Inleiding tot beeldverwerking met Matlab Training Cursus

Beeldgrondslagen en MATLAB-beeldverwerking

1. Inleiding tot digitale beeldverwerking

• Digitale afbeeldingen en pixels begrijpen
• Beelddimensies, resolutie en datatypen
• Inleiding tot de MATLAB Image Processing Toolbox
• Het basisproces van beeldverwerking begrijpen

2. Afbeeldingen importeren en visualiseren

• Afbeeldingen in MATLAB laden
• Afbeeldingen weergeven en eigenschappen inspecteren
• Werkzaamheden met beelddimensies en datatypen
• Verschillende afbeeldingsrepresentaties vergelijken

3. Werken met kleureafbeeldingen

• RGB-kleureafbeeldingen begrijpen
• Toegang tot individuele rode, groene en blauwe kanalen
• Kleurkanalen combineren en manipuleren
• Omvangen tussen kleurrepresentaties

4. Grijskaars- en binairafbeeldingen

• RGB-afbeeldingen omzetten naar grijskaars
• Intensiteitswaarden begrijpen
• Binairafbeeldingen creëren
• Grondslagen van drempelwaardes
• Grijskaars- en binairrepresentaties vergelijken

5. Beeldmaskers en regionen van belang

• Beeldmaskers begrijpen
• Logische maskers creëren
• Maskers toepassen op afbeeldingen
• Regionen van belang selecteren en analyseren

6. Afbeeldingen opslaan en exporteren

• Bewerkte afbeeldingen opslaan
• Afbeeldingsformaten beheren
• Resultaten exporteren voor verdere analyse

Praktische oefening: Bouw een basis-MATLAB-werkflow om een afbeelding te laden, te inspecteren, te manipuleren, te maskeren en op te slaan.

Beeldverbetering, ruisreductie, registratie en functiedetectie

1. Interactieve beeldanalyse

• Interactief met afbeeldingen verkennen
• Pixelwaarden en beeldregionen inspecteren
• Regionen van belang selecteren
• Oorspronkelijke en bewerkte afbeeldingen vergelijken

2. Beeldverbetering

• Zichtbaarheid van afbeeldingen verbeteren
• Beeldintensiteit aanpassen
• Contrastverbetering
• Afbeeldingen voorbereiden voor latere analyse

3. Ruis en beeldherstel

• Gemeenschappelijke afbeeldingsruis begrijpen
• Ruis in afbeeldingen identificeren
• Gladstrijktechnieken toepassen
• Verschillende ruisreductie-aanpakken vergelijken
• Evenwicht vinden tussen ruisreductie en behoud van beelddetail

4. Beelduitlijning en registratie

• Beeldregistratie begrijpen
• Afbeeldingen uitlijnen met verschillende gezichtspunten of posities
• Geschikte registratie-aanpakken selecteren
• Nauwkeurigheid van uitlijning evalueren

5. Creëren van panoramafoto's

• Overlappende afbeeldingen combineren
• Corresponderende beeldfuncties detecteren
• Afbeeldingen uitlijnen en verblenden
• Een panorama-scène creëren

6. Detecteren van geometrische functies

• Rechte lijnen detecteren
• Cirkels detecteren
• Het concept van de Hough-transformatie begrijpen
• Lijn- en cirkeldetectie toepassen op praktische afbeeldingen

Praktische oefening: Verwijder ruis uit een afbeelding, lijn meerdere afbeeldingen uit, creëer een panorama en detecteer geometrische functies.

Histogrammen, filtering en beeldsegmentatie

1. Afbeeldingshistogrammen

• Distributies van beeldintensiteit begrijpen
• Historgrammen creëren en interpreteren
• Histogram-gebaseerde beeldanalyse
• Gebruik van histogrammen voor het ondersteunen van drempelwaardekeuze
• Beeldkenmerken vergelijken met behulp van histogrammen

2. 2D-beeldfiltering

• Ruimtelijke filtering begrijpen
• Grondslagen van beeldconvolutie
• 2D-filterkernen ontwerpen
• Filters toepassen op afbeeldingen
• Gladstrijken en scherpen
• Verschillende filterreacties vergelijken

3. Randdetectie

• Beeldranden begrijpen
• Gradiënt-gebaseerde randdetectie
• Grenzen van objecten detecteren
• Geschikte randdetectiemethoden selecteren
• Randdetectie verbeteren door voorbehandeling

4. Objectsegmentatie

• Inleiding tot beeldsegmentatie
• Voorgrondobjecten scheiden van achtergronden
• Drempelwaarde-gebaseerde segmentatie
• Intensiteit-gebaseerde segmentatie
• Segmentatieresultaten evalueren

5. Kleur-gebaseerde segmentatie

• Kleurruimtes begrijpen
• Handige kleurinformatie selecteren
• Objecten segmenteren op basis van kleur
• Variaties in verlichting verwerken

6. Textuur-gebaseerde segmentatie

• Textuurinformatie begrijpen
• Objecten identificeren met behulp van textuurkenmerken
• Textuurinformatie combineren met andere segmentatietechnieken

Praktische oefening: Ontwikkel een complete segmentatieworkflow met behulp van filtering, randdetectie, intensiteit, kleur en textuurinformatie.

Gearbide beeldanalyse, morfologie en objectmeting

1. Batch-beeldverwerking

• Automatiseerde beeldverwerkingswerkflows begrijpen
• Meerdere afbeeldingen uit een map lezen
• Zelfde verwerkingsstappen toepassen op collecties van afbeeldingen
• Resultaten van analyse opslaan en ordenen
• Hergebruikbare MATLAB-scripts bouwen voor beeldanalyse

2. Morfologische beeldverwerking

• Inleiding tot mathematische morfologie
• Structurerende elementen
• Erosie en dilatie
• Openen en sluiten
• Gaten vullen en ongewenste regionen verwijderen
• Resultaten van binaire segmentatie verfijnen

3. Vorm-gebaseerde objectsegmentatie

• Objecten identificeren op basis van vorm
• Verbonden objecten scheiden
• Kleine of ongewenste objecten verwijderen
• Grenzen van objecten verfijnen
• Segmentatie- en morfologische technieken combineren

4. Meten van objecteigenschappen

• Individuele objecten detecteren
• Objectoppervlak en omtrek meten
• Bepalingskaders en zwaartepunten
• Vorm- en geometrische metingen
• Objecteigenschappen extraheren voor verdere analyse

5. Kwantitatieve beeldanalyse

• Resultaten van beeldverwerking omzetten in numerieke data
• Metingstabellen creëren
• Objecten vergelijken
• Objecten identificeren op basis van gemeten eigenschappen
• Resultaten van analyse exporteren

6. End-to-end beeldverwerkingsworkflow

Deelnemers combineren de tijdens de cursus geleerde technieken om een complete beeldanalyseworkflow te ontwikkelen:

Afbeeldingsacquisitie → voorbehandeling → verbetering → filtering → segmentatie → morfologische verwerking → objectdetectie → meting → rapportage

Praktische oefening: Ontwikkel een geautomatiseerde MATLAB-toepassing die een collectie afbeeldingen verwerkt, objecten segmenteert, vormeigenschappen extrahert en kwantitatieve resultaten produceert.

Praktische Oefeningen

Tijdens de cursus werken deelnemers aan praktische voorbeelden met betrekking tot:

• Beeldverbetering en visualisatie
• RGB- en grijskaarsbeeldanalyse
• Ruisreductie
• Beeldfiltering
• Panoramacreatie
• Lijn- en cirkeldetectie
• Randdetectie
• Kleur- en textuursegmentatie
• Morfologische verwerking
• Vorm-gebaseerde objectdetectie
• Objectmeting
• Automatiseerde batchverwerking