Modulhandbuch

Medizintechnik (MTM)

Bildverarbeitung und Maschinelles Sehen

Empfohlene Vorkenntnisse
  • sehr gute Kenntnisse der MATLAB-Skriptsprache, bestenfalls Kenntnisse in einer prozeduralen oder objektorientierten Programmiersprache wie C++, Java oder Python
  • Grundkenntnisse im Bereich Algorithmen und Datenstrukturen
  • Grundlagen der Linaren Algebra und Analytischen Geometrie
Lehrform Vorlesung/Seminar/Labor
Lernziele / Kompetenzen

Nach erfolgreichem Besuch dieses Moduls

  • verfügen die Studierenden über eine mentale Landkarte der zwei- und dreidimensionalen Bildverarbeitung,
  • haben die Studierenden gelernt, die Prinzipien der Linearen Algebra und Analytischen Geometrie gewinnbringend auf Problemstellung der dreidimensionalen Bildverarbeitung anzuwenden,
  • sind die Studierenden in der Lage, stereoskopische Bildverarbeitungssysteme zu implementieren.

 

Dauer 2
SWS 6.0
Aufwand
Lehrveranstaltung 90h
Selbststudium / Gruppenarbeit: 150h
Workload 240h
ECTS 8.0
Voraussetzungen für die Vergabe von LP

Referat (RE) + Laborarbeit (LA) + zwei Klausuren (K60)

Leistungspunkte Noten

8 ECTS

Modulverantwortlicher

Prof. Dr.-Ing. Harald Hoppe

Empf. Semester 1-2
Haeufigkeit jedes Jahr (SS)
Verwendbarkeit

Master Medizintechnik

Veranstaltungen

Dreidimensionale Bildverarbeitung

Art Vorlesung/Seminar
Nr. EMI2230
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

Maschinelles Sehen mit Labor

Art Vorlesung/Labor
Nr. EMI2247
SWS 4.0
Lerninhalt

Lerninhalte Vorlesung:

Merkmalsbasierte Verfahren:

  • Merkmalsdetektoren und Merkmalsdeskriptoren
  • SIFT-Detektor und -Deskriptor

Bildtransformationen:

  • Affine und projektive Transformationen
  • Robuste Transformationsschätzung (RANSAC)

Elastischer BIldvergleich

  • Optischer Fluss und visuelle Odometrie (Lucas-Kanade, Horn-Schunck)

Maschinelles Lernen in der Bildverarbeitung

  • Clustering/Segmentierung: k-means, SLIC Superpixel, spektrale Methoden
  • 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

Lerninhalte Labor:

  1. Maschinelles Sehen in Matlab
  2. Bildmosaik: Bildtransformationen und skaleninvariante Merkmalsdetektoren
  3. Visuelle Odometrie: Berührungslose Geschwindigkeitsbestimmung in Videosequenzen
  4. Deep Learning: Objektklassifikation und -detektion
  5. 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/