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. En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:

• Implementere avancerede billedbehandlingsalgoritmer i Matlab.
• Vurdere om resultatet af en implementeret billedbehandlingsalgoritme er rigtigt, samt om den giver det ønskede resultat.
• Motivere og identificere de bagvedliggende antagelser bag billedanalysemetoder og algoritmer.
• Anvende machine learning metoder på billedanalyseproblemer.
• Anvende skalarumsteknikker, samt vide hvorfor disse skal anvendes.
• Anvende teksturanalyse til at løse billedeanalyseproblemer.
• Anvende deformerbare modeller, samt estimere disse fra data.
• Anvende Markov Random Field modeller.
• Anvende spektrale teknikker til at løse billedbehandlingsproblemer.

Kurset giver en introduktion til avancerede emner indenfor billedanalyse, og der lægges vægt på en grundlæggende forståelse af billedanalyseteknikkerne. Derfor lægger øvelserne op til at implementere algoritmerne i Matlab eller lignenden programmeringssprog, og anvende dem på løsning af praktiske billedanalyseproblemer indenfor følgende emner: Detektion af billedfeatures, skalarumsmodeller, teksturkarakterisering og -modellering, klassifikationsmodeller, Markov-modeller, spektrale modeller, optisk flowmodeller, neurale netværk, variationelle modeller og formmodeller. Kurset inkluderer peer grading af andre studerendes rapporter. 04. maj, 2017