Bildanalyse und Objekterkennung

Die Lehrveranstaltung gibt eine Einführung in die Grundlagen der Mustererkennung und Bildanalyse. Behandelt werden unter anderem die Bildverbesserung, lokale und morphologische Operatoren, Kantenerkennung, Bilddarstellung im Frequenzraum, Fourier-Transformation, Hough-Transformation, Segmentierung, Skelettierung, Objektklassifizierung und maschinelles Lernen zur visuellen Objekterkennung.

Die Vorlesung wird über die Lernplattform Moodle verwaltet. Alle Dokumente und weitere Informationen finden Sie im Moodle-Kurs Image Analysis and Object Recognition SoSe2021 .
Hinweis: Die Anmeldung für diesen Moodle-Kurs beginnt am 29. März.

Bitte beachten Sie: Die Unterlagen zu unseren Vorlesungen und Übungen sind nur aus dem Netzwerk der Bauhaus-Universität Weimar erreichbar.

Vorlesung

Introduction

  1. Organization, motivation, definition, application examples (slides, print)

Image processing

  1. Image representation, basic enhancement, binary images, thresholding, morphological operators
  2. Boundaries, filling, hit-or-miss, thinning, thickening, connected components, region properties
  3. Invariant descriptors, (non-)linear filtering, noise, local operators, Gaussian, image derivatives, Sobel
  4. Laplacian, ...

Feature extraction

  1. Gaussian derivatives, GoG, LoG, DoG, edge detection, corner detection, interest point operator
  2. Discrete 2D Fourier transform, FFT, spectrum, convolution theorem, filtering in frequency domain, ideal high- and low-pass filter, Butterworth

Shape detection

  1. Hough transform, fitting of straight lines, line segments, circles with (un)known radius, generalized Hough transform, Fourier descriptors, normalization

Object recognition

  1. Sliding window, template matching, image pyramids, Viola-Jones face detection, Haar features, integral images, boosting, classifier cascade, local image features
  2. Scale invariant extraction, scale-space, unique feature description and matching, SIFT
  3. Part-based voting, vocabulary tree, bag of visual words, ...

Image regions

  1. Segmentation, clustering, k-means
  2. Mean shift, region growing, watershed, graph-cut segmentation, affinity matrix, normalized-cut, soft segmentation, grab-cut, ...

Machine learning

  1. Pattern recognition systems, supervision, generalization
  2. Deep learning for visual recognition, artificial neural networks, supervised convolutional nets
  3. Classifiers, k-nearest neighbor, boosted decision tree, Bayesian decision theory, expectation maximization, support vector machine, summary

Übung

Für die Übung wird die Lernplattform Moodle genutzt. Alle Unterlagen und weitere Informationen finden Sie unter dem Moodle-Kurs Bildanalyse und Objekterkennung 2021.

Die erste Übung findet am 15. April (Donnerstag) um 11:00 Uhr via BigBlueButton  statt.

MATLAB primer (Mathworks, University of Florida)

Klausur

Written repeat exam

  • Date: Will be announced later on
  • Auxiliary resources: None

Preparation material