DD2422 Bildbehandling och datorseende 6,0 hp

Översikt om mål och metoder för bildanalys och datorseende.

Orientering om biologiskt seende och visuell perception.

Grundläggande bildanalys: signalteoretiska metoder, filtrering, bildförbättring, bildrekonstruktion, segmentering, klassificering, representation.

Grundläggande datorseende: multiskalrepresentation, detektion av kanter och andra särdrag.

Egenskaper hos perspektivavbildningen.

Belysningsmodeller. Textur. Stereo. Rörelse.

Objektigenkänning.

Efter genomförd kurs ska du kunna:

• identifiera grundläggande begrepp, terminologi, teorier, modeller och metoder inom datorseende, bildanalys och bildbehandling
• beskriva hjärnans funktioner och principer bakom mänskligt seende
• utveckla och systematiskt testa ett antal grundläggande metoder inom datorseende, bildanalys och bildbehandling
• experimentellt utvärdera bildanalysalgoritmer och dokumentera resultat av experimentella undersökningar
• välja lämplig metod för att automatiskt bearbeta bildinformation relaterat till bildfiltrering, bildförbättring, bildrekonstruktion, segmentering, klassificering och representation
• redogöra för grundläggande metoder inom datorseende som multiskalrepresentation, detektion av kanter och andra särdrag, stereo, rörelse och objektigenkänning
• bygga en verktygslåda av olika bildbehandlings metoder som grånivatransformationer, filtreringsmetoder och detektion av särdrag
• föreslå en design av ett bildbehandling system som skulle kunna användas vid bearbetning av olika typer av videosekvenser

för att

• känna till grundläggande möjligheter och begränsningar för datorseende, bildanalys och bildbehandling och därmed kunna bedöma vilka problem inom t.ex. seende robotar, medicinsk och industriell bildbehandling, behandling av satellitbilder som kan lösas med dessa tekniker
• kunna implementera, analysera och utvärdera enkla system för automatisk bildanalys och datorseende
• ha en bred kunskapsbas för att kunna läsa och tillgodogöra sig litteratur inom området.

Väl inhämtade grundläggande kunskaper i tillämpad matematik och datalogi, motsvarande de obligatoriska kurserna i matematik, datalogi och numerisk analys på D-, E- eller F-programmet. Ytterligare någon kurs i signalbehandling och/eller numerisk analys kan rekommenderas. Kursen använder sig av förkunskaper över ett relativt brett spektrum av problemlösning i tillämpad matematik och datalogi.

R. C. Gonzalez and R. E. Woods: Digital Image Processing Prentice Hall, 2003.

När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.

• LAB1 - Laborationer, 3,0 hp, betygsskala: P, F
• TEN1 - Tentamen, 3,0 hp, betygsskala: A, B, C, D, E, FX, F

Examinator beslutar, baserat på rekommendation från KTH:s handläggare av stöd till studenter med funktionsnedsättning, om eventuell anpassad examination för studenter med dokumenterad, varaktig funktionsnedsättning.

Examinator får medge annan examinationsform vid omexamination av enstaka studenter.

Tentamen (TEN1; 3 hp).
Laborationsuppgifter (LAB1; 3 hp).

Stefan Carlsson

• Vid grupparbete har alla i gruppen ansvar för gruppens arbete.
• Vid examination ska varje student ärligt redovisa hjälp som erhållits och källor som använts.
• Vid muntlig examination ska varje student kunna redogöra för hela uppgiften och hela lösningen.

DD2427 Bildbaserad igenkänning och klassificering och DD2428 Datorgeometri och visualisering,