Uni Wien:Image Processing and Image Analysis VU (Möller)
Daten[Bearbeiten | Quelltext bearbeiten]
| Vortragende | Torsten Möller |
|---|---|
| ECTS | 6 |
| Sprache | English |
| Links | ufind:052617 , Homepage |
Inhalt[Bearbeiten | Quelltext bearbeiten]
In der LVA lernt man Konzepte zur Bildverarbeitung und Bild Analysis kennen. Zu Beginn startet man mit Kantendedektoren. Danach lernt man verschiedene Techniken wie man Bilder segmentierten (treshold,k-means, watershed, uvm) kann. In der Morpholy wird einem das structural element inkl. Erosion und dilationmit Operatoren nähergebracht und welche weiteren Operationen sich daraus ableiten lassen. Bei den Active Contour schaut man sich z.B. das Snake Modell an, wie man Objekte automatisiert „selektieren“ kann. Im Kapitel Features werden anfangs Eigenschaften und die Unterschiede zwischen invarianten und covarianten features beschrieben und wozu das ganze nützlich ist. Darauf bauen dann die Classifier auf. Es geht darum, dass man Daten in Klassen unterteilen (bzw. labeln) kann. Man schaut sich dazu einfache Classifier an bis hin zu neurale Netzwerken. Dieser Teil hat einen starken Fokus auf medizinische Anwendungen.
- Edge Detection
- Image Segmentation
- Morphology
- Active Contours
- Features
- Classification
Ablauf[Bearbeiten | Quelltext bearbeiten]
Die einzelnen Themen gebiete werden von verschiedenen Vortragenden im VO-Stil präsentiert. Parallel dazu gibt es 4 Übungen, eine Midterm und Final Prüfung.
Benötigte/Empfehlenswerte Vorkenntnisse[Bearbeiten | Quelltext bearbeiten]
Keine. Obwohl Signal and Image Processing vorausgesetzt wird, ist die LVA auch ohne dieser zu schaffen.
Diese LVA setzt Signal and Image Processing vorraus. Verwandte LVA auf TU Wien Einführung in Visual Computing aber nicht so tiefgehend.
Vortrag[Bearbeiten | Quelltext bearbeiten]
In den Vorlesungen werden Slides gezeigt. Die Vortragenden orientieren sich bis zum Kapitel Classifier an das Buch Gonzalez and Woods Digital Image Processing und verweisen auch immer auf dieses. Die Vorlesung muss also bis dahin nicht zwingend besucht werden. Mit dem Buch ist ein Besuch der VO nicht notwendig. Beim letzten Teil der VO der von Prof. Georg Langs gehalten wird, müsste man sich evtl. zusätzliche Literatur beschaffen. Außerdem gibt es auf youtube zu den einzelnen Themenblöcken zahlreiche Videos die, die Algorithmen im Detail erklären.
Übungen[Bearbeiten | Quelltext bearbeiten]
Die Übungen und die darin enthaltenen einzelnen Beispiele variieren vom Zeitaufwand teils stark. Wenn man unter Zeitdruck ist, macht es Sinn, falls möglich, nur die Aufgaben zu machen, die einfach und viele Punkte geben. Da die Beispiele teilweise aufbauend sind, ist das aber nicht immer möglich. Außerdem tragen nicht alle Übungsbeispiele gleich viel zur Gesamtnote bei. Für die Übungen gibt es Grace Days, die konsumiert werden können, falls einem die Zeit ausgeht.
Inhalt der Übungen ist der Stoff der VO. Der überwiegende Teil sind praktische Aufgaben wie z.B. einen Algorithmus mit python jupyter notebooks zu implementieren. Ein sehr kleiner Teil machen mathematische Beispiele aus.
Die Übungen sind auf jeden Fall für jeden schaffbar!
Prüfung, Benotung[Bearbeiten | Quelltext bearbeiten]
Die Übungen und Prüfungen werden unterschiedlich gewichtet. So wird, das zweite Übungsbeispiel nicht so stark gewichtet wie das dritte oder erste. Hier macht es Sinn sich zu überlegen, wie viel Zeit man in welche Beispiele steckt, wenn man gerade nicht so viel Zeit investieren kann. Für eine positive Note braucht man 51 % der Gesamtpunkte in der LVA. Zusätzlich muss man bei Prüfung und Übungsbeispielen mind. 40 % der Punkte haben, um positiv zu sein. Die letzte Prüfung wird auch stärker gewichtet wie die erste.
Gefühlt war die erste Prüfung wesentlich leichter, da die Prüfungsfragen teilweise mit dem Wissen der Übungsbeispiele beantwortet werden konnten und der Stoffumfang verglichen mit der zweiten Prüfung überschaubar war. Beim letzten Test kamen doch erstaunlich viele Fragen aus dem ersten Abschnitt der LVA. Die Fragen zur Prüfung sind eher allgemein gestellt, wie z.B. erklären sie xy und was sind die Vor- und Nachteile davon. Interessant ist auch, dass für ein sehr gut 100 Punkte benötigt werden, aber gesamt 120? Punkte zu schaffen sind (evtl. wegen der 40-Prozent-Hürde?).
Dauer der Zeugnisausstellung[Bearbeiten | Quelltext bearbeiten]
| Semester | Letzte Leistung | Zeugnis | |
|---|---|---|---|
| WS21 | 27.01.2022 | 02.03.2022 | |
| WS22 | 10.03.2023 |
Zeitaufwand[Bearbeiten | Quelltext bearbeiten]
Der Zeitaufwand der Übungsbeispiele variiert und hängt sicher auch teilweise vom Python können der/des Einzelnen ab. Man sollte aber vlt. Sicherheitshalber ein Wochenende für ein Übungsblatt einkalkulieren. Der Lernaufwand bei der ersten Prüfung ist überschaubar, bei der zweiten Prüfung sind es dann aber schon sehr viele Folien, die gelernt werden müssen. Insgesamt faire 6 ECTS würde ich sagen.
Unterlagen[Bearbeiten | Quelltext bearbeiten]
Es werden ausschnitte der einzelnen Kapitel vom Buch Buch Gonzalez and Woods Digital Image Processing, 4th edition Pearson/Prentice auf moodle zu Verfügung gestellt. Man findet aber das ganze Buch als pdf im Internet. Zusätzlich gibt es wie erwähnt zu dem Thema youtube Videos in Hülle und Fülle.
Tipps[Bearbeiten | Quelltext bearbeiten]
Die Kapitel im Buch nachlesen macht auf jeden Fall Sinn. Es kann auch passieren, dass zur Prüfung Dinge aus dem Buch abgefragt werden, die in den Folien eher oberflächlich oder nur kurz angeschnitten wurden. Beim ersten Teil kann man sich auch von der LVA Einführung in Visual Computing die Pdfs von Kantendedektion und Morphology anzuschauen, da diese dort besser und kürzer erklärt sind (siehe z.B. unter Material Skript CV 06 Kanten Filterung). Für den Teil von Georg Langs kann man sich z.B. die Prüfungsfragen von Medizinische Bildverarbeitung anschauen.
Verbesserungsvorschläge / Kritik[Bearbeiten | Quelltext bearbeiten]
Die Themen der LVA sind sehr intressant und die Vortragenden sind auch motiviert (insbesondere Prof. Möller). Die Übungen sind intressant gestaltet und machen Spaß!