De student heeft een goede kennis van algebra, analyse, statistiek en beeldverwerking. 

In het basisvak beeldverwerking ligt de focus op laag-niveau beeldbewerkingen: bewerkingen die een beeld omzetten in een ander beeld waarin bepaalde informatie beter tot uiting komt. In de cursus geavanceerde beeldverwerking bouwen we hierop voort om midden-niveau beeldbewerkingen te introduceren die een beeld omzetten in andere voorstellingen van wat er in dat beeld te zien is, hetgeen vaak een eerste stap is in het begrijpen van een beeld (hoog-niveau beeldbewerkingen, in feite een deeldiscipline van artificiële intelligentie).
Concreet gaat dit vak over het detecteren en beschrijven van opvallende kenmerken in een beeld, voornamelijk beeldpunten die toelaten om de lokale omgeving in een beeld te karakteriseren en te detecteren of deze punten ook in andere beelden voorkomen. Dit is een belangrijke eerste stap in het ordenen van beelden of in beeldherkenning bijvoorbeeld, of om cameracalibratie en 3D reconstructie mogelijk te maken. Vervolgens komen segmentatie en matting aan de beurt: dat is het opsplitsen van een beeld in gebieden met intern homogene kenmerken. Vaak is het nodig om een voorgrond/achtergrond segmentatie uit te voeren, bijvoorbeeld het onderscheiden van een persoon tegen een achtergrond, bijvoorbeeld het landschap, of een speler van een spel tegen de achtergrond van de kamer waarin hij/zij speelt. Tracking, het volgen van een bewegend object in een videocamerabeeld, is een derde onderwerp, dat veelvuldig nodig is in cameragebaseerde toepassingen. Tot slot komen beginselen van neuromorfe rekenmethoden (ihb deep neural networks) in de beeldverwerking aan bod. Dit is een klasse technieken die ondermeer zelfrijdende auto's mogelijk maakt, maar ook tot doorbraken heeft geleid in de oplossing van tal van andere beeldverwerkingsproblemen zoals objectherkenning.
Het vak wordt ondersteund door een practicum gebruikt makend van de OpenCV open source programmabibliotheek (www.opencv.org).

De student heeft een goede kennis van algebra, analyse, statistiek en beeldverwerking. 

In het basisvak beeldverwerking ligt de focus op laag-niveau beeldbewerkingen: bewerkingen die een beeld omzetten in een ander beeld waarin bepaalde informatie beter tot uiting komt. In de cursus geavanceerde beeldverwerking bouwen we hierop voort om midden-niveau beeldbewerkingen te introduceren die een beeld omzetten in andere voorstellingen van wat er in dat beeld te zien is, hetgeen vaak een eerste stap is in het begrijpen van een beeld (hoog-niveau beeldbewerkingen, in feite een deeldiscipline van artificiële intelligentie).
Concreet gaat dit vak over het detecteren en beschrijven van opvallende kenmerken in een beeld, voornamelijk beeldpunten die toelaten om de lokale omgeving in een beeld te karakteriseren en te detecteren of deze punten ook in andere beelden voorkomen. Dit is een belangrijke eerste stap in het ordenen van beelden of in beeldherkenning bijvoorbeeld, of om cameracalibratie en 3D reconstructie mogelijk te maken. Vervolgens komen segmentatie en matting aan de beurt: dat is het opsplitsen van een beeld in gebieden met intern homogene kenmerken. Vaak is het nodig om een voorgrond/achtergrond segmentatie uit te voeren, bijvoorbeeld het onderscheiden van een persoon tegen een achtergrond, bijvoorbeeld het landschap, of een speler van een spel tegen de achtergrond van de kamer waarin hij/zij speelt. Tracking, het volgen van een bewegend object in een videocamerabeeld, is een derde onderwerp, dat veelvuldig nodig is in cameragebaseerde toepassingen. Tot slot komen beginselen van neuromorfe rekenmethoden (ihb deep neural networks) in de beeldverwerking aan bod. Dit is een klasse technieken die ondermeer zelfrijdende auto's mogelijk maakt, maar ook tot doorbraken heeft geleid in de oplossing van tal van andere beeldverwerkingsproblemen zoals objectherkenning.
Het vak wordt ondersteund door een practicum gebruikt makend van de OpenCV open source programmabibliotheek (www.opencv.org).