IE303512 - Bildeanalyse

Om emnet

Vurderingsordning

Vurderingsordning: Muntlig eksamen
Karakter: Bokstavkarakterer

Vurderingsform Vekting Varighet Hjelpemidler Delkarakter
Muntlig eksamen 100/100 30 minutter F

Faglig innhold

Bildeanalyse: Foldingsmasker, ROI (Region Of Intrest), aritmetriske og logiske operasjonar, romleg filtrering lineær og ulineær.

Bineær bildeanalyse: Terskling, konnektivitet, labeling algoritme, objekt egenskapar (areal, centroide, eulertal etc.).

Kantdeteksjon: Gradient operatorar (sobel, robert, prewitt), kompassmasker, LoG (Laplace of Gaussian), Hough Transformasjonen.

Segmentering: Oppdeling og sammensmelting (Split and merge), vannbasseng transformasjonen (Watershed transform).

Morfologisk filtrering: Strukturelement, erosjon, groing, åpning, lukking,fortynning,etc.

Fourier Transformasjon: FFT tolking av bilder.

Objekt egenskapar (Feature Extraction): RST- invariant (rotasjon, storleik, translasjon), histogramtype (middelverdi, standardavvik, skjevheit, energi, entropi), formtype (momentbaserte), spektraltype ( sektor og ring basert effekt), texturtype ( basert på co-occurance matrix og law¿s textur masker).

Objekt gjennkjenning: Objekt beskrivelse (descriptor), formbasert (Fourier descriptor, kjedekode), regionbasert (moment, areal, omkrets, etc.)

Mønstergjennkjenning: Spredninsdiagram, skalering, avstandsmål,minimum distanse klassifiserer, k-næraste nabo, optimale statistiske klassifiserer (Bayes),treningsset, testset, læringskurver, feilklassifisering, forvirringsmatrise.

Geometriske transformasjonar: Transformasjons matriser. Transformasjonstypar (affine, projektive), knytningspunkt.

Fargebilder: Fargemodellar (RGB,HSI,HSV,Lab), fargeplan, pseudofargar, segmentering basert på fargar.

Belysning: Lyssettingens funksjon:( kontrast,skygge, struktur, gjennskinn, kanter).

Lystyper: (LED, IR, polarisasjon). Lysoppsetting: (Frontlys, underlys, sidelys)

Restaurering og rekonstruksjon: Degradering: Bevegelse, linsefeil, CCD matrise. Inversfilter. Wienerfilter.

Kamera kalibrering: Kamera modell.

Stereosyn: Stereomatching (SAD,SSD,NCC), disparity map.

Læringsutbytte

Læringsutbytte - Kunnskap:

teknikker for prosessering av bilder

metoder for segmentering av bilder

karakterisering av objekter

metoder for klassifisering

   

Læringsutbytte - Ferdigheter:

ha ferdigheter i Blob (Binary Large OBject) analyse

kunne velge relevante størrelser for identifisering av objekt

kunne identifisere, gjenkjenne og klassifisere objekt med dataverktøy

   

Læringsutbytte - Kompetanse:

metoder for bildeanalyse, objekt- gjenkjenning og klassifisering

de ulike elementer som inngår i et Machine Vision system

Læringsformer og aktiviteter

Pedagogiske metoder:

Forelesning, dataøvinger og miniprosjekt (varighet 4 veker)Dataøvinger basert på Matlab.    

Obligatoriske arbeidskrav:

8 dataøvinger. 80% av dataøvingene må vere godkjent. Disse skal leveres i rett tid og plasseres i mapper.

Obligatoriske aktiviteter

  • Obligatorisk arbeidskrav

Mer om vurdering

Muntlig eksamen basert på mappe og prosjekt.

Spesielle vilkår

Vurderingsmelding krever godkjent undervisningsmelding samme semester. Obligatorisk aktivitet fra tidligere semester kan godkjennes av instituttet.

Krever opptak til studieprogram:
Automatiseringsteknikk (017AU)
Dataingeniør (004DA)

Kursmateriell

Obligatorisk:

Scott E Umbaugh: Digital Image Processing and Analysis., CRC Press (2011), ISBN: 978- 1- 4398- 0205- 2

Eksamensinfo

Vurderingsordning: Muntlig eksamen

Termin Statuskode Vurderingsform Vekting Hjelpemidler Dato Tid Rom *
Høst ORD Muntlig eksamen 100/100 F 08.12.2017 A434 , A433
  • * Skriftlig eksamen plasseres på rom 3 dager før eksamensdato.
Hvis mer enn ett rom er oppgitt, finner du ditt rom på Studentweb.