Following the intensive development of isolated (i.e., not coupled with on-chip waveguide) vertically rolled-up microtube ring resonators (VRU-MRRs) for both active and passive applications, a variety of microtube-based devices has been realized. These include microcavity lasers, optical sensors, directional couplers, and active elements in lab-on-a-chip devices. To provide more advanced and complex functionality, the focus of tubular geometry research is now shifting toward (i) refined vertical light transfer in 3D stacks of multiple photonic layers and (ii) to make microfluidic cooling system in the integrated optoelectronic system. Based on this motivation, this PhD research is devoted to the demonstration and the implementation of monolithic integration of VRU-MRRs with photonic waveguides for 3D photonic integration and their optofluidic applications. Prior to integration, high-quality isolated VRU-MRRs on the flat Si substrate are firstly fabricated by the controlled release of differentially strained titanium-dioxide (TiO2) bilayered nanomembranes. The fabricated microtubes support resonance modes for both telecom and visible photonics. The outcome of the isolated VRU-MRRs is a record high Q (≈3.8×10^3) in the telecom wavelength range with optimum tapered optical fiber resonator interaction. To further study the optical modes in the visible and near infrared spectral range, μPL spectroscopy is performed on the isolated VRU-MRRs, which are activated by entrapping various sizes of luminescent nanoparticles (NPs) within the windings of rolled-up nanomembranes based on a flexible, robust and economical method. Moreover, it is realized for the first time, in addition to serving as light sources that NPs-aggregated in isolated VRU-MRRs can produce an optical potential well that can be used to trap optical resonant modes. After achieving all the required parameters for creating a high-quality TiO2 VRU-MRR, the monolithic integration of VRU-MRRs with Si nanophotonic waveguides is experimentally demonstrated, exhibiting a significant step toward 3D photonic integration. The on-chip integration is realized by rolling up 2D pre-strained TiO2 nanomembranes into 3D VRU-MRRs on a microchip which seamlessly expanded over several integrated waveguides. In this intriguing vertical transmission configuration, resonant filtering of optical signals at telecom wavelengths is demonstrated based on ultra-smooth and subwavelength thick-walled VRU-MRRs. Finally, to illustrate the usefulness of the fully integrated VRU-MRRs with photonic waveguides, optofluidic functionalities of the integrated system is investigated. In this work, two methods are performed to explore optofluidic applications of the integrated system. First, the hollow core of an integrated VRU-MRR is uniquely filled with a liquid solution (purified water) by setting one end of the VRU-MRRs in contact with a droplet placed onto the photonic chip via a glass capillary. Second, the outside of an integrated VRU-MRR is fully covered with a big droplet of liquid. Both techniques lead to a significant shift in the WGMs (Δλ≈46 nm). A maximum sensitivity of 140 nm/refractive index unit, is achieved. The achievements of this PhD research open up fascinating opportunities for the realization of massively parallel optofluidic microsystems with more functionality and flexibility for analysis of biomaterials in lab-on-a-tube systems on single chips. It also demonstrates 3D photonic integration in which optical interconnects between multiple photonic layers are required.

In dieser Dissertation wird erstmalig ein theoretisches Fundament zur Beschneiung virtueller Szenen entwickelt. Das theoretische Fundament wird als analytisches Modell in Form einer Diffusionsgleichung formuliert. Aus dem analytischen Modell lässt sich eine Gruppe von Algorithmen zur Beschneiung virtueller Szenen ableiten. Eingehende Voruntersuchungen zur allgemeinen Modellierung natürlicher Phänomene in der Computergraphik sowie eine Klassifikation der bestehenden Literatur über mathematische Schneemodellierung bilden den Anfang der Arbeit. Aus der umfassenden Darstellung der Eigenschaften von Schnee, wie er in der Natur vorkommt, ergeben sich die Grundlagen für die Modellbildung. Die Modellbildung fußt auf den grundlegenden Ansätzen der klassischen Mechanik und der statistischen Physik. Für die Beschneiung auf visueller Skala erweist sich der Diffusionsprozess als geeignete Beschreibung. Mit der Beschreibung lassen sich diffusiv Schneeoberflächen erzeugen. Der konkrete computergraphische Wert des theoretischen Fundaments wird anhand zweier Implementierungen exemplarisch dargestellt, und zwar in der Distanzfeldmethode und der Diffusionskernmethode. Die Ergebnisse werden mithilfe dreidimensionaler Rauschtexturen und Alpha-Masken an den Rändern fotorealistisch visualisiert.:1. Einleitung 7 2. Zentrale Beiträge dieser Arbeit 11 3. Natürliche Phänomenmodellierung in der Computergraphik 13 3.1. Die Rolle der computergraphisch modellierten Naturphänomene in der Informatik . . . . 14 3.2. Repräsentationsformen natürlicher Phänomene in der Computergraphik . . . . 16 3.3. Modellierungsmethoden im Überblick . . . . . . . . . . . . . . . . . . . . 20 3.3.1. Bildbasierte Methoden . . . . . . . . . . . . . . . . . . . . . . . . . 21 3.3.2. Diskretisierungsbasierte Methoden . . . . . . . . . . . . . . . . . . 21 3.3.3. Kontinuumsbasierte Methoden . . . . . . . . . . . . . . . . . . . . 22 3.3.4. Modellreduktionsmethoden . . . . . . . . . . . . . . . . . . . . . . 23 3.3.5. Interaktionsmethoden . . . . . . . . . . . . . . . . . . . . . . . . . 24 3.4. Klassifikation der natürlichen Phänomene in der Computergraphik . . . . 25 3.4.1. Statische Phänomene . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3.4.2. Dynamische Phänomene . . . . . . . . . . . . . . . . . . . . . . . . 28 3.4.3. Zusammengesetzte Phänomene . . . . . . . . . . . . . . . . . . . . 30 3.4.4. Sonstige natürliche Phänomene . . . . . . . . . . . . . . . . . . . . 32 3.5. Schlussfolgerung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 4. Schnee in der Natur 35 4.1. Entstehung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 4.2. Niederschlag . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 4.3. Akkumulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4.4. Metamorphose . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.5. Computergraphisch modellierbare Aspekte . . . . . . . . . . . . . . . . . . 40 5. Vorarbeiten zur computergraphischen Schneemodellierung 45 5.1. Modellierung statischer Aspekte . . . . . . . . . . . . . . . . . . . . . . . . 45 5.1.1. Optische Schneeeigenschaften . . . . . . . . . . . . . . . . . . . . . 45 5.1.2. Geometrische Form der Schneeoberflächen . . . . . . . . . . . . . . 46 5.1.3. Schnee als makroskopische Landschaftstextur . . . . . . . . . . . . 48 5.2. Modellierung dynamischer Aspekte . . . . . . . . . . . . . . . . . . . . . . 48 5.2.1. Schneefall . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 5.2.2. Schneeschmelze . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 5.2.3. Lokale Schneeumlagerung und Kompaktifizierung . . . . . . . . . . 50 5.2.4. Bisher nicht modellierte Aspekte . . . . . . . . . . . . . . . . . . . 51 5.3. Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 6. Physikalische Methoden zur Darstellung von Materialflüssen und Phasengrenzen 55 6.1. Mikroskopische Modelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 6.1.1. Formale Schneecharakterisierung mit einer Vielteilchen-Hamilton- Funktion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 6.1.2. Statistische Formulierung der Vielteilchenbeschreibung . . . . . . . 57 6.2. Makroskopische Modelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 6.2.1. Schneeverteilung als globales Strahlungsgleichgewicht . . . . . . . 59 6.2.2. Lokale stochastische Darstellung als getriebene Oberfläche . . . . . 61 6.2.3. Oberflächenentwicklung als Reaktionsdiffusion . . . . . . . . . . . 63 6.3. Zusammenfassung und Schlussfolgerung . . . . . . . . . . . . . . . . . . . 65 7. Eigenschaften und Lösungen von Diffusionsgleichungen 67 7.1. Das physikalische Prinzip der Diffusion . . . . . . . . . . . . . . . . . . . . 67 7.1.1. Grundlagen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 7.1.2. Diffusion auf Höhenfeldern . . . . . . . . . . . . . . . . . . . . . . 68 7.2. Mathematische Behandlung linearer Diffusionsgleichungen . . . . . . . . . 70 7.2.1. Konstruktion von allgemeinen Lösungen mittels Fundamentallösung 70 7.3. Analytische Lösungsbeispiele . . . . . . . . . . . . . . . . . . . . . . . . . 72 8. Computergraphische Erzeugung von Schneeoberflächengeometrien 75 8.1. Faltung als Grundprinzip der diffusiven Schneedeckenerzeugung . . . . . . 76 8.2. Datenstrukturen zur Darstellung von Schneedecken . . . . . . . . . . . . . 79 8.3. Darstellung mittels Distanzfeld . . . . . . . . . . . . . . . . . . . . . . . . 81 8.3.1. Details der Distanzfeldmethode . . . . . . . . . . . . . . . . . . . . 81 8.3.2. Diskussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 8.4. Darstellung als Diffusionsprozess . . . . . . . . . . . . . . . . . . . . . . . 86 8.4.1. Modelldetails . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 8.4.2. Diskussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94 8.5. Erweiterung für Überhänge und Schneebrücken . . . . . . . . . . . . . . . 96 8.5.1. Brückenerzeugung . . . . . . . . . . . . . . . . . . . . . . . . . . . 97 8.5.2. Überhangsberechnung . . . . . . . . . . . . . . . . . . . . . . . . . 98 8.5.3. Ergebnisse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99 8.5.4. Diskussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100 8.6. Vergleich und Verallgemeinerbarkeit der Schneemodellierungsansätze . . . 101 9. Visualisierung virtueller Schneeoberflächen 103 9.1. Schneeoberfläche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103 9.2. Schneeränder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104 9.3. Diskussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 10.Zusammenfassung und Schlussfolgerungen 107 10.1. Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107 10.2. Schlussfolgerungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108 A. Beobachtungssammlung natürlicher Schneeformen 109 A.1. Randprofile und Stützflächenabhängigkeit . . . . . . . . . . . . . . . . . . 109 A.2. Verdeckung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 A.3. Glättung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 A.4. Innenränder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116 A.5. Brücken und Überhänge . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 A.6. Nicht modellierte Aspekte . . . . . . . . . . . . . . . . . . . . . . . . . . . 122 B. Sammlung virtuell beschneiter Szenen 125 B.1. Distanzfeldmethode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125 B.2. Diffusionskernmethode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 B.3. Brückenbildung und Überhänge . . . . . . . . . . . . . . . . . . . . . . . . 130 Literaturverzeichnis 131 Abbildungsverzeichnis 143 Veröffentlichungen 151 / In this dissertation for the first time a theoretical foundation is developed for snow accumulation in virtual scenes. The theoretical foundation is formulated in an analytical model as diffusion equation. The analytical model leads to a group of algorithms for virtual snow accumulation. Comprehensive investigations for the modelling of natural phenomena in computer graphics in general are used to develop a method classification scheme. Another classification is given for an overview over the aspects of snow in the real world. This allows an efficient presentation of related literature on snow modelling. A new approach of snow modelling is then drawn from first principles of classical mechanics and statistical physics. Diffusion processes provide an efficient theoretical framework for snow accumulation. The mathematical structure of diffusion equations is discussed and demonstrated to be adequate to snow modelling in visual scales. The value of the theoretical foundation for computer graphics is demonstrated with two exemplary implementations, a distance field method and the diffusion kernel method. Results are visualized with 3D noise textures and alpha masks near borders delivering photorealistic snow pictures.:1. Einleitung 7 2. Zentrale Beiträge dieser Arbeit 11 3. Natürliche Phänomenmodellierung in der Computergraphik 13 3.1. Die Rolle der computergraphisch modellierten Naturphänomene in der Informatik . . . . 14 3.2. Repräsentationsformen natürlicher Phänomene in der Computergraphik . . . . 16 3.3. Modellierungsmethoden im Überblick . . . . . . . . . . . . . . . . . . . . 20 3.3.1. Bildbasierte Methoden . . . . . . . . . . . . . . . . . . . . . . . . . 21 3.3.2. Diskretisierungsbasierte Methoden . . . . . . . . . . . . . . . . . . 21 3.3.3. Kontinuumsbasierte Methoden . . . . . . . . . . . . . . . . . . . . 22 3.3.4. Modellreduktionsmethoden . . . . . . . . . . . . . . . . . . . . . . 23 3.3.5. Interaktionsmethoden . . . . . . . . . . . . . . . . . . . . . . . . . 24 3.4. Klassifikation der natürlichen Phänomene in der Computergraphik . . . . 25 3.4.1. Statische Phänomene . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3.4.2. Dynamische Phänomene . . . . . . . . . . . . . . . . . . . . . . . . 28 3.4.3. Zusammengesetzte Phänomene . . . . . . . . . . . . . . . . . . . . 30 3.4.4. Sonstige natürliche Phänomene . . . . . . . . . . . . . . . . . . . . 32 3.5. Schlussfolgerung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 4. Schnee in der Natur 35 4.1. Entstehung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 4.2. Niederschlag . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 4.3. Akkumulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4.4. Metamorphose . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.5. Computergraphisch modellierbare Aspekte . . . . . . . . . . . . . . . . . . 40 5. Vorarbeiten zur computergraphischen Schneemodellierung 45 5.1. Modellierung statischer Aspekte . . . . . . . . . . . . . . . . . . . . . . . . 45 5.1.1. Optische Schneeeigenschaften . . . . . . . . . . . . . . . . . . . . . 45 5.1.2. Geometrische Form der Schneeoberflächen . . . . . . . . . . . . . . 46 5.1.3. Schnee als makroskopische Landschaftstextur . . . . . . . . . . . . 48 5.2. Modellierung dynamischer Aspekte . . . . . . . . . . . . . . . . . . . . . . 48 5.2.1. Schneefall . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 5.2.2. Schneeschmelze . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 5.2.3. Lokale Schneeumlagerung und Kompaktifizierung . . . . . . . . . . 50 5.2.4. Bisher nicht modellierte Aspekte . . . . . . . . . . . . . . . . . . . 51 5.3. Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 6. Physikalische Methoden zur Darstellung von Materialflüssen und Phasengrenzen 55 6.1. Mikroskopische Modelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 6.1.1. Formale Schneecharakterisierung mit einer Vielteilchen-Hamilton- Funktion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 6.1.2. Statistische Formulierung der Vielteilchenbeschreibung . . . . . . . 57 6.2. Makroskopische Modelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 6.2.1. Schneeverteilung als globales Strahlungsgleichgewicht . . . . . . . 59 6.2.2. Lokale stochastische Darstellung als getriebene Oberfläche . . . . . 61 6.2.3. Oberflächenentwicklung als Reaktionsdiffusion . . . . . . . . . . . 63 6.3. Zusammenfassung und Schlussfolgerung . . . . . . . . . . . . . . . . . . . 65 7. Eigenschaften und Lösungen von Diffusionsgleichungen 67 7.1. Das physikalische Prinzip der Diffusion . . . . . . . . . . . . . . . . . . . . 67 7.1.1. Grundlagen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 7.1.2. Diffusion auf Höhenfeldern . . . . . . . . . . . . . . . . . . . . . . 68 7.2. Mathematische Behandlung linearer Diffusionsgleichungen . . . . . . . . . 70 7.2.1. Konstruktion von allgemeinen Lösungen mittels Fundamentallösung 70 7.3. Analytische Lösungsbeispiele . . . . . . . . . . . . . . . . . . . . . . . . . 72 8. Computergraphische Erzeugung von Schneeoberflächengeometrien 75 8.1. Faltung als Grundprinzip der diffusiven Schneedeckenerzeugung . . . . . . 76 8.2. Datenstrukturen zur Darstellung von Schneedecken . . . . . . . . . . . . . 79 8.3. Darstellung mittels Distanzfeld . . . . . . . . . . . . . . . . . . . . . . . . 81 8.3.1. Details der Distanzfeldmethode . . . . . . . . . . . . . . . . . . . . 81 8.3.2. Diskussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 8.4. Darstellung als Diffusionsprozess . . . . . . . . . . . . . . . . . . . . . . . 86 8.4.1. Modelldetails . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86 8.4.2. Diskussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94 8.5. Erweiterung für Überhänge und Schneebrücken . . . . . . . . . . . . . . . 96 8.5.1. Brückenerzeugung . . . . . . . . . . . . . . . . . . . . . . . . . . . 97 8.5.2. Überhangsberechnung . . . . . . . . . . . . . . . . . . . . . . . . . 98 8.5.3. Ergebnisse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99 8.5.4. Diskussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100 8.6. Vergleich und Verallgemeinerbarkeit der Schneemodellierungsansätze . . . 101 9. Visualisierung virtueller Schneeoberflächen 103 9.1. Schneeoberfläche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103 9.2. Schneeränder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104 9.3. Diskussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 10.Zusammenfassung und Schlussfolgerungen 107 10.1. Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107 10.2. Schlussfolgerungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108 A. Beobachtungssammlung natürlicher Schneeformen 109 A.1. Randprofile und Stützflächenabhängigkeit . . . . . . . . . . . . . . . . . . 109 A.2. Verdeckung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 A.3. Glättung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113 A.4. Innenränder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116 A.5. Brücken und Überhänge . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118 A.6. Nicht modellierte Aspekte . . . . . . . . . . . . . . . . . . . . . . . . . . . 122 B. Sammlung virtuell beschneiter Szenen 125 B.1. Distanzfeldmethode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125 B.2. Diffusionskernmethode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 B.3. Brückenbildung und Überhänge . . . . . . . . . . . . . . . . . . . . . . . . 130 Literaturverzeichnis 131 Abbildungsverzeichnis 143 Veröffentlichungen 151

This work aims at providing a novel camera motion estimation pipeline from large collections of unordered omnidirectional images. In oder to keep the pipeline as general and flexible as possible, cameras are modelled as unit spheres, allowing to incorporate any central camera type. For each camera an unprojection lookup is generated from intrinsics, which is called P2S-map (Pixel-to-Sphere-map), mapping pixels to their corresponding positions on the unit sphere. Consequently the camera geometry becomes independent of the underlying projection model. The pipeline also generates P2S-maps from world map projections with less distortion effects as they are known from cartography. Using P2S-maps from camera calibration and world map projection allows to convert omnidirectional camera images to an appropriate world map projection in oder to apply standard feature extraction and matching algorithms for data association. The proposed estimation pipeline combines the flexibility of SfM (Structure from Motion) - which handles unordered image collections - with the efficiency of PGO (Pose Graph Optimization), which is used as back-end in graph-based Visual SLAM (Simultaneous Localization and Mapping) approaches to optimize camera poses from large image sequences. SfM uses BA (Bundle Adjustment) to jointly optimize camera poses (motion) and 3d feature locations (structure), which becomes computationally expensive for large-scale scenarios. On the contrary PGO solves for camera poses (motion) from measured transformations between cameras, maintaining optimization managable. The proposed estimation algorithm combines both worlds. It obtains up-to-scale transformations between image pairs using two-view constraints, which are jointly scaled using trifocal constraints. A pose graph is generated from scaled two-view transformations and solved by PGO to obtain camera motion efficiently even for large image collections. Obtained results can be used as input data to provide initial pose estimates for further 3d reconstruction purposes e.g. to build a sparse structure from feature correspondences in an SfM or SLAM framework with further refinement via BA. The pipeline also incorporates fixed extrinsic constraints from multi-camera setups as well as depth information provided by RGBD sensors. The entire camera motion estimation pipeline does not need to generate a sparse 3d structure of the captured environment and thus is called SCME (Structureless Camera Motion Estimation).:1 Introduction 1.1 Motivation 1.1.1 Increasing Interest of Image-Based 3D Reconstruction 1.1.2 Underground Environments as Challenging Scenario 1.1.3 Improved Mobile Camera Systems for Full Omnidirectional Imaging 1.2 Issues 1.2.1 Directional versus Omnidirectional Image Acquisition 1.2.2 Structure from Motion versus Visual Simultaneous Localization and Mapping 1.3 Contribution 1.4 Structure of this Work 2 Related Work 2.1 Visual Simultaneous Localization and Mapping 2.1.1 Visual Odometry 2.1.2 Pose Graph Optimization 2.2 Structure from Motion 2.2.1 Bundle Adjustment 2.2.2 Structureless Bundle Adjustment 2.3 Corresponding Issues 2.4 Proposed Reconstruction Pipeline 3 Cameras and Pixel-to-Sphere Mappings with P2S-Maps 3.1 Types 3.2 Models 3.2.1 Unified Camera Model 3.2.2 Polynomal Camera Model 3.2.3 Spherical Camera Model 3.3 P2S-Maps - Mapping onto Unit Sphere via Lookup Table 3.3.1 Lookup Table as Color Image 3.3.2 Lookup Interpolation 3.3.3 Depth Data Conversion 4 Calibration 4.1 Overview of Proposed Calibration Pipeline 4.2 Target Detection 4.3 Intrinsic Calibration 4.3.1 Selected Examples 4.4 Extrinsic Calibration 4.4.1 3D-2D Pose Estimation 4.4.2 2D-2D Pose Estimation 4.4.3 Pose Optimization 4.4.4 Uncertainty Estimation 4.4.5 PoseGraph Representation 4.4.6 Bundle Adjustment 4.4.7 Selected Examples 5 Full Omnidirectional Image Projections 5.1 Panoramic Image Stitching 5.2 World Map Projections 5.3 World Map Projection Generator for P2S-Maps 5.4 Conversion between Projections based on P2S-Maps 5.4.1 Proposed Workflow 5.4.2 Data Storage Format 5.4.3 Real World Example 6 Relations between Two Camera Spheres 6.1 Forward and Backward Projection 6.2 Triangulation 6.2.1 Linear Least Squares Method 6.2.2 Alternative Midpoint Method 6.3 Epipolar Geometry 6.4 Transformation Recovery from Essential Matrix 6.4.1 Cheirality 6.4.2 Standard Procedure 6.4.3 Simplified Procedure 6.4.4 Improved Procedure 6.5 Two-View Estimation 6.5.1 Evaluation Strategy 6.5.2 Error Metric 6.5.3 Evaluation of Estimation Algorithms 6.5.4 Concluding Remarks 6.6 Two-View Optimization 6.6.1 Epipolar-Based Error Distances 6.6.2 Projection-Based Error Distances 6.6.3 Comparison between Error Distances 6.7 Two-View Translation Scaling 6.7.1 Linear Least Squares Estimation 6.7.2 Non-Linear Least Squares Optimization 6.7.3 Comparison between Initial and Optimized Scaling Factor 6.8 Homography to Identify Degeneracies 6.8.1 Homography for Spherical Cameras 6.8.2 Homography Estimation 6.8.3 Homography Optimization 6.8.4 Homography and Pure Rotation 6.8.5 Homography in Epipolar Geometry 7 Relations between Three Camera Spheres 7.1 Three View Geometry 7.2 Crossing Epipolar Planes Geometry 7.3 Trifocal Geometry 7.4 Relation between Trifocal, Three-View and Crossing Epipolar Planes 7.5 Translation Ratio between Up-To-Scale Two-View Transformations 7.5.1 Structureless Determination Approaches 7.5.2 Structure-Based Determination Approaches 7.5.3 Comparison between Proposed Approaches 8 Pose Graphs 8.1 Optimization Principle 8.2 Solvers 8.2.1 Additional Graph Solvers 8.2.2 False Loop Closure Detection 8.3 Pose Graph Generation 8.3.1 Generation of Synthetic Pose Graph Data 8.3.2 Optimization of Synthetic Pose Graph Data 9 Structureless Camera Motion Estimation 9.1 SCME Pipeline 9.2 Determination of Two-View Translation Scale Factors 9.3 Integration of Depth Data 9.4 Integration of Extrinsic Camera Constraints 10 Camera Motion Estimation Results 10.1 Directional Camera Images 10.2 Omnidirectional Camera Images 11 Conclusion 11.1 Summary 11.2 Outlook and Future Work Appendices A.1 Additional Extrinsic Calibration Results A.2 Linear Least Squares Scaling A.3 Proof Rank Deficiency A.4 Alternative Derivation Midpoint Method A.5 Simplification of Depth Calculation A.6 Relation between Epipolar and Circumferential Constraint A.7 Covariance Estimation A.8 Uncertainty Estimation from Epipolar Geometry A.9 Two-View Scaling Factor Estimation: Uncertainty Estimation A.10 Two-View Scaling Factor Optimization: Uncertainty Estimation A.11 Depth from Adjoining Two-View Geometries A.12 Alternative Three-View Derivation A.12.1 Second Derivation Approach A.12.2 Third Derivation Approach A.13 Relation between Trifocal Geometry and Alternative Midpoint Method A.14 Additional Pose Graph Generation Examples A.15 Pose Graph Solver Settings A.16 Additional Pose Graph Optimization Examples Bibliography

Zur Aufklärung der lokalen Magnetisierungs- und magnetischen Streufeldstruktur in ferromagnetischen und supraleitenden Materialien wurden magnetkraftmikroskopische (Magnetkraftmikroskopie-MFM) Untersuchungen durchgeführt und quantitativ ausgewertet. Für eine solch quantitative Auswertung muss der Einfluß der verwendeten MFM-Spitzen auf das MFM-Bild bestimmt und in geeigneter Weise subtrahiert werden. Hierzu wurden Spitzenkalibrierungsroutinen und ein Verfahren zur Entfaltung der gemessenen MFM-Daten implementiert, das auf der Wiener Dekonvolution basiert. Mit Hilfe dieser Prozedur können sowohl die räumliche Ausdehnung als auch die Größe der Streufelder direkt aus gemessenen MFM-Bildern bestimmt werden. Gezeigt wurde diese Anwendung für die Durchmesserbestimmung von Blasendomänen in einer (Co/Pd)-Multilage und für die Bestimmung der temperaturabhängigen magnetischen Eindringtiefe in einem supraleitendem BaFe2(As0.24P0.76)2 Einkristall. Desweiteren konnte durch die Kombination von mikromagnetischen Rechnungen und der quantitativen MFM-Datenanalyse die Existenz einer dreidimensionalen Vortex-Struktur am Ende von Co48Fe52-Nanodrähten nachgewiesen werden. Damit ist es gelungen die Tiefensensitivität der Magnetkraftmikroskopie erfolgreich in die Rekonstruktion der vermessenen Magnetisierungsstruktur einzubeziehen.

Zur Aufklärung der lokalen Magnetisierungs- und magnetischen Streufeldstruktur in ferromagnetischen und supraleitenden Materialien wurden magnetkraftmikroskopische (Magnetkraftmikroskopie-MFM) Untersuchungen durchgeführt und quantitativ ausgewertet. Für eine solch quantitative Auswertung muss der Einfluß der verwendeten MFM-Spitzen auf das MFM-Bild bestimmt und in geeigneter Weise subtrahiert werden. Hierzu wurden Spitzenkalibrierungsroutinen und ein Verfahren zur Entfaltung der gemessenen MFM-Daten implementiert, das auf der Wiener Dekonvolution basiert. Mit Hilfe dieser Prozedur können sowohl die räumliche Ausdehnung als auch die Größe der Streufelder direkt aus gemessenen MFM-Bildern bestimmt werden. Gezeigt wurde diese Anwendung für die Durchmesserbestimmung von Blasendomänen in einer (Co/Pd)-Multilage und für die Bestimmung der temperaturabhängigen magnetischen Eindringtiefe in einem supraleitendem BaFe2(As0.24P0.76)2 Einkristall. Desweiteren konnte durch die Kombination von mikromagnetischen Rechnungen und der quantitativen MFM-Datenanalyse die Existenz einer dreidimensionalen Vortex-Struktur am Ende von Co48Fe52-Nanodrähten nachgewiesen werden. Damit ist es gelungen die Tiefensensitivität der Magnetkraftmikroskopie erfolgreich in die Rekonstruktion der vermessenen Magnetisierungsstruktur einzubeziehen.:Introduction 6 1 Contrast formation in Magnetic Force Microscopy (MFM) 9 1.1 Type of interactions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.1.1 Relevant interaction forces . . . . . . . . . . . . . . . . . . . . . . . 9 1.1.2 Magnetic interaction mechanisms . . . . . . . . . . . . . . . . . . . 11 1.2 Basic magnetostatics of the tip-sample system . . . . . . . . . . . . . . . . 12 1.2.1 General magnetostatic expressions . . . . . . . . . . . . . . . . . . . 12 1.2.2 Description of the tip sample system . . . . . . . . . . . . . . . . . 14 1.2.3 Magnetostatics in Fourier space . . . . . . . . . . . . . . . . . . . . 15 2 Instrumentation 20 2.1 Scanning Force Microscopy (SFM) . . . . . . . . . . . . . . . . . . . . . . . 20 2.1.1 Measurement principle and operation modes . . . . . . . . . . . . . 20 2.1.2 Dynamic mode SFM . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.2 Lift mode MFM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.3 Non-contact MFM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.4 Vibrating Sample Magnetometry . . . . . . . . . . . . . . . . . . . . . . . 26 3 Quantitative Magnetic Force Microscopy 28 3.1 The challenge of MFM image inversion . . . . . . . . . . . . . . . . . . . . 28 3.1.1 Description of the problem and state of the art . . . . . . . . . . . 28 3.1.2 The point probe approximations . . . . . . . . . . . . . . . . . . . . 31 3.1.3 The transfer function approach . . . . . . . . . . . . . . . . . . . . 33 3.2 Tip calibration: Adapted Wiener deconvolution . . . . . . . . . . . . . . . 39 3.2.1 Details of the procedure . . . . . . . . . . . . . . . . . . . . . . . . 39 3.2.2 Evaluation of possible errors . . . . . . . . . . . . . . . . . . . . . . 44 3.3 Noise measurements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.4 MFM probes and their specific characteristics . . . . . . . . . . . . . . . . 49 3.5 Calibration samples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54 3.6 Detection of tip-sample modification . . . . . . . . . . . . . . . . . . . . . 55 4 Quantitative MFM with iron filled carbon nanotube sensors (Fe-CNT) 56 4.1 The monopole character of Fe-CNT sensors . . . . . . . . . . . . . . . . . . 57 4.1.1 Calibration within the point probe approximation . . . . . . . . . . 57 4.1.2 Calibration results and discussion . . . . . . . . . . . . . . . . . . . 59 4.1.3 Quantitative MFM on a [Co/Pt]/Co/Ru multilayer . . . . . . . . . 62 4.2 Inplane sensitive MFM with Fe-CNT sensors . . . . . . . . . . . . . . . . . 63 4.2.1 Bimodal MFM technique . . . . . . . . . . . . . . . . . . . . . . . . 63 4.2.2 Comparison between calculated and measured in-plane contrast . . 66 5 Quantification of magnetic nanoobjects in MFM measurements 70 5.1 Bubble domains in a [Co/Pd]80 multilayer . . . . . . . . . . . . . . . . . . 71 5.1.1 Micromagnetic model . . . . . . . . . . . . . . . . . . . . . . . . . . 72 5.1.2 MFM image simulation . . . . . . . . . . . . . . . . . . . . . . . . . 72 5.1.3 Results and discussion . . . . . . . . . . . . . . . . . . . . . . . . . 74 5.2 Quantitative assessment of the magnetic penetration depth in superconductors 78 5.2.1 Comparison of methods . . . . . . . . . . . . . . . . . . . . . . . . 79 5.2.2 Experimental determination of the temperature dependent penetration depth in a BaFe2(As0:24P0:76)2 single crystal . . . . . . . . . . . 83 6 Magnetization studies of CoFe nanowire arrays on a local and global scale 87 6.1 Revisiting the estimation of demagnetizing fields in magnetic nanowire arrays 88 6.1.1 Available approaches . . . . . . . . . . . . . . . . . . . . . . . . . . 88 6.1.2 Calculation of demagnetizing fields in nanowire arrays . . . . . . . . 91 6.2 Micromagnetic Simulations . . . . . . . . . . . . . . . . . . . . . . . . . . . 99 6.3 Combination of demagnetizing field calculations and micromagnetic simulation100 6.4 Experimental details . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102 6.5 Global hysteresis measurements of CoFe nanowire arrays with varying length 104 6.6 Local magnetic characterization of a CoFe nanowire array by quantitative MFM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107 6.6.1 Magnetic structure of individual nanowires . . . . . . . . . . . . . . 107 6.6.2 Magnetization reversal of the nanowire array . . . . . . . . . . . . . 110 6.7 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117 Conclusions and Outlook 119 Bibliography 121 Acknowledgements 135