Overordnede kursusmål
Målet er at præsentere matematiske og numeriske metoder til at
forene optik og billedbehandling. Kurset vil dække applikationer
f.eks. i optik, hyperspektrale billeder, spektroskopi, medicinsk
billedanalyse, eller computer vision og mønstergenkendelse.
Undervisningen er opdelt i teori, øvelser og projekter, så de
studerende kan få praktisk erfaring med de underviste metoder.
Læringsmål
En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:
- Bruge harmonisk analyse og compressed sensing på billeder
- Designe digitale billeddannelsessystemer og algoritmer
- Analysere og bearbejde signaler fra kameraer og optiske
sensorer
- Anvende metoder baseret på inverse problemer og lineær
optimering på billeder
- Gendanne, analysere og bearbejde spektral data fra optiske
sensorer eller billeder
- Gendanne og analysere fysiske scener fra optiske sensorer eller
digitale billeder
- Anvende deep learning og machine learning frameworks til at
løse digitale billeddannelsesproblemer
- Bearbejde og analysere hyperspektrale billeder med machine
learning metoder
Kursusindhold
Kurset præsenterer en række beregningsmetoder, klassiske og nye,
anvendt til at analysere digitale billeder. Det dækker for eksempel
gendannelse af data eller fysisk information fra sparsomme eller
kompakte målinger, rekonstruktion og gendannelse af billeder,
udførelse af automatiseret billedanalyse såsom ansigtsgenkendelse
eller AI-støttet medicinsk diagnose og design af avancerede
billeddannelsessystemer med applikationer i f.eks. spektroskopi.
Kurset består af fem dele:
1. Introduktion til digitale billeder
2. Sparse repræsentationer og billedgendannelse
3. Sceneanalyse og spektral billeddannelse
4. Introduktion til deep learning til digitale billeder
5. Digital spektroskopi og hyperspektral billedanalyse
Kurset fokuserer først på traditionel digital billedbehandling:
efter at have præsenteret de grundlæggende principper for
kolorimetri, dækkes de funktionelle principper for sensorenheder,
der bruges til billedoptagelse, og klassiske
billedbehandlingsværktøjer, såsom kernel filtrering. Derefter vil
avancerede harmoniske analysemetoder blive introduceret for at
udnytte den sparsomme natur af digitale billeder med applikationer
inden for billedgendannelse, tids- og frekvensanalyse og
komprimering. Derefter gives en oversigt over state of the art
billedgendannelsesmetoder, herunder sparsomme optimeringsmetoder,
numeriske metoder til inpainting og klassiske filterbaserede
tilgange til denoising. Spektral billeddannelse og fysisk
sceneanalyse vil derefter blive præsenteret. Derefter introduceres
deep learning metoder som en oversigt over koncepter og
arkitekturer til anvendelse på billedanalyse. Til sidst vil vi
behandle anvendelserne deep learning og sparsom optimering til
billeddannelsesspektroskopi og hyperspektral billeddannelsesanalyse
med fokus på medicinsk billeddannelse.
Sidst opdateret
02. maj, 2024