htw saar QR-encoded URL
Zurück zur Hauptseite Version des Moduls auswählen:
Lernziele hervorheben XML-Code

Bildverarbeitung und Mustererkennung

Modulbezeichnung:
Bezeichnung des Moduls innerhalb des Studiengangs. Sie soll eine präzise und verständliche Überschrift des Modulinhalts darstellen.
Bildverarbeitung und Mustererkennung
Studiengang:
Studiengang mit Beginn der Gültigkeit der betreffenden ASPO-Anlage/Studienordnung des Studiengangs, in dem dieses Modul zum Studienprogramm gehört (=Start der ersten Erstsemester-Kohorte, die nach dieser Ordnung studiert).
Elektrotechnik - Erneuerbare Energien und Systemtechnik, Master, ASPO 01.10.2019
Code: DFMEES-211
SAP-Submodul-Nr.:
Die Prüfungsverwaltung mittels SAP-SLCM vergibt für jede Prüfungsart in einem Modul eine SAP-Submodul-Nr (= P-Nummer). Gleiche Module in unterschiedlichen Studiengängen haben bei gleicher Prüfungsart die gleiche SAP-Submodul-Nr..
P610-0685, P610-0686
SWS/Lehrform:
Die Anzahl der Semesterwochenstunden (SWS) wird als Zusammensetzung von Vorlesungsstunden (V), Übungsstunden (U), Praktikumsstunden (P) oder Projektarbeitsstunden (PA) angegeben. Beispielsweise besteht eine Veranstaltung der Form 2V+2U aus 2 Vorlesungsstunden und 2 Übungsstunden pro Woche.
2V+2P (4 Semesterwochenstunden)
ECTS-Punkte:
Die Anzahl der Punkte nach ECTS (Leistungspunkte, Kreditpunkte), die dem Studierenden bei erfolgreicher Ableistung des Moduls gutgeschrieben werden. Die ECTS-Punkte entscheiden über die Gewichtung des Fachs bei der Berechnung der Durchschnittsnote im Abschlusszeugnis. Jedem ECTS-Punkt entsprechen 30 studentische Arbeitsstunden (Anwesenheit, Vor- und Nachbereitung, Prüfungsvorbereitung, ggfs. Zeit zur Bearbeitung eines Projekts), verteilt über die gesamte Zeit des Semesters (26 Wochen).
5
Studiensemester: 2
Pflichtfach: ja
Arbeitssprache:
Deutsch
Prüfungsart:
mündliche Prüfung (75%), Projektarbeit (25%)

[letzte Änderung 31.03.2019]
Verwendbarkeit / Zuordnung zum Curriculum:
Alle Studienprogramme, die das Modul enthalten mit Jahresangabe der entsprechenden Studienordnung / ASPO-Anlage.

DFMEES-211 (P610-0685, P610-0686) Elektrotechnik - Erneuerbare Energien und Systemtechnik, Master, ASPO 01.10.2019 , 2. Semester, Pflichtfach, technisch
E2802 (P211-0137, P211-0138) Elektro- und Informationstechnik, Master, ASPO 01.04.2019 , 1. Semester, Pflichtfach, technisch
KIM-BM (P211-0137, P211-0138) Kommunikationsinformatik, Master, ASPO 01.10.2017 , Wahlpflichtfach, informatikspezifisch
MP.E2802 (P211-0137, P211-0138) Medizinische Physik, Master, ASPO 01.04.2019 , 1. Semester, Pflichtfach
MP3105.BUM Medizinische Physik, Master, SO 01.10.2025 , 1. Semester, Pflichtfach
PIM-BM (P211-0137, P211-0138) Praktische Informatik, Master, ASPO 01.10.2017 , Wahlpflichtfach, informatikspezifisch
Arbeitsaufwand:
Der Arbeitsaufwand des Studierenden, der für das erfolgreiche Absolvieren eines Moduls notwendig ist, ergibt sich aus den ECTS-Punkten. Jeder ECTS-Punkt steht in der Regel für 30 Arbeitsstunden. Die Arbeitsstunden umfassen Präsenzzeit (in den Vorlesungswochen), Vor- und Nachbereitung der Vorlesung, ggfs. Abfassung einer Projektarbeit und die Vorbereitung auf die Prüfung.

Die ECTS beziehen sich auf die gesamte formale Semesterdauer (01.04.-30.09. im Sommersemester, 01.10.-31.03. im Wintersemester).
Die Präsenzzeit dieses Moduls umfasst bei 15 Semesterwochen 60 Veranstaltungsstunden (= 45 Zeitstunden). Der Gesamtumfang des Moduls beträgt bei 5 Creditpoints 150 Stunden (30 Std/ECTS). Daher stehen für die Vor- und Nachbereitung der Veranstaltung zusammen mit der Prüfungsvorbereitung 105 Stunden zur Verfügung.
Empfohlene Voraussetzungen (Module):
Keine.
Als Vorkenntnis empfohlen für Module:
Modulverantwortung:
Prof. Dr.-Ing. Ahmad Osman
Dozent/innen: Prof. Dr.-Ing. Ahmad Osman

[letzte Änderung 16.10.2020]
Lernziele:
- Es werden Kompetenzen erworben, die es dem Studenten erlauben, das Zusammenwirken von Hard- und Softwarekomponenten für Bildverarbeitungssysteme zu bewerten.
- Der Studierende ist in der Lage, Methoden der Bildverarbeitung und Mustererkennung gezielt für praktische Aufgabenstellungen auszuwählen und geeignete Verfahren zur Gewinnung relevanter Bildinformationen zu projektieren.
- Der Studierende kann selbstständig maßgeschneiderte Bildauswertungsketten für einfache Bildanalyse Aufgaben entwerfen, die Algorithmen in Matlab implementieren und die Ergebnisse bewerten.
- Der Studierende ist in der Lage Algorithmen auf dem Gebiet der Bildverarbeitung und des Maschinellen Lernens zu beschreiben und zu kategorisieren.
 
In den ßbungen werden die in dieser Vorlesung vorgestellten Methoden und Verfahren anhand von einfachen ßbungen veranschaulicht.

[letzte Änderung 18.07.2019]
Inhalt:
Datenerfassungstechniken, Algorithmen zur Bild-Filterung, Bild-Transformation und Bild-Segmentierung, Normen, Optimierungsverfahren, Klassifikationstechniken, Logistische Regression, Feature-Mappings, Bayes Classifiers, Support Vektor Maschinen (SVM), Neuronale Netze, Performanz von maschinellen Klassifikationsverfahren

[letzte Änderung 31.03.2019]
Weitere Lehrmethoden und Medien:
Skript, Folien, Beamer, Notizen

[letzte Änderung 31.03.2019]
Literatur:
Bishop, Christopher M.: Pattern recognition and machine learning, Springer, 10. Aufl., ISBN 978-0-387-31073-2
Burger, Wilhelm; Burge, Mark James: Digitale Bildverarbeitung: eine Einführung mit Java und ImageJ, Springer Vieweg, (akt. Aufl.)
Duda, Richard O.; Hart, Peter E.; Stock, David G.: Pattern Classification, Wiley, 2001, 2. Aufl., ISBN 978-0471056690
Gonzalez, Rafael C.; Woods, Richard E.: Digital Image Processing, Pearson, (akt. Aufl.)
Hastie, Trevor; Tinshirani, Robert; Friedman, Jerome H.: The elements of statistical learning: data mining, inference, and prediction, Springer, (akt. Aufl.)

[letzte Änderung 18.07.2019]
 
[Sun Dec 22 20:14:43 CET 2024, CKEY=emE2802, BKEY=dfmees, CID=DFMEES-211, LANGUAGE=de, DATE=22.12.2024]