Die LV umfasst folgende Lerninhalte:

Klassische Methoden:

• Bildentstehung und Digitalisierung
• Filter im Ortsraum und Frequenzraum
• Merkmalsdetektoren, z.B. Kanten, Konturen, Kurven
• Morphologische Operationen und Geometrische Transformationen
• Segmentierung, z.B. Schwellenwert-basierte Methoden, Clustering-basierte Methoden, Graph-basierte Methoden

Deep Learning basierte Methoden:

• Semantische Segmentierung, z.B. FCN, U-Net, DeepLab
• Objekterkennung (einstufige und zweistufige Ansätze), z.B. R-CNN, Retina, YOLO
• Optischer Fluss, z.B. Lucas-Kanade, Horn-Schunck, FlowNet
• 3DDeep Learning: Occupancy Network, 3D NeRF
• Vision Transformer: Attention

• 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

Vertiefung der Lerninhalte aus der Vorlesung durch praktische Übungen in den Bereichen

• Bildmosaik: Histogramm, Filterung, Merkmalsdetektoren, BildtransformationenSegmentierung: Otsu's
  Methode, k-means in der farbbasierten Segmentierung
• Deep Learning Grundlage: Keras, Tensorflow als Standardtool
• Semantische Segmentierung, z.B. U-Net
• Objektklassifikation, z.B.VGG, ResNet
• Objekterkennung, z.B. R-CNN oder YOLO
• Optischer Fluss: Lucas-Kanade Methode

Burger, Wilhelm; Burge, Mark J. (2022): Digital Image Processing: An algorithmic introduction. 3rd ed., Springer.

Gonzalez, Rafael C.; Woods, Richard E. (2017): Digital Image Processing. 4th ed., Pearson.

Szeliski, Richard (2011): Computer Vision: Algorithms and Applications. Springer.

Courville, Aaron;  Goodfellow, Ian; Bengio, Joshua (2016): Deep Learning. MIT Press.