Forstå fundamental konsepter av billeddannelse, samt sensorikk knyttet til dette og belysningsteknikker
Kjenne grunnleggende teknikker i bildebehandling,
kjenne et kameras interne og eksterne parametere, samt kunne kjenne metoder for billedoppretting (distrotion correction). Kjenne til flerkamerasyn.
Anvende machine vision teknikker til å løse kjente problemer innen forskningsbasert og industrielle anvendelser.
Kunne bruke bildeprosesseringsverktøy som MatLab, OpenCV e.l.
Innhold
Machine vision handler om hvordan et datasystem tolker og forstår verden rundt seg basert på digitale bilder og videoer. Gjennom transformasjoner og matematiske funksjoner kan systemet trekke ut egenskaper i et bilde og gjenkjenne slike egenskaper gjennom en bildesekvens. I dette faget får man en introduksjon til dette fagfeltet. Du lærer om hvilke faktorer som påvirker et bilde og dets kvaliteter, bildeprosessering og segmentering, samt semantisk bildeinformasjon og teknikker for å utnytte dette i computer vision sammenheng.
Kameramodel (pinhole vs virkelig kamera med linse)
Transformasjoner (2D->3D, 3D->3D)
Undervisnings- og læringsformer
Forelesninger, prosjekt/øvinger. Forventet arbeidsbelastning for gjennomsnittsstudenten er 27 timer pr studiepoeng.
Vilkår for å gå opp til eksamen
Obligatoriske øvinger/prosjekter. Mengde og type angis ved kursstart hvert semester.
Eksamen
Mappe. Gradert karakter. Informasjon om innholdet i mappen blir gitt ved semesterstart i Canvas.
Studentevaluering
Emneansvarlig fastsetter i samråd med studenttillitsvalgt evalueringsform og om emnene skal ha midtveis- eller sluttevaluering i tråd med kvalitetssystemet kapittel 4.1.
Opptakskrav hvis tilbudt som enkeltemne
Generell studiekompetanse med R1, R2 og Fysikk 1 eller tilsvarende, eller ettårig forkurs for ingeniørutdanning.