Bildverarbeitung (BIV)

Bringe Computern das Sehen bei: Du lernst, wie aus Pixeln strukturierte Information wird – von Farbräumen und Bildoperatoren über Feature Engineering und Segmentierung bis hin zu Deep-Learning-Verfahren zur Objekterkennung, insbesondere in der medizinischen Bildverarbeitung.

Inhalte

• Repräsentation von digitalen Bildern und Bildvolumen, Farbräume
• Punkt-Operatoren
• Lokale Operatoren
• Feature Engineering und Objekterkennung
• Segmentierung
• Anwendungen von Deep Learning in der Bildverarbeitung
• Bildtransformationen
• Bildregistrierung
• Anwendungen in der Medizin

Lernziele/Kompetenzen

Die Studierenden sind in der Lage,

• zentrale Konzepte und Methoden der Bildverarbeitung anzuwenden,
• Einsatzgebiete und Grenzen der Verfahren zu erläutern,
• erlernte Verfahren auf neue Anwendungsbereiche zu übertragen,
• einschlägige, aktuelle Forschungsthemen einzuordnen.

Literatur

• A. Nischwitz, M. Fischer, P. Haberäcker, G. Socher: Bildverarbeitung, Springer, 2020
• A. Torralba, P. Isola, W. Freeman: Foundations of Computer Vision, MIT Press, 2024
• D. Sundararajan: Digital Image Processing, Springer, 2017
• R.C. Gonzalez, R.E. Woods: Digital image processing, Pearson Prentice Hall, 2017
• B. Jähne: Digitale Bildverarbeitung, Springer, 2012
• K.D. Toennies: Grundlagen der Bildverarbeitung, Pearson-Verlag, 2005
• M. Sonka, V. Hlavac, R. Boyle: Image Processing, Analysis, and Machine Vision, Addison-Wesley, 2007
• T. Lehmann, W. Oberschelp, E. Pelikan: Bildverarbeitung für die Medizin, Springer, 1997
• Handbücher der eingesetzten Programmiersprache

Dozentinnen / Dozenten

• Prof. Dr. Ivo Wolf

Empfohlene Vorkenntnisse 

• Mathematik für die Informatik 1 (MA1)
• Mathematik für die Informatik 2 (MA2)
• Mathematik für die Informatik 3 (MA3)

Daten zum Modul

Semester	6/7
Unterrichtssprache	Deutsch
Häufigkeit	Unregelmäßig
Kreditpunkte (CP)	5
Modulverantwortlich	Prof. Dr. Ivo Wolf
Dauer	1 Semester
Studienleistung	Keine
Prüfungsvorleistung	Pflichtübung (PU)
Prüfungsleistung	Klausur 90 Minuten (K90)

Semesterwochenstunden (SWS) 

Vorlesung	2 SWS
Übung	2 SWS
Summe	4 SWS

Arbeitsaufwand (Workload) 

Vorlesung	30 h
Labor	30 h
Selbststudium	30 h
Aufgaben	30 h
Prüfungsvorbereitung	30 h
Summe	150 h