Communication and Media Engineering

Bewerbung
Fakultät EMI

Modulhandbuch

←  Zurück 

Digital Image Processing

Empfohlene Vorkenntnisse

Linear Algebra
Lehrform Vorlesung/Labor
Lernziele / Kompetenzen

Target skills:

The student will gain an overview on established and modern image processing techniques. The course provides tools, methods, models and techniques for the following topics: image formation, optics, imagers, color, image segmentation, image analysis, image features, image alignment, estimation in computer vision, programming and deep learning.

 

Competences:

The student will understand basic problems in image processing and machine vision, e.g. image segmentation, feature detection, image matching or estimation problems in alignment.

He/she will know methods, algorithms and common techniques to solve the above mentioned problems.

The student will be able to computationally apply the methods on given low-level and higher-level image processing tasks in real world computer vision problems.

 
Dauer 1
SWS 4.0
Aufwand
Lehrveranstaltung 60 h
Selbststudium / Gruppenarbeit: 60 h
Workload 120 h
ECTS 4.0
Voraussetzungen für die Vergabe von LP

Computer Vision with Lab

Written exam K60+Lab

Das unbenotete Labor ist Voraussetzung für die Zulassung zur Klausur K60.
Leistungspunkte Noten

4 CP, grades 1 ... 5
Modulverantwortlicher

Prof. Dr.-Ing. Stefan Hensel
Empf. Semester 2
Haeufigkeit jedes 2. Semester
Verwendbarkeit

Master-Studiengang CME
Veranstaltungen

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