Kursplan för |
|
| SSY096 - Bildanalys |
| |
| Kursplanen fastställd 2015-02-11 av programansvarig (eller motsvarande) |
| Ägare: MPBME |
|
|
7,5 Poäng |
| Betygskala: TH - Fem, Fyra, Tre, Underkänt |
| Utbildningsnivå: Avancerad nivå |
|
Huvudområde: Bioteknik, Elektroteknik
|
|
Institution: 32 - ELEKTROTEKNIK
|
Undervisningsspråk: Engelska
Sökbar för utbytesstudenter
Blockschema:
C
| Modul |
|
Poängfördelning |
|
Tentamensdatum |
|
Lp1 |
Lp2 |
Lp3 |
Lp4 |
Sommarkurs |
Ej Lp |
| 0114 |
Tentamen |
7,5 hp |
Betygskala: TH |
|
|
|
7,5 hp
|
|
|
|
|
19 Mar 2016 fm EKL, |
04 Apr 2016 em EKL, |
15 Aug 2016 em M |
I program
MPCOM KOMMUNIKATIONSSYSTEM, MASTERPROGRAM, Årskurs 1 (obligatoriskt valbar)
MPSYS SYSTEMTEKNIK, REGLERTEKNIK OCH MEKATRONIK, MASTERPROGRAM, Årskurs 1 (valbar)
MPBME MEDICINSK TEKNIK, MASTERPROGRAM, Årskurs 1 (obligatorisk)
Examinator:
Professor
Fredrik Kahl
Ersätter
ESS060
Bildanalys SSY095
Image analysis
Gå till kurshemsida
Behörighet:
För kurser på avancerad nivå gäller samma grundläggande och särskilda behörighetskrav som till det kursägande programmet. (När kursen är på avancerad nivå men ägs av ett grundnivåprogram gäller dock tillträdeskrav för avancerad nivå.)
Undantag från tillträdeskraven:
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.
Kursspecifika förkunskaper
En grundkurs i signaler och system (eller motsvarande), inklusive fouriertransform, linjär filterteori (impulssvar, överföringsfunktion, faltning, samplingsteoremet). Grundläggande kunskaper i sannolikhetslära.
Syfte
Det huvudsakliga syftet med kursen är att ge en introduktion till algoritmer och matematiska metoder som används inom bildanalys, i en omfattning som gör det möjligt för studenten att hantera industriella bildanalysproblem. Utöver det är ett syfte att hjälpa studenten att utveckla sin förmåga till problemlösning med och utan dator.
Lärandemål (efter fullgjord kurs ska studenten kunna)
Kunskap och förståelse
För godkänd kurs skall studenten
- Kunna förklara tydligt och självständigt använda, grundläggande matematiska begrepp inom bildanalys.
- Kunna beskriva och översiktligt förklara den matematiska teorin bakom några centrala bildanalysalgoritmer (såväl deterministiska och stokastiska).
- Ha förståelse för de statistiska principer som används i maskininlärning
Kompetenser och färdigheter
För godkänd kurs skall studenten
- På ett ingenjörsmässigt sätt kunna använda datorpaket för att lösa problem i bildanalys.
- Visa god förmåga att självständigt identifiera problem som kan lösas med metoder från bildanalys, och kunna välja en lämplig metod.
- Självständigt kunna tillämpa grundläggande metoder inom bildanalys till problem som är relevanta i industriella tillämpningar eller forskning.
- Med adekvat terminologi, väl strukturerat och logiskt sammanhängande kunna redogöra för lösningen till ett problem inom bildanalys.
Innehåll
Grundläggande bildanalysverktyg: Filtrering, morfologi, skalrumsteori.
Särdragsextraktion: Blob, kant och hörndetektion.
Bild-likhet: Korrelation, mutual information och SIFT-deskriptorn.
Bildregistrering: Robust modellskattning, RANSAC, intensitet-baserade metoder.
Grunderna i datorseende: kamerageometri, epipolargeometri och rörelseskattning
Segmentering: tröskling, multi-atlas-segmentering och graf-metoder.
Maskininlärningsmetoder för klassificering: Närmaste granne, SVM, slumpskogar och neurala nätverk (av faltningstyp).
Formmodeller.
Användningsområden: Datorstödd diagnostik (segmentering, bildregistrering, klassificering), robotseende (rörelseskattning, objekt- och scen-igenkänning) och bildsök.
Organisation
Kursen består av ett antal föreläsningar (inklusive gästföreläsningar som ges av industrin eller forskare och visar upp praktiska tillämpningar av bildanalys). Dessutom finns det ett antal övningstillfällen, fyra laborationer och ett projekt. Projektet utförs i grupper om 1-3 personer och avslutas med inlämning av en skriftlig rapport som förklarar det aktuella bildanalysproblemet, en motivering av den valda teorin samt en beskrivning av algoritmer, resultat och slutsatser.
Litteratur
Szeliski, R.: Computer Vision, Algorithms and Applications. Springer, 2010, ISBN: 9781848829343. Det är möjligt att bli godkänd på kursen utan boken genom att använda det material som erbjuds på kurssidan.
Examination
Skriftlig tentamen med TH betygsskala, laborationer (godkänd/underkänd), och ett projektarbete (godkänd/underkänd).