Kursplan för Datoriserad bildanalys II

Computer-Assisted Image Analysis II

  • 10 högskolepoäng
  • Kurskod: 1TD398
  • Utbildningsnivå: Avancerad nivå
  • Huvudområde(n) och successiv fördjupning: Teknik A1F, Datavetenskap A1F

    Förklaring av koder

    Koden visar kursens utbildningsnivå och fördjupning i förhållande till andra kurser inom huvudområdet och examensfordringarna för generella examina:

    Grundnivå
    G1N: har endast gymnasiala förkunskapskrav
    G1F: har mindre än 60 hp kurs/er på grundnivå som förkunskapskrav
    G1E: innehåller särskilt utformat examensarbete för högskoleexamen
    G2F: har minst 60 hp kurs/er på grundnivå som förkunskapskrav
    G2E: har minst 60 hp kurs/er på grundnivå som förkunskapskrav, innehåller examensarbete för kandidatexamen
    GXX: kursens fördjupning kan inte klassificeras.

    Avancerad nivå
    A1N: har endast kurs/er på grundnivå som förkunskapskrav
    A1F: har kurs/er på avancerad nivå som förkunskapskrav
    A1E: innehåller examensarbete för magisterexamen
    A2E: innehåller examensarbete för masterexamen
    AXX: kursens fördjupning kan inte klassificeras.

  • Betygsskala: Underkänd (U), godkänd (3), icke utan beröm godkänd (4), med beröm godkänd (5)
  • Inrättad: 2010-03-18
  • Inrättad av: Teknisk-naturvetenskapliga fakultetsnämnden
  • Reviderad: 2018-08-30
  • Reviderad av: Teknisk-naturvetenskapliga fakultetsnämnden
  • Gäller från: vecka 24, 2019
  • Behörighet: 120 hp inklusive Datoriserad bildanalys I eller motsvarande. Minst 5 hp matematisk statistik.
    Engelska 6. (Med en svensk kandidatexamen uppfylls kravet på engelska.)
  • Ansvarig institution: Institutionen för informationsteknologi

Mål

Efter godkänd kurs ska studenten kunna:

  • beskriva och använda avancerade filtreringsmetoder för att reducera brus och förstärka kanter;
  • beskriva ett antal sofistikerade segmenteringsmetoder, både bild- och modellbaserade;
  • beskriva digital topologi och geometri i 2 och 3 dimensioner;
  • tillämpa klassificeringsalgoritmer för att tolka innehållet i bilder;
  • tillämpa olika tekniker för kvalitetsbedömning av segmentering, kvantitativ analys och klassificering.

Innehåll

Metodik för att lösa bildanalysproblem. Analys av 3D-bilder (volym, stereo och tidsserier). Bildförbättring. Segmentering och detektion av kanter i bilder. Registrering av bilder baserad på sökning och optimering. Digital geometri och matematisk morfologi.  Datorseende. Klassificering.  Deep learning för bildsegmentering och klassificering.

Undervisning

Föreläsningar, laborationer, handledning.

Examination

Skriftligtentamen, muntlig och skriftlig redovisning av inlämningsuppgifter. 

Om särskilda skäl finns får examinator göra undantag från det angivna examinationssättet och medge att en enskild student examineras på annat sätt. Särskilda skäl kan t.ex. vara besked om särskilt pedagogiskt stöd från universitetets samordnare för studenter med funktionsnedsättning.

Litteratur

Uppgift om kurslitteratur saknas. Ta kontakt med ansvarig institution för mer information.