34269 Computational billedbehandling og spektroskopi

2024/2025

Kursusinformation
Computational imaging and spectroscopy
Engelsk
5
Kandidat
Kurset udbydes som enkeltfag
Retningsspecifikt kursus (MSc), Earth and Space Physics Engineering
Retningsspecifikt kursus (MSc), Engineering Physics
Teknologisk specialisering (MSc), Engineering Physics
Juli
Campus Lyngby
Forelæsninger og øvelse, projekt
3-uger
Aftales med underviser
Mundtlig eksamen og bedømmelse af rapport(er)
Individuelt eller gruppe projekt - bedømmelse af rapport og mundtlig præsentation.
Alle hjælpemidler - med adgang til internettet
7-trins skala , intern bedømmelse
Kendskab til Matlab eller Python programmering
Thierry Silvio Claude Soreze , Risø Campus, Bygning 108, Tlf. (+45) 4677 4543 , tsor@dtu.dk
Claire Sophie Mantel , Lyngby Campus, Bygning 343, Tlf. (+45) 4525 3628 , clma@dtu.dk
Søren Otto Forchhammer , Lyngby Campus, Bygning 343, Tlf. (+45) 4525 3622 , sofo@dtu.dk
34 Institut for Elektroteknologi og Fotonik
I studieplanlæggeren
Dette kursus giver den studerende en mulighed for at lave eller forberede et projekt som kan deltage i DTUs studenterkonference om bæredygtighed, klimateknologi og miljø (GRØN DYST). Se mere på http://www.groendyst.dtu.dk
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