjuntos multidimensionais não ordenados e ruidosos. Nesta abordagem, o tipo requerido de alinhamento de dados pode ser uma forma geométrica (e.g., linha reta, plano, círculo, esfera, seção cônica, entre outras) ou qualquer estrutura, com dimensionalidade arbitrária, que possa ser caracterizada por um subespaço linear. A detecção é realizada por meio de um procedimento composto por três etapas. Na etapa de inicialização, um espaço de parâmetros com p (n − p) dimensões é definido de modo que cada ponto neste espaço represente uma instância do alinhamento requerido, descrito por um subespaço p-dimensional em um domínio n-dimensional. Em seguida, uma grade de acumuladores é criada como sendo a representação discreta do espaço de parâmetros. Na segunda etapa do procedimento, cada elemento no conjunto de dados de entrada (também um subespaço no domínio n-dimensional) é mapeado para o espaço de parâmetros como os pontos (no espaço de parâmetros) representando os subespaços requeridos que contém ou que estão contidos no elemento de entrada. À medida que os elementos de entrada são mapeados, as células do acumulador relacionadas com o mapeamento são incrementadas pelo valor de importância do elemento mapeado. A etapa final do procedimento recupera os subespaços p-dimensionais que melhor se ajustam aos dados de entrada como sendo os máximos locais na grade de acumuladores. A parametrização proposta é independente das propriedades geométricas dos alinhamentos a serem detectados. Além disso, o procedimento de mapeamento é independente do tipo de dado de entrada e é capaz de se adaptar a elementos com dimensionalidades arbitrárias. Essas características permitem a utilização da técnica (sem a necessidade de modificações) como uma ferramenta para a detecção de padrões em uma grande quantidade de aplicações. Por conta de sua natureza geral, otimizações desenvolvidas para a abordagem proposta beneficiam, de forma imediata, todos os casos de detecção. Neste trabalho eu demonstro uma implementação em software da técnica proposta e mostro que ela pode ser aplicada tanto em casos simples de detecção, quanto na detecção concorrente de tipos diferentes de alinhamentos, com diferentes interpretações geométricas e em conjuntos de dados compostos por vários tipos de elementos. Esta dissertação também apresenta uma extensão do esquema de detecção para dados de entrada com distribuição Gaussiana de incerteza. A extensão proposta produz distribuições de valores mais suaves na grade de acumuladores e faz com que a técnica fique mais robusta à detecção de subespaços espúrios. / This dissertation presents a generalized closed-form framework for detecting data alignments in large unordered noisy multidimensional datasets. In this approach, the intended type of data alignment may be a geometric shape (e.g., straight line, plane, circle, sphere, conic section, among others) or any other structure, with arbitrary dimensionality that can be characterized by a linear subspace. The detection is performed using a three-step process. In the initialization, a p (n − p)-dimensional parameter space is defined in such a way that each point in this space represents an instance of the intended alignment described by a p-dimensional subspace in some n-dimensional domain. In turn, an accumulator array is created as the discrete representation of the parameter space. In the second step each input entry (also a subspace in the n-dimensional domain) is mapped to the parameter space as the set of points representing the intended p-dimensional subspaces that contain or are contained by the entry. As the input entries are mapped, the bins of the accumulator related to such a mapping are incremented by the importance value of the entry. The subsequent and final step retrieves the p-dimensional subspaces that best fit input data as the local maxima in the accumulator array. The proposed parameterization is independent of the geometric properties of the alignments to be detected. Also, the mapping procedure is independent of the type of input data and automatically adapts to entries of arbitrary dimensionality. This allows application of the proposed approach (without changes) in a broad range of applications as a pattern detection tool. Given its general nature, optimizations developed for the proposed framework immediately benefit all the detection cases. I demonstrate a software implementation of the proposed technique and show that it can be applied in simple detection cases as well as in concurrent detection of multiple kinds of alignments with different geometric interpretations, in datasets containing multiple types of data. This dissertation also presents an extension of the general detection scheme to data with Gaussian-distributed uncertainty. The proposed extension produces smoother distributions of values in the accumulator array and makes the framework more robust to the detection of spurious subspaces.

Singular Riemannian foliations in spheres provide local models for an extensive kind of singular Riemannian foliations, whose theory contributes in the understanding of Riemannian manifolds. Hence the importance of studying and classifying them, a research subject that still remains open. In 2014, Marco Radeschi constructed indecomposable singular Riemannian foliations of arbitrary codimension, most of them inhomogeneous, which generalized all known examples of that type so far. The present dissertation is a detailed study of his work, along with observations about the progress made on this dynamic field since that paper was published. Besides introducing preliminary notions and examples on singular Riemannian foliations, isometric actions and Clifford theory, it is explained a construction of inhomogeneous isoparametric hypersurfaces, due to Ferus, Karcher and Münzner, that was a fundamental framework for the results of Radeschi. After that, it is described exhaustively the construction of Clifford and composed foliations in spheres, which are the examples that Radeschi created using Clifford systems. In the sequel it is established an extraordinary bijective correspondence between Clifford foliations (merely geometric objects) and Clifford systems (purely algebraic objects). This text finishes examining the relations of homogeneity properties among FKM, Clifford and composed foliations. / Folheações Riemannianas singulares em esferas fornecem modelos locais para folheações Riemannianas singulares mais gerais, cuja teoria contribui na compreensão de variedades Riemannianas. Daí a sua importança de estudá-los e classificá-los, uma área de pesquisa que se mantém aberta. Em 2014, Marco Radeschi construiu folheações Riemannianas singulares indecomponíveis de codimensão arbitrária, a maioria delas não homogêneas, que generalizaram todos os exemplos conhecidos desse tipo até então. A presente dissertação é um estudo detalhado desse trabalho, junto com observações sobre avanços que se têm feito neste dinâmico campo desde a publicação do artigo. Após introduzir as noções e exemplos preliminares de folheações Riemannianas singulares, ações isométricas e teoria de Clifford, é explorada uma construção de hipersuperfícies isoparamétricas não homogêneas, devida a Ferus, Karcher e Münzner (FKM), que foi peça fundamental para os resultados de Radeschi. Em seguida, descreve-se minuciosamente a construção de folheações composta e de Clifford em esferas, que são os exemplos que o autor mencionado anteriormente gerou usando sistemas de Clifford. Continuando com a análise dessas novas folheações Riemannianas singulares, estabelece-se uma extraordinária correspondência biunívoca entre folheações de Clifford (objetos meramente geométricos) e sistemas de Clifford (objetos puramente algébricos). Este texto termina examinando as relações das propriedades de homogeneidade entre folheações FKM, compostas e de Clifford.

Ce manuscrit se compose de deux parties indépendantes. La première partie de cette thèse étudie les structures de Clifford paires. Pour une variété riemannienne munie d’une structure de Clifford paire, nous introduisons l’espace de twisteurs en généralisant la construction d’un tel espace dans le cas d’une variété quaternion-hermitienne. Nous construisons une structure presque-complexe sur l’espace de twisteurs et considérons son intégrabilité lorsque la structure de Clifford est parallèle. Dans certains cas, nous pouvons aussi le fournir d’une métriquekählerienne ou, correspondant à une structure presque-complexe alternative, d’une métrique “nearly Kähler”. Dans un second temps, nous introduisons une structure appelée Clifford-Weyl sur une variété conforme. Il s’agit d’une structure de Clifford paireq ui est parallèle par rapport au produit tensoriel d’une connexion métrique sur le fibré de Clifford et une connexion de Weyl. Nous démontrons que la connexion de Weyl est fermée sauf dans certains cas génériques de basse dimension où nous arrivons à décrire des exemples explicites où les structures de Clifford-Weyl sont non-fermées. La seconde partie de cette thèse étudie des résonances quantiques. Au-dessus d’une variété asymptotiquement hyperbolique paire, nous considérons le laplacien de Lichnerowicz agissant sur les sections du fibré des formes multilinéaires symétriques.Lorsqu’il s’agit de formes bilinéaires symétriques, nous obtenonsune extension méromorphe de la résolvante dudit laplacien à l’ensemble du plan complexe si la variété est Einstein. Cela définit les résonances quantiques pour ce laplacien. Pour les formes multilinéaires symétriques en général, une telle extension méromorphe est possible si la variété est convexe-cocompacte. Dans les deux cas, nous devons restreindre le laplacien aux sections qui sont de trace et de divergence nulles. Nous utilisons ce deuxième résultat afin d’établir une correspondance classique-quantique pour les variétés hyperboliques convexescocompactes.La correspondance identifie le spectre du flot géodésique (les résonances de Ruelle) avec les spectres des laplaciens agissant sur les tenseurs symétriques qui sont de trace et de divergence nulles (les résonances quantiques). / We study independently even Clfford structures on Riemannian manifolds and quantum resonances on asymptotically hyperbolic manifolds. In the first part of this thesis, we study even Clifford structures.First, we introduce the twistor space of a Riemannian manifold with an even Clifford structure. This notion generalises the twistor space of quaternion-Hermitian manifolds. We construct almost complex structures on the twistor space and check their integrability when the even Clifford structure is parallel. In some cases we give Kähler and nearly-Kähler metrics to these spaces. Second, we introduce the concept of a Clifford-Weyl structure on a conformal manifold. This consists of an even Clifford structure parallel with respect to the tensor product of a metric connection on the Clifford bundle and a Weyl structure on the manifold. We show that the Weyl structure is necessarily closed except for some “generic” low-dimensional instances,where explicit examples of non-closed Clifford-Weyl structures are constructed. In the second part of this thesis, we study quantum resonances. First, we consider the Lichnerowicz Laplacian acting on symmetric 2-tensors on manifolds with an even Riemannian conformally compact Einstein metric. The resolvent of the Laplacian,upon restriction to trace-free, divergence-free tensors, is shown to have a meromorphic continuation to the complex plane. This defines quantum resonances for this Laplacian. For higher rank symmetric tensors, a similar result is proved for convex cocompact quotients of hyperbolic space. Second, we apply this result to establish a direct classical-quantum correspondence on convex cocompact hyperbolic manifolds. The correspondence identifies the spectrum of the geodesic flow with the spectrum of the Laplacian acting on trace-free, divergence-free symmetric tensors. This extends the correspondence previously obtained for cocompact quotients

Conformal geometric algebra is defined in the thesis. Representations of geometric objects and possibilities of their geometric transformations are presented. Conformal geometric algebra is applied to the calculation of forward kinematics of a robotic manipulator UR10 from Universal Robots. It is also applied to determine the position of the machine based on the location and rotation of two cameras. Then it is used in an inverse task, where based on records from the two cameras, dimensions of the UR10 manipulator and possibilities of its movement, the mutual position of these cameras is determined. And consequently the possibilities of their location in space. Finally, the derived procedures are implemented in a custom program created in the CluCalc environment, using which a sample example verifying the correctness of these procedures is calculated.

The goal of this thesis is the development of a fast and robust algorithm that is able to detect patterns in flow fields independent from their orientation and adequately visualize the results for a human user. This thesis is an interdisciplinary work in the field of vector field visualization and the field of pattern recognition. A vector field can be best imagined as an area or a volume containing a lot of arrows. The direction of the arrow describes the direction of a flow or force at the point where it starts and the length its velocity or strength. This builds a bridge to vector field visualization, because drawing these arrows is one of the fundamental techniques to illustrate a vector field. The main challenge of vector field visualization is to decide which of them should be drawn. If you do not draw enough arrows, you may miss the feature you are interested in. If you draw too many arrows, your image will be black all over. We assume that the user is interested in a certain feature of the vector field: a certain pattern. To prevent clutter and occlusion of the interesting parts, we first look for this pattern and then apply a visualization that emphasizes its occurrences. In general, the user wants to find all instances of the interesting pattern, no matter if they are smaller or bigger, weaker or stronger or oriented in some other direction than his reference input pattern. But looking for all these transformed versions would take far too long. That is why, we look for an algorithm that detects the occurrences of the pattern independent from these transformations. In the second part of this thesis, we work with moment invariants. Moments are the projections of a function to a function space basis. In order to compare the functions, it is sufficient to compare their moments. Normalization is the act of transforming a function into a predefined standard position. Moment invariants are characteristic numbers like fingerprints that are constructed from moments and do not change under certain transformations. They can be produced by normalization, because if all the functions are in one standard position, their prior position has no influence on their normalized moments. With this technique, we were able to solve the pattern detection task for 2D and 3D flow fields by mathematically proving the invariance of the moments with respect to translation, rotation, and scaling. In practical applications, this invariance is disturbed by the discretization. We applied our method to several analytic and real world data sets and showed that it works on discrete fields in a robust way.