Elektrotechnik / Informationstechnik Master

Neue Schwerpunkte ab Sommersemester 2024: Automatisierungstechnik & Elektromobilität sowie Embedded Systems & Kommunikationstechnik
Bewerben Studienberatung
EMI Department

Modulhandbuch

←  Zurück 

Bildverarbeitung

Empfohlene Vorkenntnisse

sehr gute Kenntnisse der MATLAB-Skriptsprache, bestenfalls Kenntnisse in einer prozeduralen oder objektorientierten Programmiersprache wie C++, Java oder PythonGrundkenntnisse im Bereich Algorithmen und DatenstrukturenGrundlagen 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 1
SWS 6.0
Aufwand
Lehrveranstaltung 90h
Selbststudium / Gruppenarbeit: 120h
Workload 210h
ECTS 7.0
Voraussetzungen für die 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
Modulverantwortlicher

Prof. Dr. Hensel
Empf. Semester 2
Haeufigkeit jedes Jahr (SS)
Verwendbarkeit

Master-Studiengang Medizintechnik, Master-Studiengang Mechatronik und Robotik (MMR)
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

Digitale Bildverarbeitung mit Labor

Art Vorlesung/Labor
Nr. EMI2229
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