At give kendskab til avancerede 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 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 eller Python.
• 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/neurale netværk på billedanalyseproblemer.
• Anvende skalarumsteknikker, samt vide hvorfor disse skal anvendes.
• Anvende feature baserede metoder til at løse billedeanalyseproblemer.
• Anvende deformerbare modeller, samt estimere disse fra data.
• Anvende Markov Random Field modeller.

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 Python, og anvende dem på løsning af praktiske billedanalyseproblemer indenfor følgende emner: Detektion af billedfeatures, skalarumsmodeller, teksturkarakterisering og -modellering, Markov-modeller, neurale netværk, formmodeller og andre lignende metoder. Den studerende bliver i stand til at identificere metoder til at løse billedanalyseproblemer, opstille testscenarier til at implementere og verificere billedanalysemetoder, samt at gennemføre og afrapportere kvantitative analyser. 29. april, 2022