At give kendskab til avancerede statistiske metoder og modeller til analyse af billeddata, og give kompetence til at anvende disse teknikker på konkrete problemstillinger. At give deltagerne den erkendelse, at anvendelsen af en passende statistisk model kan fremdrage sammenhænge, der ikke er umiddelbart tilgængelige i billeddata. At forberede den studerende til at skrive eksamensprojekt i Billedanalyse.
Læringsmål:
En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:
Implementere relativt avanceret billedbehandlings algoritmer i MatLab.
Vurdere om resultatet af en implementeret billedbehandlings algoritme er rigtigt, samt om den give de ønskede resultat.
Motivere og identificere de bagvedliggende antagelser bag billedanalyse metoder og algoritmer.
Anvende Baysianske metoder på billedanalyse problemer.
Anvende skala rums teknikker, samt vide hvorfor disse skal anvendes.
Udføre spatiel interpolation af data.
Anvende deformerbare modeller, samt estimere disse fra data.
Anvende Markov Random Field Modeller.
Anvende billedgeometriske teknikker til at løse billedbehandlings problemer.
Opstille samt anvende metoder til registrering af billeder.
Kursusindhold:
Bayesiansk billedanalyse, regularisering, Markov felter, segmentering og klassifikation, deformerbare formmodeller, geostatistiske modeller, ortogonale transformationer, computer vision. Emnerne med applikationer belyses ved forelæsninger og de indlærte metoder afprøves ved databar øvelser i Matlab. I slutningen af semesteret udføres et mindre individuelt projekt indenfor kursets emne. Projekterne præsenteres som postere ved DTUs visiondage (http://www.visiondag.dtu.dk/).
