Offizielle Homepage zur Vorlesung: https://computational-imaging.de

Masterprofile: (vorauss.)

• Künstliche Intelligenz
• Visual Computing

Prüfbar in: (vorauss.)

• VF 11: Robotik und Automation
• VF 12: Anthropomatik und kognitive Systeme
• Wahlbereich Informatik

Qualifikationsziel: Studierende sind in der Lage Fragestellungen des maschinellen Sehens optisch und algorithmisch zu modellieren und per gesamtheitlicher Optimierung zu bearbeiten.

Lernziele: Die Studierenden kennen

- die wesentlichen Komponenten des maschinellen Sehens, deren optische Modellierung und passende Kodierungsmethoden im Sinne des Computational Imaging,

- Methoden zur Emittierung, Erfassung und Verarbeitung von Lichtfeldern für Anwendungen der Photographie und der industriellen Bildverarbeitung,

- das Konzept der Lichttransportanalyse, entsprechende Modellierungs-, Erfassungs- und Verarbeitungsmethoden und

- Ansätze zur gesamtheitlichen Modellierung und Optimierung von optischen Bilderfassungs- und Verarbeitungssystemen.

Inhalt
Die digitale Bildgewinnung und -Verarbeitung hat seit ihren Anfängen bereits viele Anwendungsfelder wie bspw. die Medizintechnik oder die automatische optische Qualitätsprüfung revolutioniert. Dennoch fußt die Mehrzahl dieser Systeme weiterhin auf dem Ansatz, dass das genutzte optische Beleuchtungs- und Abbildungssystem und die zur Bildverarbeitung eingesetzten Algorithmen separat voneinander entwickelt und optimiert werden. Dadurch bleibt im Sinne des Gesamtsystems ein in vielerlei Hinsicht enormes Potential ungenutzt. An diesem Punkt setzen die Methoden des Computational Imagings an und erlauben durch eine holistische Systembetrachtung das Durchbrechen bisheriger Leistungs- und Anwendungsgrenzen. Nach einer Behandlung der relevanten theoretischen Grundlagen der Optik und der Signalverarbeitung werden den Studierenden im Rahmen der Vorlesung diverse Techniken des Computational Imagings vermittelt. Begleitende praktische Übungen ergänzen den theoretischen Teil der Vorlesung. Mit Abschluss der Vorlesung werden die Studierenden in die Lage versetzt, Fragestellungen des maschinellen Sehens optisch und algorithmisch zu modellieren und per gesamtheitlicher Optimierung zu bearbeiten.

Content
Digital image acquisition and processing have revolutionized various fields of applications, e.g., medical imaging or automated visual inspection. Yet, the design of most such systems is still based on the separate and individual optimization of the employed illumination, image acquisition and image processing components. By following a holistic approach for system design, modelling and optimization, computational imaging methods yield superior performance with respect to the state of the art. After introducing the students into relevant basics of optics and signal theory, the lecture will thoroughly cover various topics of computational imaging. Accompanying practical exercises will complement the theoretical part of the lecture. The course will enable students to adequately model artificial vision problems in the sense of computational imaging in order to obtain holistically optimal solutions.

*Note: The lecture will be held in German, all course material will be provided in English.

Arbeitsaufwand
Vorlesung mit 2 SWS + 1 SWS Übung
5 ECTS entspricht ca. 150 Stunden
ca. 30 Std. Vorlesungsbesuch,
ca. 15 Std. Übungsbesuch,
ca. 90 Std. Nachbearbeitung und Bearbeitung der Übungsblätter
ca. 30 Std. Prüfungsvorbereitung

Literatur

- Ayush Bhandari, Achuta Kadambi, Ramesh Raskar, Computational Imaging, MIT Press, 2022.

- Jürgen Beyerer, Fernando Puente León, Christian Frese, Machine Vision, Springer, 2015.

- Joseph. W. Goodman, Introduction to Fourier Optics. 4. Auflage W. H. Freeman, 2017.