Elektrotechnik / Informationstechnik Master

Mit den Schwerpunkten Automatisierungstechnik & Elektromobilität bzw. Embedded Systems & Kommunikationstechnik für top Jobchancen
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.

Lernziele, Ergänzungen:

  • haben die Studierenden merkmalsbasierte Methoden des maschinellen Sehens kennengelernt
  • sind die Studierenden in der Lage verschiedene Algorithmen des elastischen Bildvergleichs zu implementieren
  • verfügen die Studierenden über die Fähigkeit tiefe neuronale Netze in Bildverarbeitungsaufgaben auszuwählen und einzusetzen
Dauer 1
SWS 6.0
Aufwand
Lehrveranstaltung 90h
Selbststudium / Gruppenarbeit: 120h
Workload 210h
ECTS 7.0
Voraussetzungen für die Vergabe von LP

Maschinelles Sehen mit Labor: LA + K60 (1/2). Dreidimensionale Bildverarbeitung: RE + K60 (1/2). Das unbenotete Labor (LA) bzw. das unbenotete Referat (RE) ist Voraussetzung für die Zulassung zur Klausur (K60).  
Modulverantwortlicher

Prof. Dr. Hensel
Empf. Semester 1-2
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

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/
←  Zurück