Computer Vision, Machine Learning, Pattern Recognition

<< Zurück zu Serviceangebot Ich befasse mich mit den Themen rund um Mustererkennung seit 2010. Angefangen mit Spracherkennung, rutschte ich 2011 in Mustererkennung in Bilddaten rein. Folgende Projekte habe ich mit ML/PR Methoden realisiert:

  • Autofokussierung eines Mikroskops bei extrem schwankenden Lichtverhältnissen, 5MP-Auflösung, Suchbereich von 2cm, Fokusbereich von 10um. Max. AF-dauer: 10 Sekunden
  • Positiv/Negativ Klassifizierung für Antikörperanalysen in den Bildern von Blutzellen.
  • Endpoint-Titer Bestimmung in biologischen Proben anhand der Bildanalyse.

Aktuelle Projekte (Stand 2015.01):

  • Klassifizierung von Antikörpermustern in den Bildern von Blutzellen. Ziel ist es, zwischen über 120 Antikörpermustern zu unterscheiden. Zum Einsatz kommen OpenCV und kaskadierte SVMs.

Bücher und Links, die ich beim Erlernen der Themen CV, ML, PR nützlich fand: Bücher und Artikel

  • “Learning OpenCV. Computer Vision with the OpenCV Library”, G. Bradski, 2008 – Standardwerk für OpenCV
  • “Pattern Classification”,R. Duda, 2001 – Ein Standardnachschlagewerk zu Mustererkennung. (Das teuerste Buch, das ich bis jetzt gekauft habe :-)
  • “Handbook of Computer Vision Algorithms in Image Algebra”, G. Ritter, 2001 – Ein Lehrbuch mit vielen Übungen und Bildbeispielen
  • “Computer Vision. A Modern Approach”, Forsyth D.A., Ponce J, 2002 – Erklärung der Arbeitsweise von Algorithmen mit vielen Bildbeispielen
  • “Supervised Image Classi cation with Khoros – the Classify Toolbox Manual”, R. Santos, 1997 – Viele Bildbeispiele und Ideen für die Implementierung eines Klassifikators.
  • “Biosignal and Biomedical Image Processing – Matlab-Based Applications”, J. Semmlow, 2004 – MatLab basiert, viele Algorithmen werden anhand von Bildern erklärt.
  • “Mathematical Models in Computer Vision and Image Processing”, M. Jiang, 2001 – Sehr mathematiklastig und theoretisch aber für einen Praktiker interessant um zu sehen, über was im akademischen Bereich geredet wird.
  • “Data Mining for the Masses”, M. North, 2012 – Buch zu Rapid-I.
  • “Learning and Soft Computing. Support Vector Machines, Neural Networks, and Fuzzy Logic Models”, Vojislav Kecman, The MIT Press, 2001 – Sehr gutes Buch zum Verständnis von SVM, NN, und FL. Die drei Bereiche von ML werden in dem Buch gleichwertig behandelt, was einen guten Überblick über die Vor-/Nachteile einzelner Methoden bietet. Das Buch hat auch eine gelungene Balance zwischen Formeln, Beispielen und grafischen Erklärungen

Links