Bildanalys
Image Analysis

FMA171F, 7.5 högskolepoäng

Gäller från och med: Höstterminen 2013
Beslutad av: FN1/Anders Gustafsson
Datum för fastställande: 2014-01-31

Allmänna uppgifter

Avdelning: Matematik (LTH)
Kurstyp: Gemensam kurs, avancerad nivå och forskarnivå
Kursen ges även på avancerad nivå med kurskod: FMA170
Undervisningsspråk: Engelska

Syfte

Kursens syfte är att ge nödvändiga kunskaper i digital bildanalys för fortsatt forskning inom området samt för att kunna använda digital bildanalys inom andra forskningsområden, till exempel datorgrafik, bildkodning, videokodning och industriella bildbehandlingsproblem. Syftet är också 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 (diskret fouriertransform), FFT (snabb fouriertransform). Bildförbättring: Grånivåtransformer, filtreringar. Bildrestaurering: Filtreringar, inversa metoder. Skalrumsteori: Kontinuerlig-diskret teori, interpolation. Särdragsextraktion: Filtreringar, kant- och hörndetektion. Segmentering: Graf-metoder, aktiva konturer, matematisk morfologi. Bayesiansk bildbehandling: MAP(maximum aposteriori)-skattningar, simulering. Mönsterigenkänning: Klassificering, SVM (support vector machines), PCA (principalkomponentanalys), inlärning. 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, laborationer, övningar

Kursens examination

Examinationsform: Inlämningsuppgifter
Betygsskala: Underkänd, godkänd
Examinator:

Antagningsuppgifter

Kurstillfällesinformation

Kontaktinformation och övrigt

Kursansvarig: Karl Åström <karl.astrom@math.lth.se>