Bildebehandling og maskinsyn (ELE510)

Bildebehandling blir brukt i et økende antall anvendelser i vårt dagligliv så vel som innen forskning. Bildebehandling brukes for medisinske bilder, radar-bilder, naturlige bilder, seismiske data etc. Bildebehandling brukes også i forbindelse med robotsyn. Derfor er kunnskap om klassisk bildebehandling viktig innen mange områder.

Bidrag fra både tradisjonell bildebehandling og datasyn (computer vision) brukes til å konstruere systemer for robotsyn/maskinsyn. Det er en hurtig utvikling innen dette området og anvendelser finnes både i industrien og innen forskning. Det finnes mange produkter som inneholder kamera og programvare for behandling av visuelle data.

Formålet med dette faget er å gi studenten en grunnleggende forståelse for bildebehandling og datasyn med eksempler på anvendelser.


Dette er emnebeskrivelsen for studieåret 2024-2025

Fakta

Emnekode

ELE510

Versjon

1

Vekting (stp)

10

Semester undervisningsstart

Høst

Antall semestre

1

Vurderingssemester

Høst

Undervisningsspråk

Engelsk

Innhold

Emnet består av en del tema fra bildebehandling og maskinsyn med følgende innhold:

Innledning til bildebehandling, representasjon av digitale bilder, farge, lys, geometriske og punkt transformasjoner, binær bildebehandling, romlig filtrering, frekvensdomene filtrering, fjerning av støy i bilder, kantdeteksjon og hjørnedeteksjon, bildesegmentering, egenskapsuttrekking, teksturegenskaper, bildedannelse, perspektiv projeksjon, geometrisk kameramodell, kalibrering av kamera, stereopsis, opptak med to kamera.

Til slutt noe om dype nevrale nett innen bildebehandling.

Læringsutbytte

Kunnskap:

Ved semesterets slutt skal en god student ha kunnskap om følgende tema:

  1. Representasjon av digitale bilder, inklusiv grunnleggende kunnskap om lys, skygge og farge.
  2. Lineær og ikke-lineær filtrering av bilder. Filtrering kan bli brukt til fjerning av støy, kant-deteksjon og analyse av bildeegenskaper.
  3. Trekke ut egenskaper i bilder, for eksempel tekstur-egenskaper og hjørner.
  4. Fjerning av støy («denoising») i bilder.
  5. Segmentering av bilder.
  6. Prinsippene for geometriske kamera-modeller.
  7. Avbildning ved bruk av flere kamera, spesielt stereo-syn.
  8. Kjenne til prinsippene for segmentering, gruppering og modellering I bildebehandling og maskinsyn.
  9. Kunne litt om bruk av dype nevrale nett innen bildebehandling

Ferdigheter:

Etter gjennomført stadium skal studenten ha fått ferdigheter i behandling og analyse av digitale bilder samt kunne konstruere enkle maskinsyn system. Studenten skal også kunne bruke python (lab gjenomføres i jupyter notebooks) og openCV for behandling og analyse av digitale bilder.

Generell kompetanse:

Etter å ha gjennomført dette emnet skal studenten ha en forståelse for grunnleggende bildebehandling og maskinsyn, der noen konsepter vil være på mer overordnet nivå og andre mer i detalj. Studenten skal ha en grunnleggende forståelse av anvendelsesmuligheter og evne å benytte metoder på nye anvendelser.

Forkunnskapskrav

Se avsnitt 'Anbefalt forkunnskapskrav'

Anbefalte forkunnskaper

For å kunne ta dette emnet forventes det at man har en bachelorgrad innen ingeniørfag eller teknologi. Det forventes at man har hatt et kurs i programmering da Python programmering må benyttes i obligatoriske innleveringer. Det forventes matematikk kunnskaper tilsvarende gjennomføring av et bachelor program innen ingeniørfag. Mer spesifikt, det forventes at man har kjennskap til lineær algebra med matriser og vektor regning, Fourier rekker og komplekse tall. Det er også forventet at man forstår og kan bruke begreper fra sannsynlighetsregning og statistiske metoder som for eksempel sannsynlighetstetthetsfunksjoner, forventningsverdier, varians og median.

Det er en fordel, men ikke et krav, å ha kjennskap til sampling og digitalisering av signaler, Fourier transform og diskrete Fourier transform.

Eksamen / vurdering

Vurderingsform Vekting Varighet Karakter Hjelpemiddel
Skriftlig eksamen 1/1 4 Timer Bokstavkarakterer

Skriftlig eksamen med penn og papir.

Vilkår for å gå opp til eksamen/vurdering

Laboratoriearbeid og obligatoriske øvinger

Obligatoriske oppgaver: Et sett av obligatoriske oppgaver må være godkjent.

Obligatoriske arbeidskrav (som innlevering, laboratorieoppgaver, prosjektoppgaver og lignende) skal være godkjent av faglærer innen angitt frist. Gjennomføring av obligatorisk lab skal gjøres til de tider og i de grupper som er oppsatt og publisert på Canvas. Fravær på grunn av sykdom eller av andre årsaker skal snarest mulig kommuniseres til laboratorieansvarlig. Det kan ikke påregnes å få gjennomføre lab utenom oppsatt tid hvis dette ikke er kommunisert og ny avtale gjort. Konsekvens av at du ikke har fått godkjent laboratoriearbeid er at du ikke får gå opp til eksamen i faget.

Fagperson(er)

Faglærer:

Kjersti Engan

Ansvarlig laboratorieøvelser:

Jorge Garcia Torres Fernandez

Emneansvarlig:

Kjersti Engan

Instituttleder:

Tom Ryen

Arbeidsformer

Forelesning: ordinært 4 timer pr. uke. Videoforelesninger og spørsmålstimer kan brukes i stedet for ordinære forelesninger for større eller mindre deler av materialet.

Øving og laboratoriearbeid med studentassistent tilstede: 2 timer pr. uke.

Overlapping

Emne Reduksjon (SP)
Bildebehandling (MIK170_1) 10

Åpent for

Datateknologi - master i teknologi/siv.ing. Industriell økonomi - master i teknologi/siv.ing. Robotteknologi og signalbehandling - master i teknologi/siv.ing.
Utveksling ved Det teknisk- naturvitenskapelige fakultet

Emneevaluering

Det skal være en tidligdialog mellom emneansvarlig, studenttillitsvalgt og studentene. Formålet er tilbakemelding fra studentene for endringer og justering i emnet inneværende semester.I tillegg skal det gjennomføres en digital emneevaluering minimum hvert tredje år. Den har som formål å innhente studentenes erfaringer med emnet.

Litteratur

Pensumlisten finner du i Leganto