Lehrveranstaltungen

Sommersemester 2024

Vorlesungen

Signale und Systeme II

  • Inhalt: Die Vorlesung befasst sich mit folgenden Themen:
    • Diskrete Signale
    • Zeitdiskrete Fourier-Transformation (DTFT)
    • Diskrete Fourier-Transformation (DFT)
    • z-Transformation
    • Diskrete LTI-Systeme im Zeitbereich
    • Diskrete LTI-Systeme im Frequenzbereich
    • Diskrete LTI-Systeme mit speziellen Übertragungsfunktionen
    • Kausale diskrete LTI-Systeme und Hilbert-Transformation
    • Stabilität diskreter LTI-Systeme
    • Beschreibung von Zufallssignalen
    • Zufallssignale und LTI-Systeme
  • Vorlesungsdozent: André Kaup
  • Übungsdozent: Christian Herglotz
  • Tutorium: Hannah Och
  • ECTS: 5.0
  • SWS: 3.0
  • Sprache: Deutsch
  • Weitere Information sind auf StudOn und Campo zu finden.

Image and Video Compression

  • Inhalt: The lecture gives an introduction to basic concepts and algorithms for coding and transmission of image and video signals. We start with sampling and digital representation of images and video signals and learn about fundamental features of human visual perception. Principles of data compression using redundancy and irrelevancy reduction are discussed in detail together with typical algorithms used for coding of image and video signals. Among others this covers the design of quantizers with the help of the Lloyd-Max algorithm, entropy coding using Huffman and arithmetic coding, as well as run length coding. Moreover, fundamentals of vector quantization and predictive coding are addressed. Methods for frequency analysis will be discussed taking transform coding, subband decomposition and wavelet analysis as examples. The principle of motion compensation and hybrid video coding is introduced. Finally, current MPEG and ITU standards for coding of still images and video signals are explained.
  • Vorlesungsdozent: André Kaup
  • Übungsdozent: Anna Meyer
  • ECTS: 5.0
  • SWS: 3.0
  • Sprache: Englisch
  • Weitere Information sind auf StudOn und Campo zu finden.

Stochastische Prozesse

  • Inhalt:
    • Wahrscheinlichkeitsrechnung und Zufallsvariablen
    • Stochastische Prozesse
    • Schätztheorie
    • Lineare Optimalfilterung
  • Vorlesungsdozent: Sebastian Schlecht
  • Übungsdozent: Sebastian Schlecht
  • ECTS: 5.0
  • SWS: 3.0
  • Sprache:Deutsch
  • Weitere Information sind auf StudOn und Campo zu finden.

Transformationen in der Signalverarbeitung

  • Inhalt: Die Lehrveranstaltung „Transformationen in der Signalverarbeitung“ behandelt mehrere verschiedene Transformationen, die im Rahmen der Signalverarbeitung Verwendung finden. Dabei werden zuerst die grundlegenden Konzepte von Transformationen diskutiert und die Vorteile die Transformationen mit sich bringen erläutert. Im Anschluss daran werden die grundlegenden Eigenschaften von Integraltransformationen betrachtet und die Laplace- und die Fourier-Transformation im Detail untersucht. Um auch zeitlich veränderliche Signale gut transformieren zu können werden danach die Kurzzeit-Fourier-Transformation und die Gabor-Transformation eingeführt. Im Anschluss daran erfolgt eine Betrachtung der Auswirkung der Abtastung auf transformierte Signale, bevor die z-Transformation als Transformation für diskrete Signale behandelt wird. Abschließend erfolgt die Betrachtung weiterer Transformationen für diskrete Signale wie der Diskreten Fourier-Transformation oder linearer Block-Transformationen.
  • Vorlesungsdozent: Jürgen Seiler
  • ECTS: 2.5
  • SWS: 2.0
  • Sprache: Englisch
  • Weitere Information sind auf StudOn und Campo zu finden.

Einführung in Deep Learning

  • Inhalt: Die Studierenden lernen die Grundlagen des Deep Learning, einschließlich klassischer neuronaler Netzmodelle und neuerer Architekturen. Die Studierenden erwerben Kenntnisse über die Verarbeitung verschiedener Arten von Daten mit tiefen neuronalen Netzen. In den Übungen werden die Studierenden einige der Standardmodelle für Klassifizierungs- oder Regressionsaufgaben implementieren und Kenntnisse über Anwendungen des maschinellen Lernens erwerben.

    Zu den Vorlesungsthemen gehören:

    • Learning from data, machine learning and deep learning
    • Machine learning principles
    • Artificial neural networks
    • Convolutional neural networks
    • Back-propagation
    • Network optimization
    • Initialisation, regularisation
    • Deep network architectures
    • Generative models
    • Auto-encoders
    • Sequential models
    • Deep learning applications
  • Vorlesungsdozent: Vasileios Belagiannis
  • ECTS: 5
  • SWS: 4
  • Sprache: Englisch
  • Weitere Informationen sind auf StudOn und Campo zu finden.

Deep Learning für Fortgeschrittene

    • Inhalt: Die Studierenden lernen erweiterte Themen des Deep Learning kennen, darunter aktuelle Netzwerkarchitekturen, generative Modelle, Selbst-Überwachung, Interpretierbarkeit und Erklärbarkeit. In den Übungen werden die Studierenden fortgeschrittene Modelle und Techniken für Klassifizierungs- oder Regressionsaufgaben implementieren.
      Zu den Vorlesungsthemen gehören:
      • Geometric deep learning
      • Attention and transformers
      • Unsupervised and self-supervised learning
      • Generative models
      • Interpretability
      • Explainability
      • Efficient Inference
      • Uncertainty estimation
      • Transfer learning and domain adaptation
      • Few-shot learning
    • Vorlesungsdozent: Vasileios Belagiannis
    • ECTS: 5
    • SWS: 4
    • Sprache: Englisch
    • Weitere Informationen sind auf StudOn und Campo zu finden.

Seminare

Seminar Ausgewählte Kapitel der Multimediakommunikation und Signalverarbeitung

  • Inhalt: Im Seminar ‚Multimediakommunikation und Signalverarbeitung‘ werden aktuelle Themen aus dem Bereich der Multimediakommunikation und Signalverarbeitung bearbeitet. Nach einer gemeinsamen Vorbesprechung und Themenauswahl werden die einzelnen Themen unter Anleitung eines Betreuers oder einer Betreuerin eigenständig im Hinblick auf eine Präsentation in Vortragsform erarbeitet.
  • Verantwortliche: Vasileios Belagiannis
  • ECTS: 2.5
  • SWS: 2.0
  • Sprache: Englisch
  • Weitere Information sind auf StudOn und Campo zu finden.

Seminar on Selected Topics in Machine Learning

  • Inhalt: Im Seminar ‚Selected Topics in Machine Learning‘ werden aktuelle Themen aus dem Bereich des Machine Learning und Deep Learning bearbeitet. Nach einer gemeinsamen Vorbesprechung und Themenauswahl werden die einzelnen Themen unter Anleitung eines Betreuers oder einer Betreuerin eigenständig im Hinblick auf eine Präsentation in Vortragsform erarbeitet.
  • Verantwortliche: Vasileios Belagiannis
  • ECTS: 2.5
  • SWS: 2.0
  • Sprache: Englisch
  • Weitere Information sind auf StudOn und Campo zu finden.

Seminar on Deep Learning in Image and Video Processing

Praktika

Image and Video Compression

  • Inhalt: Der Schwerpunkt des Praktikums liegt auf Videocodierverfahren. Im Laufe des Praktikums erstellt jede Gruppe einen Video-Codec und untersucht dessen Eigenschaften. Kenntnisse in MATLAB sind hilfreich, aber nicht Voraussetzung. Das Praktikum besteht aus vier Teilen.
    • Teil 1: Einführung in MATLAB
    • Teil 2: Verarbeitungsblöcke in Videocodern (Quantisierung, Entropiecodierung, Transformation, Bewegungsschätzung)
    • Teil 3: Integration der einzelnen Verarbeitungsblöcke in eine Verarbeitungskette und Implementierung optionaler Methoden
    • Teil 4: Subjektiver Vergleich und Analyse

    Der Inhalt dieses Praktikums ist eng verbunden mit den Inhalten der Vorlesung Image and Video Compression (IVC).

  • Verantwortliche: Geetha Ramasubbu
  • ECTS: 2.5
  • SWS: 3.0
  • Sprache: Englisch
  • Weitere Information sind auf StudOn und Campo zu finden.

Maschinelles Lernen in der Signalverarbeitung

Wintersemester 2023/24

Vorlesungen

Signale und Systeme I

  • Inhalt: Die Lehrveranstaltung führt in die Beschreibung von kontinuierlichen Signalen und kontinuierlichen zeitinvarianten linearen Systemen ein. Zunächst werden elementare kontinuierliche Signale, der Delta-Impuls, das Faltungsintegral und die Korrelation von Signalen erläutert. Anschließend wird die Frequenzbereichsdarstellung von Signalen mit Hilfe der Fourier- und die Laplace-Transformation eingeführt einschließlich der Theoreme und Korrespondenzen dieser Transformationen. Es folgt die Beschreibung von kontinuierlichen linearen zeitinvarianten Systemen im Zeitbereich durch Impulsantwort und Faltung, Differentialgleichungen und die Zustandsraumdarstellung. Die Systembeschreibung im Frequenzbereich durch Eigenfunktionen, Übertragungs- und Systemfunktion und Zustandsraumdarstellung wird erläutert, ebenso wie die Betrachtung von kontinuierlichen linearen zeitinvarianten Systemen mit Anfangsbedingungen. Nach der Vorstellung von linearphasigen, minimalphasigen, idealisierten Systemen und Allpässen werden Kausalität und Hilbert-Transformation, Stabilität und rückgekoppelte Systeme diskutiert. Die Vorlesung schließt mit der Betrachtung von Abtastsystemen und dem Abtasttheorem für Tiefpass- und Bandpasssignale.
  • Vorlesungsdozent: André Kaup
  • Übungsdozent: Frank Sippel
  • Tutorium: Maximiliane Gruber
  • ECTS: 5.0
  • SWS: 3.0
  • Sprache: Deutsch
  • Weitere Informationen sind auf StudOn und Campo zu finden.

Bild-, Video- und mehrdimensionale Signalverarbeitung

  • Inhalt: Die Vorlesung gibt eine Einführung in die Grundlagen der Bild- und Videosignalverarbeitung. Zunächst werden Operationen auf einzelnen Bildpunkten, morphologische Filter und Farbräume einschließlich Tri-Chromatizität erläutert. Anschließend wird die Theorie mehrdimensionale Signale und Systeme eingeführt und die Wiener-Filterung für Bildsignale hergeleitet. Darauf aufbauend werden Interpolationsverfahren für Bilder wie beispielsweise bi-kubische und Spline-Interpolation erklärt. Es schließen sich Verfahren für die Merkmalsdetektion in Bildern mittels Hough-Transformation und Kantenerkennung an und es wird das Prinzip von skalierungsinvarianten Merkmalen erläutert. Für Videosignale werden Bewegungsschätzverfahren wie optischer Fluss und Algorithmen zum Bild-Matching mittels SIFT und SURF erklärt. Abschließend wird in die Theorie der Bild- und Videosegmentierung mittels statistischer Verfahren eingeführt und es werden transformationsbasierte Verfahren zur Bildverarbeitung vorgestellt.
  • Vorlesungsdozent: André Kaup
  • Übungsdozent: Andy Regensky
  • ECTS: 5.0
  • SWS: 3.0
  • Sprache: Deutsch
  • Weitere Informationen sind auf StudOn und Campo zu finden.

Kommunikationsnetze

  • Inhalt: Die Vorlesung gibt eine Einführung in die grundlegenden Konzepte und Mechanismen von digitalen Kommunikationsnetzen. Nach der Erläuterung einiger Grundbegriffe werden zunächst die hierarchische Strukturierung von Netzfunktionen und das daraus entstandene OSI Schichtenmodell vorgestellt. Im Anschluss an die Diskussion grundsätzlicher Verfahren für die Datenübertragung von Punkt zu Punkt werden Protokolle zur sicheren Übertragung vorgestellt, insbesondere ARQ-Methoden. Es folgen Vielfachfachzugriffstechniken, darunter die Familie der ALOHA-Protokolle, Strategien zur Kollisionsauflösung, Carrier-Sensing-Verfahren und das Prinzip des Token-Passings. Daran schließen sich Verfahren zur Wegelenkung bei leitungs- und paketvermittelten Netzen an. Nach einer Einführung in die Warteraumtheorie gibt die Vorlesung einen Überblick über die Internet Protokollfamilie TCP/IP als wichtiges Systembeispiel und schließt mit einer Betrachtung von Multimedianetzen.
  • Vorlesungsdozent: André Kaup
  • Übungsdozent: Matthias Kränzler
  • ECTS: 5.0
  • SWS: 3.0
  • Sprache: Deutsch
  • Weitere Informationen sind auf StudOn und Campo zu finden.

Digitale Signalverarbeitung

  • Inhalt: Die Vorlesung setzt die grundlegende Theorie zeitdiskreter Signale und Systeme voraus und erweitert diese Grundlagen bei der Diskussion der Eigenschaften idealisierter und kausaler, realisierbarer Systeme (z.B. Tiefpass, Hilbertransformator) und entsprechenden Darstellungen in Zeit-, Frequenz- und z-Bereich. Darauf aufbauend werden Entwurfsverfahren für rekursive und nichtrekursive digitale Filter diskutiert. Dabei werden zunächst rekursive Systeme nach Vorschriften im Frequenzbereich entworfen. Butterworth-, Tschebyscheff- und Cauer-Filter resultieren aus Entwurfsverfahren für zeitkontinuierliche Systeme. Vorschriften im Zeitbereich führen beispielsweise auf das Prony-Verfahren oder Transformationsverfahren wie die Impulsinvariante Transformation. Bei nichtrekursiven Systemen behandeln wir unter anderen die Fourier-Approximation ohne und mit Fenstergewichtung sowie Tschebyscheff-Approximation und deren Realisierung mit dem Remez- Exchange-Algorithmus. Der diskreten Fourier-Transformation und den Algorithmen zu ihrer schnellen Realisierung (‚Fast Fourier Transform‘) wird ebenfalls ein eigener Abschnitt gewidmet. Als verwandte Transformationen werden die Cosinus- und Sinus-Transformationen eingeführt. Daran schließt sich ein Abschnitt zu elementaren Methoden zur nichtparametrischen Spektralschätzung an. Multiratensysteme und ihre effizienten Realisierungen in Polyphasenstruktur bilden die Grundlage zur Behandlung von Analyse/Synthese – Filterbänken und deren Anwendungen. Den abschließenden Teil der Vorlesung bildet eine Untersuchung der Effekte endlicher Wortlänge, die bei der Realisierung aller digitalen Signalverarbeitungssysteme unvermeidlich sind. Zur Vorlesung wird jeweils im Wintersemester das Praktikum Digitale Signalverarbeitung angeboten.
  • Vorlesungsdozent: Walter Kellermann
  • Übungsdozent: Heinrich Löllmann
  • ECTS: 5.0
  • SWS: 3.0
  • Sprache: Englisch
  • Weitere Informationen sind auf StudOn und Campo zu finden.

Statistische Signalverarbeitung

  • Inhalt: Der Inhalt dieser Vorlesung umfasst die folgenden Themenbereich:
    • Zeitdiskrete Zufallsprozesse im Zeit- und Frequenzbereich
    • Zufallsvariablen (ZVn), Wahrscheinlichkeitsverteilungen und –dichten, Erwartungswerte; Transformation von ZVn; Vektoren normalverteilter ZVn; zeitdiskrete Zufallsprozesse (ZPe): Wahrscheinlichkeitsverteilungen und –dichten, Erwartungswerte, Stationarität, Zyklostationarität, Ergodizität, Korrelationsfunktionen und -matrizen, Spektraldarstellungen; ‚Principal Component Analysis‘, Karhunen-Loeve Transformation;
    • Schätztheorie
    • Schätzkriterien; Prädiktion; klassische und Bayes’sche Parameterschätzung (inkl. MMSE, Maximum Likelihood, Maximum A Posteriori); Cramer-Rao-Schranke
    • Lineare Signalmodelle
    • Nichtarametrische Modelle (Cepstrale Zerlegung, Paley-Wiener Theorem, Spektrale Glattheit); Parametrische Modelle: ‚Allpole‘-/‘Allzero‘-/‘Pole-zero‘-(AR/MA/ARMA) Modelle; ‚Lattice‘-Strukturen, Yule-Walker Gleichungen, PARCOR-Koeffizienten, Cepstraldarstellungen;
    • Signalschätzung
    • Überwachte Signalschätzung, Problemklassen; Orthogonalitätsprinzip, MMSE-Schätzung, lineare MMSE-Schätzung für Gaußprozesse; Optimale FIR-Filter; Lineare Optimalfilter für stationäre Prozesse; Prädiktion und Glättung; Kalman-Filter; optimale Multikanalfilterung (Wiener-Filter, LCMV, MVDR, GSC);
    • Adaptive Filterung
    • Gradientenverfahren; LMS-, NLMS-, APA- und RLS-Algorithmus und Ihr Konvergenzverhalten;
  • Vorlesungsdozent: Walter Kellermann
  • Übungsdozentin: Annika Briegleb
  • ECTS: 5.0
  • SWS: 3.0
  • Sprache: Englisch
  •  Weitere Informationen sind auf StudOn und Campo zu finden.

Maschinelles Lernen in der Signalverarbeitung

  • Content: Die Studierenden lernen die Grundlagen des maschinellen Lernens, einschließlich Theorie und Anwendungen. Die Studierenden erwerben Kenntnisse zur Verarbeitung unterschiedlicher Arten von Daten und Signalen mit maschinellen Lernalgorithmen. In den Übungen bearbeiten die Studierenden Regressions- und Klassifikationsaufgaben sowie verschiedene maschinelle Lernansätze.

    Zu den Vorlesungsthemen gehören:

    • Machine learning basics
    • Linear regression
    • Linear classification
    • Performance metrics
    • Decision trees
    • Random forests
    • Support vector machines
    • Neural networks
    • Clustering
    • Dimensionality reduction
  • Vorlesungsdozent: Vasileios Belagiannis
  • Übungsdozent: Amir El-Ghoussani
  • ECTS: 5.0
  • SWS: 3.0
  • Sprache: Englisch
  • Weitere Informationen sind auf StudOn und Campo zu finden.

Einführung in Deep Learning

  • Inhalt: 

    Die Studierenden lernen die Grundlagen des Deep Learning, einschließlich klassischer neuronaler Netzmodelle und neuerer Architekturen. Die Studierenden erwerben Kenntnisse über die Verarbeitung verschiedener Arten von Daten mit tiefen neuronalen Netzen. In den Übungen werden die Studierenden einige der Standardmodelle für Klassifizierungs- oder Regressionsaufgaben implementieren und Kenntnisse über Anwendungen des maschinellen Lernens erwerben.

    Zu den Vorlesungsthemen gehören:

    • Learning from data, machine learning and deep learning
    • Machine learning principles
    • Artificial neural networks
    • Convolutional neural networks
    • Back-propagation
    • Network optimization
    • Initialisation, regularisation
    • Deep network architectures
    • Generative models
    • Auto-encoders
    • Sequential models
    • Deep learning applications
  • Vorlesungsdozent: Vasileios Belagiannis
  • ECTS: 5
  • SWS: 4
  • Sprache: Englisch
  • Weitere Informationen sind auf StudOn und Campo zu finden.

Musikverarbeitung - Synthese

  • Inhalt: Die Vorlesung behandelt die Bearbeitung von Audiosignalen mit parametrischen Filtern und Effekten, sowie die Erzeugung künstlicher Klänge für musikalische Anwendungen. Klangbeispiele und Demonstrationen ergänzen den Vorlesungstoff.
    • Filter und Effekte – Strukturen und Entwurf parametrische Filter – digitale Effekte
    • Digitale Klangsynthese – Eine kurze Geschichte der Computermusik – Wavetables – Spektrale Synthese – Physikalische Modelle
    • Systeme zur Klangproduktion und -wiedergabe – Klangeffekte – Synthesizer – künstlicher Hall
  • Vorlesungsdozent: Maximilian Schäfer
  • ECTS: 2.5
  • SWS: 2.0
  • Sprache: Englisch
  • Weitere Informationen sind auf StudOn und Campo zu finden.

Signalanalyse

  • Inhalt: Es werden im Rahmen dieser Vorlesung unterschiedliche Verfahren zur Analyse digitaler Signale, sowie deren Anwendungsmöglichkeiten behandelt. Die folgenden Konzepte werden dabei insbesondere behandelt:
    • Fourieranalyse von Signalen
    • Signalanalyse mittels Zeit-Frequenz-Transformationen
    • Parametrische und nichtparametrische Signalanalyse
    • Verfahren zur Frequenzschätzung
    • Räumliche Signalanalyse
    • Filterbänke und Wavelets.
  • Vorlesungsdozent: Heinrich Löllmann
  • ECTS: 5.0
  • SWS: 2.0
  • Sprache: Englisch
  • Weitere Informationen sind auf StudOn und Campo zu finden.

Transformationen in der Signalverarbeitung

  • Inhalt: Die Lehrveranstaltung „Transformationen in der Signalverarbeitung“ behandelt mehrere verschiedene Transformationen, die im Rahmen der Signalverarbeitung Verwendung finden. Dabei werden zuerst die grundlegenden Konzepte von Transformationen diskutiert und die Vorteile die Transformationen mit sich bringen erläutert. Im Anschluss daran werden die grundlegenden Eigenschaften von Integraltransformationen betrachtet und die Laplace- und die Fourier-Transformation im Detail untersucht. Um auch zeitlich veränderliche Signale gut transformieren zu können werden danach die Kurzzeit-Fourier-Transformation und die Gabor-Transformation eingeführt. Im Anschluss daran erfolgt eine Betrachtung der Auswirkung der Abtastung auf transformierte Signale, bevor die z-Transformation als Transformation für diskrete Signale behandelt wird. Abschließend erfolgt die Betrachtung weiterer Transformationen für diskrete Signale wie der Diskreten Fourier-Transformation oder linearer Block-Transformationen.
  • Vorlesungsdozent: Jürgen Seiler
  • ECTS: 2.5
  • SWS: 2.0
  • Sprache: Deutsch
  • Weitere Informationen sind auf StudOn und Campo zu finden.

Virtual Vision

  • Inhalt: The lecture „Virtual Vision“ discusses basic knowledge and the state of the art in immersive visual technologies. To this end, the light field function is taken as a basis, which describes light in a mathematical sense. It covers different physical aspects of light such as brightness, color, incident angle, timing, and position of the viewer. These aspects are all discussed in detail with a special focus on the human visual system, capturing of light, processing and compression of light signals, and finally the display of visual data. In addition, we discuss the power and energy consumption of modern visual systems and how they can be reduced. At the end of the lecture, students will have a broad knowledge on important properties of light and be able to understand visual systems enabling virtual reality experiences.
  • Vorlesungsdozent: Christian Herglotz
  • ECTS: 2.5
  • SWS: 2.0
  • Sprache: Englisch
  • Weitere Informationen sind auf StudOn und Campo zu finden.

Seminare

Ausgewählte Kapitel der Multimediakommunikation und Signalverarbeitung

  • Inhalt: This seminar is designed for Bachelor and Master programs in Electrical Engineering, Electronics and Information Technology (EEI), Information and Communication Technology (IuK), Communications and Multimedia Engineering (CME), Advanced Signal Processing and Communications Engineering (ASC) as well as related study programs. The topic of the seminar will be announced in due time and and it consists of three mandatory meetings:
    • First meeting: An introduction will be given and the individual topics are assigned to the participants.
    • Second meeting: The participants will give a brief presentation about the status of their work and hints for the final presentation are given.
    • Third meeting: Each participant will give a presentation of 25 minutes and submit a report on his/her topic of 10 to 15 pages. All presentations will be given in English and the reports are expected to be written in English. Further information will be provided on StudOn.
  • Verantwortliche: Vasileios Belagiannis
  • ECTS: 2.5
  • SWS: 2.0
  • Sprache: Englisch
  • Weitere Informationen sind auf StudOn und Campo zu finden.

Praktika

Bild- und Videosignalverarbeitung auf eingebetteten Plattformen (BiViP)

  • Inhalt: Betrachtet man Anwendungen der Bild- und Videosignalverarbeitung stellt man fest, dass viele davon auf mobilen Plattformen ablaufen. Die dort verwendeten Systeme haben aber häufig nur eine reduzierte Leistungsfähigkeit und müssen besonders auf den Energieverbrauch achten. Nichtsdestotrotz sind aber auch einfache, mobile Systeme wie Smartphones oder Tablets in der Lage, anspruchsvolle Signalverarbeitungsaufgaben für Bild- und Videosignale durchzuführen. Dies umfasst zum Beispiel die Codierung von Bildern und Videos, aber auch die Erzeugung von Panoramen oder die Berechnung von Bildern mit hohem Dynamikumfang. Das Praktikum „Bild- und Videosignalverarbeitung auf eingebetteten Plattformen“ soll die Herausforderung, die mit einer Verarbeitung dieser Signale auf eingebetteten Plattformen einhergehen genauer vermitteln und es wird aufgezeigt, wie man selbst auf Plattformen mit eingeschränkter Leistungsfähigkeit entsprechende Algorithmen umsetzen kann. Hierzu werden in dem Praktikum Raspberry Pis als Plattform verwendet und die Programmierung erfolgt in Python. Die Versuche umfassen den Aufbau und die Inbetriebnahme der eingebetteten Plattform, eine Einführung in Python und in die grundlegenden Prozesse der Bild- und Videosignalverarbeitung. Weitere Versuchsinhalte sind die Anbindung einer Kamera, Bildsignalverarbeitungsprozesse mit der Kamera und die Implementierung verschiedener digitaler Filter. Das Praktikum beinhaltet außerdem verschiedene Anwendungen computergestützten Sehens (Computer Vision). Die Detektion von Merkmalen und Objekten in Bildern und Videos werden einführend behandelt und aktuelle Computer Vision Anwendungen, wie die Erstellung eines Panoramas werden betrachtet.
  • Verantwortliche: Jürgen Seiler, Dat Thanh Nguyen
  • ECTS: 2.5
  • SWS: 2.0
  • Sprache: Englisch
  • Weitere Informationen sind auf StudOn und Campo zu finden.

Digitale Signalverarbeitung

  • Inhalt: In diesem Laborpraktikum wird die Theorie aus der Vorlesung Digitale Signalverarbeitung in der Praxis angewandt, unter Verwendung der Programmierumgebung MATLAB. Die behandelten Themen umfassen Quantisierung, Spektralanalyse, FIR- und IIR-Filterentwurf, Filterbänke, sowie adaptive Filter. Das Praktikum besteht aus 5 Versuchsterminen, an denen die Teilnehmer in Zweiergruppen Programmieraufgaben lösen, und einem Gruppenprojekt in dem jede Gruppe ein individuelles Projekt aus dem Bereich der Digitalen Signalverarbeitung bearbeitet. Zu Beginn jedes Versuchs wird der Stand der Vorbereitung, sowie die Versuchsergebnisse des vergangenen Termins in einem schriftlichen Testat geprüft. Für das Bestehen des Praktikums ist eine Mindestpunktzahl aus den Testaten und dem Gruppenprojekt nötig. Das Praktikum erfordert vorhandene MATLAB-Programmierkenntnisse. Es ist möglich, das Praktikum parallel zur Vorlesung Digitale Signalverarbeitung zu besuchen, allerdings ist es dazu notwendig, die jeweiligen Vorlesungsinhalte vor dem Praktikumstermin zu wiederholen, und an Übung und Tutorium teilzunehmen.
  • Verantwortliche: Matthias Kreuzer, Heinrich Löllmann
  • ECTS: 2.5
  • SWS: 2.0
  • Sprache: Englisch
  • Weitere Informationen sind auf StudOn und Campo zu finden.

Simulations-Tools

Das Praktikum wird im Rahmen der „Arbeitstechnik“ angeboten.

  • Inhalt: Pro SimTools-Termin (V1, V2,…) gibt es zwei Gruppen (A, B)*. Die Gruppenaufteilung für die Workshops und das Praktikum SimTools erfolgt im Rahmen der Anmeldung in MeinCampus. Falls es für eine Gruppe mehr Anmeldungen als Plätze gibt, so wird den Teilnehmern auf der Warteliste ein Platz in einer anderen Gruppe angeboten.
    • Termine
      • 09.12.2022: Gruppe A, 8-12 Uhr: V1 Einführung in MATLAB Gruppe B, 12-16 Uhr: V1 Einführung in MATLAB
      • 16.12.2022: Gruppe A, 8-12 Uhr: V2 Grafische Ausgabe Gruppe B, 12-16 Uhr: V2 Graphische Ausgabe
      • 13.01.2023: Gruppe A, 8-12 Uhr: V3 Matrizen & lineare Gleichungssysteme Gruppe B, 12-16 Uhr: V3 Matrizen & lineare Gleichungssysteme
      • 20.01.2023: Gruppe A, 8-12 Uhr: V4 Komplexe Zahlen Gruppe B, 12-16 Uhr: V4 Komplexe Zahlen
      • 27.01.2023, SimTools Nachholtermin für alle Gruppen von 8 – 12 Uhr
  • Verantwortliche: Heinrich Löllmann
  • SWS: 2.0
  • Sprache: Deutsch
  •  Weitere Informationen sind auf StudOn und Campo zu finden.