Faglig innhold

Emnet består av en halvdel med bildesyntese (datagrafikk) og en halvdel med bildeanalyse (bildebehandling). Grafikk: grafiske primitiver, rasterisering, anti-aliasing, klipping, geometriske transformasjoner, betrakningstransformasjoner, hierarkisk modellering av scener, eliminering av ikke synlige objekter og flater, fargerepresentasjon, belysningsmodeller og algoritmer. OpenGL lab basert på C/C++ eller Rust. Bildebehandling: introduksjon til og eksempler på anvendelser av bildebehandling og enkel bildeanalyse. Intro til dyp lærings basert bilde-tolkning og forståelse (fullt sammenkoblede nevrale nettverk og CNNs). Filtrering og bildeforbedring i både det romlige bilde domene og i frekvens / Fourier domene. Ulike former for bilde segmentering og matematisk morfologi. Lab med praktiske øvinger i Python. For mer informasjon se også: https://www.idi.ntnu.no/grupper/vis/teaching/ og emnet på Canvas.

Læringsutbytte

Kunnskaper: Kandidaten vil tilegne seg kunnskaper om prinsipper og algoritmer i grunnleggende bildesyntese og bildeanalyse. Ferdigheter: Kandidaten vil tilegne seg ferdigheter i grafikkprogrammering og programmering i bildebehandling med verktøy som er i vanlig bruk. Generell kompetanse: Kandidaten vil få kompetanse til å realisere potensialet som ligger i teknikker for grunnleggende grafikk og bildebehandling. Kandidaten vil sitte igjen med en oversikt over feltet visuell databehandling og ha evnen til å bygge betydelige anvendelser innen visuell databehandling og til å utvide sine kunnskaper på feltet.

Læringsformer og aktiviteter

Forelesninger og øvinger.

Øvinger i koding og dokumentasjonen relatert til koding skal være utført av studentene selv (ingen KI-verktøy).

Forelesninger og eksamen vil være på engelsk.

Studenter kan fritt velge å svare på norsk eller engelsk i skriftlige vurderinger.

Anbefalte forkunnskaper

TDT4120 Algoritmer og datastrukturer og TMA4115 Matematikk 3 eller tilsvarende kunnskaper.

Kursmateriell

Oppgis ved semesterstart.

Studiepoengreduksjon