Modul Bildverarbeitung

Code:	125900
Modul:	Bildverarbeitung
Module title:	Image Processing
Version:	1.0 (07/2009)
letzte Änderung:	09.11.2021
Modulverantwortliche/r:	Prof. Dr. rer. nat. Bischoff, Stefan s.bischoff@hszg.de

angeboten in den 4 Studiengängen:	Informatik (B.Sc.) gültig ab Matrikel 2015
	Informatik (B.Sc.) gültig ab Matrikel 2018
	Informatik (B.Sc.) gültig ab Matrikel 2020
	Informatik (B.Sc.) gültig ab Matrikel 2024

Modul läuft im:	SoSe (Sommersemester)
Niveaustufe:	Bachelor/Diplom
Dauer des Moduls:	1 Semester
Status:	Wahlpflichtmodul
Lehrort:	Görlitz
Lehrsprache:	Deutsch

Workload* in

SWS **

Semester

Zeit- std.

ECTS- Pkte

1

2

3

4

5

6

V

S

P

W

V

S

P

W

V

S

P

W

V

S

P

W

V

S

P

W

V

S

P

W

150

5

4.0

2

2

0

0

*	Gesamtarbeitsaufwand pro Modul (1 ECTS-Punkt entspricht einem studentischen Arbeitsaufwand von 30 Zeitstunden)
**	eine Semesterwochenstunde (SWS) entspricht 45 Minuten pro Woche

Selbststudienzeit in h	Angabe gesamt	davon
	105	45 Vor- und Nachbereitung LV	20 Vorbereitung Prüfung	40 Sonstiges

Lehr- und Lernformen:	Vorlesung, Praktische Übung am Rechner



Prüfung(en)
Prüfung	Prüfungsleistung als Beleg (PB)	-	100.0%

---

Lerninhalt:

Einführung in die Bildverarbeitungsbibliothek OpenCV und deren Nutzung in C++, Java oder Python Erfassung von Bildern mit OpenCV und Live Capturing von einer Kamera Bilderfassung und Repräsentation im Rechner, Farbmodelle, statistische Eigenschaften von Bildern (Histogramme) Bildsegmentierung, Optimaler Schwellwert nach Otsu Faltungsfilter, Morphologische Filter, Erosion, Dilatation, Opening, Closing Kompression verlustfrei, verlustbehaftet Digitale Bild- Audio- und Videoformate JPEG, JPEG2000, MPEG-1-7, H.26x, MP3 Vorverarbeitung Punkt-, Umgebungs- Geometrische Operationen, Filterung, Kanten-Detektion, Segmentation, Videobearbeitungstechniken (Schnitt, Bild im Bild) Merkmalsextraktion Farb-, Textur- Kanten- und Formdeskriptoren, Bewegtinformation (Optischer Fluß), BackgroundSubtraction (Hintergrundmodelle) Klassifikation (Erkennung) Grundlagen der Klassifikation, abstandsbasierte Klassifikation (z.B. Bildsuchmaschinen, Haltungs-klassifikation von Personen), Bayesscher Klassifikator, Support-Vector-Machine (SVM), Hidden-Markov-Modell (Spracherkennung), Neuronale Netze (NN), Template-Matching (z.B. Gesichtsdetektion) Hough Transformation (Detektion von Linien, Ellipsen etc.)

Lernergebnisse/Kompetenzen:
Fachkompetenzen:	Die Studierenden verstehen den grundsätzlichen Aufbau eines erkennenden Systems (Vorverarbeitung, Merkmalsextraktion, Klassifikation). Sie können Video- und Bilddaten im Rechner erfassen, vorverarbeiten und Merkmale extrahieren. Die Studierenden sind in der Lage, farb- und formbasiert einfache Objekte zu erkennen z.B. Roboterfußball.
Fachübergreifende Kompetenzen:	Die Studierenden können Projekte in Teams erfolgreich bearbeiten. Sie sind in der Lage, Schnittstellen zu definieren, Teilprojekte erfolgreich zu bearbeiten und die Projektergebnisse vor Publikum verständlich zu präsentieren.

Notwendige Voraussetzungen für die Teilnahme:	Programmierkenntnisse in Java, C++ oder Python Modul "Objektorientierte Programmierung"
Empfohlene Voraussetzungen für die Teilnahme:	Umgang mit der Bildverarbeitungsbibliothek OpenCV

Literatur:

Jähne, Bernd: Digitale Bildverarbeitung, Springer-Verlag 2005; Bradski G., Kaehler A.: Learning OpenCV, O’Reilly Press, September 2008; Bradski G., Kaehler A.: Learning OpenCV: Computer Vision in C++ with the OpenCV Library, O’Reilly Press Gockel T., Dillmann R.: Computer Vision -Das Praxisbuch, Elektor-Verlag GmbH Aachen, 2007; Adrian Rosebrock: Practical Python and OpenCV, An Introductory Example Driven Guide to Image Processing and Computer Vision; pyimagesearch, 2019; Andrew Davison: Vision-based User Interface Programming in Java; Kindle Edition, 2019;