MIN116: Computer Vision

Kernmodule

MIN116: Computer Vision

Kurzporträt MIN116: Computer Vision
Worum geht es? Computer Vision behandelt Verfahren zur Analyse, Interpretation und Bewertung visueller Daten. Die Studierenden arbeiten mit klassischer Bildverarbeitung, Segmentierung, Merkmalen, Objekterkennung, Deep Learning, geometrischer Computer Vision und Point Clouds.
Wofür braucht man es? Die Kompetenzen werden in Anwendungen wie medizinischer Bildanalyse, Qualitätskontrolle, autonomen Systemen, Robotik, Assistenzsystemen oder Augmented Reality benötigt. Sie helfen, visuelle Verfahren passend auszuwählen, umzusetzen und ihre Ergebnisse kritisch zu bewerten.
Wieso ist es interessant? Spannend ist das Modul, weil Bilder für Menschen unmittelbar verständlich wirken, für technische Systeme aber komplexe Messdaten sind. Schon Beleuchtung, Perspektive, Rauschen oder Trainingsdaten können Ergebnisse stark verändern.
Modulverantwortung

Prof. Dr. Regina Pohle-Fröhlich

Lehrperson(en)

Prof. Dr. Regina Pohle-Fröhlich

Verwendbarkeit

Master Informatik

Fächergruppe

Informatik

Modultyp
Wahlpflicht
Sprache

Deutsch

Angebot

Sommersemester

Dauer

1 Semester

Credits

5 ECTS

Benotung

Deutsche Notenskala 1-5

SWS

4SL

Workload
Präsenzstudium: 45 Std. Selbststudium: 90 Std.
Engl. Titel

Computer Vision

Empfohlene Voraussetzungen

Programmierkenntnisse in Python Grundlagen des Maschinellen Lernens

Lernergebnisse / Kompetenzen
WAS

Mit erfolgreichem Abschluss des Moduls sind die Studierenden in der Lage, komplexe Aufgaben im Bereich der Bildanalyse eigenständig zu bearbeiten, geeignete Algorithmen auf Basis eines fundierten algorithmischen Verständnisses auszuwählen, diese zu implementieren und die Ergebnisse fachlich fundiert zu bewerten.

WOMIT

Die Studierenden erreichen dieses Lernergebnis, indem sie

  • grundlegende klassische Bildverarbeitungs‑Techniken analysieren, implementieren und praktisch anwenden,
  • moderne Deep-Learning Ansätze kennen lernen, die innere Funktionsweise reflektieren und vortrainierte Modelle anhand etablierter quantitativer Metriken evaluieren,
  • aktuelle Forschungsansätze auf dem Gebiet der Bildanalyse analysieren, anwenden und ihre Stärken und Schwächen bewerten,
  • Ergebnisse dokumentieren und in einem strukturierten Bericht mit Reflexion über Grenzen und mögliche Verbesserungen präsentieren.
WOZU

Die Studierenden nutzen diese Kompetenzen, um Bildanalyse Lösungen in interdisziplinären Projekten (z. B. autonome Fahrzeuge, medizinische Bilddiagnostik, Qualitätskontrolle in der Industrie oder Augmented Reality Anwendungen) konzeptionell zu planen, technisch umzusetzen und die Resultate wissenschaftlich zu bewerten.

Inhalte
  • grundlegende Bildverarbeitungs‑Techniken (Grauwert‑Transformation, Filterverfahren, Farbraum‑Konversion)
  • klassische Segmentierungsalgorithmen (histogrammbasiert, regionen‑basiert, kanten‑basiert, graphen‑basiert)
  • Merkmal‑Extraktionsverfahren (z.B. Farb‑ und Formmerkmale, Deskriptoren, Histogram of Oriented Gradients (HOG))
  • etablierte Verfahren zur Objekt- und Strukturdetektion (z.B. Canny Operator, Hough-Transformation, Template Matching)
  • Netzwerkarchitekturen für Bildklassifikationsaufgaben
  • Deep-Learning-Ansätze zur Objektdetektion und Segmentierung
  • Algorithmen zur geometrischen Computer Vision (Stereo-Geometrie, Structure from Motion)
  • Algorithmen zur Verarbeitung von Point Clouds
Prüfungsvorleistung

Erfolgreiche Präsentation der Projektergebnisse

Prüfungsleistung

Mündliche Prüfung. Sie wird als Gruppenprüfung durchgeführt.

Literatur
  • W. Burger, M.J. Burge: Digital Image Processing, Springer, 2022
  • W. Shen, C. Si, C. Yang, Y. Yu: Hands-On Computer Vision, Springer, 2026
  • S. Liu, M. Zhang, P. Kadam, C.C. J. Kuo: 3D Point Cloud Analysis, Springer, 2021
  • Y.-J. Zhang: 3D Computer Vision, Springer, 2024
  • S. Esakkirajan, T. Veerakumar, B. N. Subudhi: Digital Image Processing, Springer, 2025