Computational billedbehandling og spektroskopi

• Bruge harmonisk analyse og compressed sensing på billeder
• Designe digitale billeddannelsessystemer og algoritmer
• Analysere og bearbejde signaler fra kameraer og optiske sensorer
• Anvende metoder baseret på inverse problemer og lineær optimering på billeder
• Gendanne, analysere og bearbejde spektral data fra optiske sensorer eller billeder
• Gendanne og analysere fysiske scener fra optiske sensorer eller digitale billeder
• Anvende deep learning og machine learning frameworks til at løse digitale billeddannelsesproblemer
• Bearbejde og analysere hyperspektrale billeder med machine learning metoder

Kurset præsenterer en række beregningsmetoder, klassiske og nye, anvendt til at analysere digitale billeder. Det dækker for eksempel gendannelse af data eller fysisk information fra sparsomme eller kompakte målinger, rekonstruktion og gendannelse af billeder, udførelse af automatiseret billedanalyse såsom ansigtsgenkendelse eller AI-støttet medicinsk diagnose og design af avancerede billeddannelsessystemer med applikationer i f.eks. spektroskopi.

Kurset består af fem dele:
1. Introduktion til digitale billeder
2. Sparse repræsentationer og billedgendannelse
3. Sceneanalyse og spektral billeddannelse
4. Introduktion til deep learning til digitale billeder
5. Digital spektroskopi og hyperspektral billedanalyse

Kurset fokuserer først på traditionel digital billedbehandling: efter at have præsenteret de grundlæggende principper for kolorimetri, dækkes de funktionelle principper for sensorenheder, der bruges til billedoptagelse, og klassiske billedbehandlingsværktøjer, såsom kernel filtrering. Derefter vil avancerede harmoniske analysemetoder blive introduceret for at udnytte den sparsomme natur af digitale billeder med applikationer inden for billedgendannelse, tids- og frekvensanalyse og komprimering. Derefter gives en oversigt over state of the art billedgendannelsesmetoder, herunder sparsomme optimeringsmetoder, numeriske metoder til inpainting og klassiske filterbaserede tilgange til denoising. Spektral billeddannelse og fysisk sceneanalyse vil derefter blive præsenteret. Derefter introduceres deep learning metoder som en oversigt over koncepter og arkitekturer til anvendelse på billedanalyse. Til sidst vil vi behandle anvendelserne deep learning og sparsom optimering til billeddannelsesspektroskopi og hyperspektral billeddannelsesanalyse med fokus på medicinsk billeddannelse.

Kendskab til Matlab eller Python programmering

Forelæsninger og øvelse, projekt