Engelska

Varje hösttermin

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.

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

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

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.

Föreläsningar

Laborationer

övningar

Inlämningsuppgifter

Underkänd, godkänd

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.

FMA171F

 -01-31

FN1/Anders Gustafsson