Bildanalys för doktorander
Image Analysis for PhD Students

FMA105F, 7,5 högskolepoäng

Gäller från och med: Höstterminen 2013
Beslutad av: FN1/Anders Gustafsson
Datum för fastställande: 2014-04-22

Allmänna uppgifter

Avdelning: Matematik (LTH)
Kurstyp: Ren forskarutbildningskurs
Undervisningsspråk: Engelska

Syfte

Kursens huvudsyfte är att ge en grundläggande introduktion till teori och matematiska metoder inom bildanalys, i tillräcklig omfattning för att a ta sig an forskningsanknutna och industriella bildbehandlingsproblem. Vidare är syftet att få doktoranden att utveckla sin förmåga till problemlösning, både med och utan dator. Ett ytterligare syfte är att förbereda studenten för fortsatta studier i t ex datorseende, multispektral bildanalys och statistisk bildanalys.

Mål

Kunskap och förståelse

För godkänd kurs skall doktoranden

• kunna tydligt förklara och självständigt använda matematiska grundbegrepp inom bildanalys, speciellt med avseende på transformteori (både i rums- och frekvensplanet), bildförbättringsmetoder, komprimering och mönsterigenkänning.
• kunna beskriva och översiktligt förklara den matematiska teorin bakom några centrala bildbehandlingsalgoritmer (såväl deterministiska som stokastiska).
• ha förståelse för de statistiska principerna som ligger till grund för maskininlärning

Färdighet och förmåga

För godkänd kurs skall doktoranden

• på ett ingenjörsmässigt sätt kunna använda programpaket på dator för att lösa bildanalysproblem.
• kunna visa god förmåga att självständigt identifiera problem som kan lösas med bildtekniker samt kunna välja lämplig metod.
• kunna självständigt applicera grundläggande bildtekniker på industriellt och forskningsmässigt relevanta bildbehandlingsproblem.
• med adekvat terminologi, väl strukturerat och logiskt sammanhängande kunna redogöra för lösningen till ett bildanalysproblem.

Kursinnehåll

Matematiska grundbegrepp: Bildtransformer, DFT, FFT. Bildförbättring: Grånivåtransformer, filtreringar. Bildrestaurering: Filtreringar, inversa metoder. Skalrumsteori: Kontinuerlig-diskret teori, interpolation. Särdragsextraktion: Filtreringar, kant- och hörndetektion. Segmentering: Graf-metoder, aktiva konturer, matematisk morfologi. Registrering Maskininlärning: Inlärning, prövning, generalisering, hypotesrum

Kurslitteratur

Szeliski, R.: Computer Vision: Algorithms and Applications. Springer, 2010. ISBN 9781848829343.
Det är möjligt att klara kursen utan att köpa boken, med användning av material på kurshemsidan.

Kursens undervisningsformer

Undervisningsformer: Föreläsningar, projekt

Kursens examination

Examinationsformer: Skriftlig rapport, seminarieföredrag av deltagarna
Betygsskala: Underkänd, godkänd
Examinator:

Antagningsuppgifter

Förutsatta förkunskaper: Linjär algebra and analys i en och flera variabler. Högt uppövade färdigheter i att genomföra experiment, bedriva arbete i projektform och i att programmera.

Kurstillfällesinformation

Kontaktinformation och övrigt

Kursansvariga:
Hemsida: http://www.maths.lu.se/english/phd-studies/