Modulhandbuch

Bildverarbeitung

Empf. Vorkenntnisse

Mathematik I und II

Lehrform Vorlesung/Labor
Lernziele
  • Neuere Konzepte der Digitalen Bildverarbeitung kennenlernen
  • Anwendbarkeit der digitalen Bildverarbeitung auf technische Problemstellungen einschätzen können
  • Bildverarbeitungsalgorithmen selbst implementieren können
  • Bildverarbeitungsalgorithmen und die visuelle Darstellung der digitalen Bilder in Anwendungen integrieren können
Dauer 1 Semester
SWS 6.0
Aufwand
  • Lehrveranstaltung:90 h
  • Selbststudium/
    Gruppenarbeit:120 h

  • Workload:210 h
Leistungspunkte und Noten

7 CP

ECTS 7.0
Voraussetzungen für Vergabe von LP

Digitale Bildverarbeitung: Klausur (K60), Gewicht: 0,5

Zulassung zur Klausur: Erfolgreiche Laborteilnahme

Dreimidemsionale Bildverarbeitung:  Klausur (K60), Gewicht: 0,5 - Zulassungsvoraussetzung für Klausur: unbenotetes Referat

Modulverantw.

Prof. Dr. Hensel

Max. Teilnehmer 0
Häufigkeit jedes Jahr (SS)
Verwendbarkeit

Master-Studiengang EIM; Vertiefungsmodul

Veranstaltungen Dreidimensionale Bildverarbeitung
Art Vorlesung/Seminar
Nr. E+I2230
SWS 2.0
Lerninhalt
  • Analytische Geometrie zur Beschreibung des dreidimensionalen Raums, insbesondere rigide Transformationen und homogene Koordinaten
  • Quaternionen
  • OpenGL-Transformationen
  • Stereoskopie und Photogrammetrie: Kamera-Kalibrierung, Epipolargeometrie, Rektifizierung
  • Landmarken, oberflächen- und voxelbasierte Algorithmen zur Registrierung dreidimensionaler Bilddatensätze
  • Pixel-, voxel- und kantenbasierte Segmentieralgorithmen
  • Anwendung von Voronoi-Diagrammen und Delaunay-Triangulation in der dreidimensionalen Oberflächenrekonstruktion
  • Oberflächen- und Volumen-Rendering
  • Hough-Transformation, Distanz-Transformation
  • Wavelets
  • Splines
  • Ausgewählte Algorithmen der dreidimensionalen Bildverarbeitung (Marching Cubes Algorithmus und andere)

 

Literatur

Handels, H., Medizinische Bildverarbeitung - Bildanalyse, Mustererkennung und Visualisierung für die computergestützte ärztliche Diagnostik und Therapie, Vieweg+Teubner Verlag, 2. überarbeitete und erweiterte Auflage, 2009

Schreer, O., Stereoanalyse und Bildsynthese, Springer, 2005

Jähne, B., Digitale Bildverarbeitung, Springer, 7. neu bearbeitete Auflage, 2012

Gonzalez, R. C., Woods, R. E., Digital Image Processing, Addison Wesley, 3rd International edition, 2008

Dougherty, G., Digital Image Processing for Medical Applications, Springer, 2011

Demant, C., Streicher-Abel, B., Springhoff, A., Industrielle Bildverarbeitung, Springer, 3. Auflage, 2011

Digitale Bildverarbeitung mit Labor
Art Vorlesung/Labor
Nr. E+I2229
SWS 4.0
Lerninhalt

Vorlesung:
Bildmerkmale:

  • Ecken
  • Merkmalsdetektoren
  • Merkmalsdeskriptoren

Bildtransformationen:

  • Homogene Koordinaten
  • Affine und projektive Transformationen
  • Robuste Transformationsschätzung (RANSAC)

Elastischer BIldvergleich

  • Visuelle Odometrie und optischer Fluss nach Lucas-Kanade

Maschinelles Lernen in der Bildverarbeitung

  • Clustering/Segmentierung: k-means
  • Klassifikation Support-Vector-Machines

Deep Learning im maschinellen Sehen

  • Grundlagen tiefer neuronaler Netze in der Bildverarbeitung (convolutional neural networks CNNs)
  • Training und Trainingsdatensatzgewinnung
  • Objektklassifikation mit neuronalen Netzen
  • Objektdetektion und Segmentierung mit neuronalen Netzen


Labor:

  • Maschinelles Sehen mit Matlab
  • Merkmalsdetektoren: Robuste Linienerkennung mit der Houghtransformation
  • Bildmosaik: Bildtransformationen und skaleninvariante Merkmalsdetektoren
  • Visuelle Odometrie: Berührungslose Geschwindigkeitsbestimmung in Videosequenzen
  • Deep Learning: Objektklassifikation und -detektion
  • Deep Learning: Keras, Tensorflow und pythonbasierte Open-Source Verwendung
Literatur
  • Szeliski, R., Computer Vision: Algorithms and Applications; Springer, 2011, online pdf version: http://szeliski.org/Book/
  • Burger, Burge, Digital Image Processing - An algorithmic introduction, 3rd ed. Springer, 2015
  • Gonzalez, Digital Image Processing, 4th ed., Pearson, 2017
  • Goodfellow, Bengio, Courville, Deep Learning, MIT Press 2016, onlineversion: http://www.deeplearningbook.org/

← Zurück Speichern als Docx