Seminar: Methoden und Algorithmen zur Bildsegmentierung

Seminar: Methoden und Algorithmen zur Bildsegmentierung
(2+2 SWS) SS 07

Der Lehrstuhl für Mustererkennung und Bildverarbeitung bietet im SS 07 ein Seminar mit dem Thema "Methoden und Algorithmen zur Bildsegmentierung" (2 SWS) sowie Übungen (2 SWS) an.

Folien von der Vorsprechung

Pollen Data

Motivation und Ziel:

Das Ziel der Bildsegmentierung ist es, ein (digitales) Bild in mehrere Gebiete aufzuteilen. Dies geschieht anhand eines gegebenen Kriteriums wie beispielsweise Farbe oder Hintergrund vs. Vordergrund. Die Bildsegmentierung bedient sich je nach Anwendung sowohl Methoden, die rein mit den Grauwerten im Bild arbeiten als auch Methoden, die bereits semantisches Vorwissen über die zu segmentierende Struktur verwenden. Die Bildsegmentierung ist eine der grössten Herausforderungen der Bildverarbeitung, da eine erfolgreiche Segmentierung meist bereits Wissen über die zu erkennende Struktur benötigt während Details über die zu erkennende Struktur erst nach der Segmentierung zur Verfügung stehen. Oft ist eine erfolgreiche Segmentierung die Voraussetzung für weitere Bildanalyse.
In diesem Seminar werden verschiedene Segmentierungsmethoden vorgestellt. Die Studenten lernen die grundlegenden Konzepte hinter den verschiedenen Algorithmen kennen. Eine Implementation des bearbeiteten Segmentierungsverfahrens ist gefordert, die Ergebnisse werden auf einer aktuellen Datenbank getestet und interpretiert.

Ablauf:

*	Die verbindliche Themenvergabe sowie Festlegung der Seminartermine findet in der Vorbesprechung statt.
*	In den folgenden Veranstaltungen finden einführende Vorträge zu den Teilgebieten statt.
*	Zu den ausgegebenen Themen ist jeweils ein 45 minütiger Vortrag auszuarbeiten.
*	Dem eigenen Themengebiet entsprechend sind Algorithmen zu implementieren und auf der Datenbank zu evaluieren. Entsprechende Ergebnisse sollen diskutiert und interpretiert werden.

Eckdaten:

Zeit:	Mo. 16 hct
Raum:	Geb. 106, Multimediaraum (SR 00-007)
Vorbesprechung:	Do. 19.04.2007, 16 hct: Geb. 103, SR 01-014
Adressaten:	Studenten der Informatik, Mathematik, Physik, Mikrosystemtechnik
Credits:	Anrechnung als Seminar 3 ECTS, je nach Prfungsordnung kann der Praxisteil zusätzlich als Praktikum oder Projekt angerechnet werden.
Organisation:	Qing Wang (qwang at informatik.uni-freiburg.de)
Anmeldung:	Anmeldung ab sofort per Email.

Termin	Thema	Folien/Code	Bearbeitung	Betreuer

14.05.07	Introduction to image segmentation	.pdf	Q. Wang
02.07.07	Anwendung von Kantendetektion und -verfolgung für die Bildsegmentierung	.pdf .zip	B. Traut	T. Schmidt
02.07.07
09.07.07	GVF-based Snakes	.pdf .zip	H. Sheng	Q. Wang
09.07.07	Morphologie- und schwellwertbasierte Verfahren	.pdf .zip	J. Luhr	M. Temerinac
16.07.07	GrabCut	.pdf .zip	R. Bensch	O. Ronneberger
16.07.07	Gaborfilterbasierte Bildsegmentierung	.pdf .zip	F. Hameed	L. Setia

Literatur:

[1]	C. Xu and J. L. Prince, "Snakes, Shapes, and Gradient Vector Flow", IEEE Transactions on Image Processing, 7(3) March 1998, pp 359-369.
[2]	S.K. Weeratunga and C. Kamath, "An Investigation of Implicit Active Contours for Scientific Image Segmentation", Section 2, 2003. (pdf)
[3]	J. Canny, "A computational approach to edge detection", IEEE PAMI, Vol.8, No.6 (Nov. 1986) pp 679-698.
[4]	K. Kanatani and N. Ohta. "Automatic Detection of Circular Objects by Ellipse Growing", 9th Symposium on Sensing via Image Information (SSII2002), July 2002, Yokohama, Japan, pp. 355-360.
[5]	Pietro Perona and Jitendra Malik, "Scale-Space and Edge Detection Using Anisotropic Diffusion", IEEE PAMI, Vol.12 No.7 (July 1990) pp 629-639.
[6]	Rafael C. Gonzalez, Richard E. Woods. Digital Image Processing, Addition-Wesley Publishing Company, 1993.
[7]	A. Jain and F. Farrokhnia, "Unsupervised texture segmentation using Gabor filters", IEEE International Conference on Systems, Man and Cybernetics, 1990. Conference Proceedings.
[8]	C. Carson et al.: Image Segmentation using Expectation Maximization and its application to image querying, TPAMI 24, 2002 Vol.8 pp. 1026-1038
[9]	J. Fehr, O. Ronneberger, H. Kurz, H. Burkhardt, "Self-Learning Segmentation and Classification of Cell-Nuclei in 3D Volumetric Data using Voxel-Wise Gray Scale Invariants", In Proceedings of the 27th DAGM Symposium, in number 3663 LNCS, Springer, Vienna, Austria, 30.8 - 2.9. 2005
[10]	Julia Eckert, Diplomarbeit: Segmentierung biologischer Strukturen in 3D Volumen Daten mit assoziativen Markov-Netzwerken.
[11]	GrabCut, http://research.microsoft.com/vision/cambridge/i3l/segmentation/GrabCut.htm
[12]	J.K. Udupa and P.K. Saha, "Fuzzy Connectedness" in Insights into Images, S.Y. Terry (editor), (A K Peters, 2004)

Suchmaschinen fr Literatur:

Albert-Ludwigs-Universität Freiburg, Lehrstuhl für Mustererkennung und Bildverarbeitung, Qing Wang (qwang at informatik.uni-freiburg.de)

Zuletzt aktualisiert am 19.06.2007, 10:00h