Modulhandbuch - Technische Fakultät - Albert-Ludwigs-Universität ...

Teilmodul/Veranstaltung:
Module part
Fachbereich:
Department Informatik
Modulverantwortlicher:
Responsible person
Lehrveranstaltungstyp:
Type of course
Voraussetzungen:
Preconditions
Semester lt Studienplan:
Term
SWS:
Semester week hours
Arbeitsaufwand:
Workload
Lernziele / Educational objectives
48
Modulhandbuch B.Sc. ESE – Kursvorlesungen der Informatik
Kursvorlesung Bildverarbeitung und Computergraphik
Prof. T. Brox,
Prof. M. Teschner
Vorlesung mit
Übung
Spezialbereich:
Special field
Modultyp:
Module Type
Sprache:
Language
Graphische und
Bildverarbeitende
Systeme
Wahlpflichtmodul
deutsch oder englisch
empfohlen: Programmierkurs, Grundlagen der Mathematik
5
3 V + 1 Ü
ECTS-Punkte:
ECTS-points
Turnus:
Regular cycle
6
jedes Wintersemester
180 h/Semester (45 h Vorlesung, 15 h Übung, 120 h Eigenarbeit)
Den Studierenden werden die Grundlagen der Mustererkennung vermittelt. Angefangen bei
der Merkmalsauswahl bis hin zum Klassifikatorentwurf, soll der Student oder die Studentin
am Ende in die Lage versetzt werden einen vollständigen Entwurf einer
Musterkennungsaufgabe eigenständig durchzuführen. Selbständig zu lösende
Übungsaufgaben einschließlich Programmieraufgaben dienen dazu, den Stoff praktisch zu
vertiefen.
Lehrinhalt / Content of teaching
Zunächst wird einleitend die Mustererkennung in die allgemeine Schätztheorie eingebettet
und die wichtigsten Anwendungsgebiete werden diskutiert. Es folgen die Grundlagen der
Mustererkennung mit der Erläuterung von Äquivalenzklassen, der lageinvarianten
Merkmalsgewinnung sowie Eigenschaften wie Vollständigkeit und Separierbarkeit. In dem
darauf folgenden Kapitel werden schnelle nichtlineare Algorithmen zur
translationsinvarianten Klassifikation von Graubildern behandelt. Danach werden für
Konturbilder ähnlichkeits- und affininvariante Merkmale hergeleitet und diese sogenannten
Fourierdeskriptoren in ihren Abbildungseigenschaften und ihrer mathematischen
Berechnungskomplexität untersucht. Der letzte Abschnitt behandelt den optimalen Entwurf
von Klassifikatoren. Dabei wird sowohl der parametrische stochastische Ansatz (Bayes-
Klassifikator) betrachtet wie auch die Herangehensweise über die Funktionsapproximation
(Polynomiale Regression, Neuronale Netze, Supportvektormaschine).
Studien- und Prüfungsleistungen / Exam requirements
Die Prüfung besteht aus einer Klausur. Erfolgreiche Teilnahme an den Übungen ist
Voraussetzung zur Teilnahme an der Abschlussklausur..
Literatur / Literature
1. H. Burkhardt, Transformationen zur lageinvarianten Merkmalgewinnung, VDI-Verlag,