Module also offered within study programmes:
General information:
Name:
Image Analysis
Course of study:
2018/2019
Code:
JIS-1-009-s
Faculty of:
Physics and Applied Computer Science
Study level:
First-cycle studies
Specialty:
-
Field of study:
Applied Computer Science
Semester:
0
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Full-time studies
Course homepage:
 
Responsible teacher:
dr hab. inż. Kowalski Piotr Andrzej (pkowal@agh.edu.pl)
Academic teachers:
Module summary

Celem zajęć jest zapoznanie studentów z podstawowymi metodami i algorytmami analizy obrazów oraz przykładami ich użycia w rozmaitych zagadnieniach aplikacyjnych.

Description of learning outcomes for module
MLO code Student after module completion has the knowledge/ knows how to/is able to Connections with FLO Method of learning outcomes verification (form of completion)
Social competence
M_K005 Student potrafi opracować materiały dotyczące określonych zagadnień w formie referatu i prezentacji. IS1A_K03, IS1A_K01 Project
M_K006 Student potrafi sporządzić poprawną dokumentację kodu. IS1A_K02, IS1A_K01 Report
Skills
M_U005 Student potrafi zaimplementować wybrane algorytmy związane z analizą i przetwarzaniem obrazów. IS1A_U06 Project,
Report
M_U006 Student potrafi parametryzować wybrane algorytmy obróbki obrazów oraz łączyć je ze sobą w celu poprawienia jakości analizowanego obrazu. IS1A_U06, IS1A_U02 Project,
Report
Knowledge
M_W007 Student zna i rozumie podstawowe pojęcia związane z analizą obrazów. IS1A_W03, IS1A_W02 Project,
Report
M_W008 Student zna i rozumie podstawowe algorytmy związane z analizą obrazów. IS1A_W03 Project,
Report
M_W009 Student zna mechanizm działania algorytmów rozpoznawania kształtów. IS1A_W03, IS1A_W02 Project,
Report
FLO matrix in relation to forms of classes
MLO code Student after module completion has the knowledge/ knows how to/is able to Form of classes
Lecture
Audit. classes
Lab. classes
Project classes
Conv. seminar
Seminar classes
Pract. classes
Zaj. terenowe
Zaj. warsztatowe
Others
E-learning
Social competence
M_K005 Student potrafi opracować materiały dotyczące określonych zagadnień w formie referatu i prezentacji. - - - + - - - - - - -
M_K006 Student potrafi sporządzić poprawną dokumentację kodu. - - + - - - - - - - -
Skills
M_U005 Student potrafi zaimplementować wybrane algorytmy związane z analizą i przetwarzaniem obrazów. - - + - - - - - - - -
M_U006 Student potrafi parametryzować wybrane algorytmy obróbki obrazów oraz łączyć je ze sobą w celu poprawienia jakości analizowanego obrazu. - - + - - - - - - - -
Knowledge
M_W007 Student zna i rozumie podstawowe pojęcia związane z analizą obrazów. + - + + - - - - - - -
M_W008 Student zna i rozumie podstawowe algorytmy związane z analizą obrazów. + - + + - - - - - - -
M_W009 Student zna mechanizm działania algorytmów rozpoznawania kształtów. + - + - - - - - - - -
Module content
Lectures:

Zagadnienia poruszane na wykładzie:

  • Wstępne przetwarzanie obrazów (Image Preprocessing)
  • Szkieletyzacja (Image Thinning)
  • Segmentacja obrazu (Image Segmentation)
  • Ekstrakcja cech (Feature Extraction)
  • Opis obrazu oraz jego reprezentacja w celu jego klasyfikacji (Image Description for Classification)
  • Klasyfikacja (Image Classification)
  • Interpretacja obrazu (Image Understanding)
  • Wstęp do rozpoznawania wzorców geometrycznych (Pattern Recognition)

Laboratory classes:
  1. Podstawowe algorytmy obróbki obrazów (3 laboratoria)

    Student poznaje podstawowe klasy do obsługi obrazów w wybranym języku oprogramowania, na przykład JAVA, oraz implementuje podstawowe algorytmy obróbki obrazów, takie jak:

    • negatyw
    • konwersja do odcieni szarości
    • normalizacja histogramu
    • skalowanie
    • zmiana jasności
    • filtry splotowe
    • obrót
    • detekcja krawędzi

  2. Binaryzacja obrazów (2 laboratoria)

    Student implementuje i przeprowadza porównanie skuteczności wybranych algorytmów binaryzacji obrazów.

  3. Metody odszumiania obrazu (2 laboratoria)

    Student implementuje i przeprowadza porównanie skuteczności wybranych algorytmów odszumiania obrazów. Student poznaje również różnice pomiędzy różnymi rodzajami szumów oraz sposoby symulacji szumów na obrazach.

  4. Obróbka obrazów w środowisku obliczeniowym (2 laboratoria)

    Studenci uczą się implementacji algorytmów poznanych na wcześniejszych zajęciach w wybranym środowisku obliczeniowym (na przykład MATLAB).

  5. Erozja i dylatacja (1 laboratoria)

    Studenci implementują algorytmy erozji i dylatacji oraz poznają zastosowania praktyczne operacji otwarcia i zamknięcia.

  6. Szkieletyzacja (3 zajęcia)

    Studenci implementują i porównują wybrane algorytmy szkieletyzacji kształtów, na przykład:

    • przez maskę
    • KMM
    • K3M

  7. Filtr Gabora – wykrywanie przebiegu linii na obrazach (1 laboratoria)

    Studenci implementują filtr Gabora w celu rozwiązania wybranych problemów analizy obrazów.

  8. Ciekawostki w analizie obrazów (1 laboratoria)

    Studenci zapoznają się z zaawansowanymi lub wyspecjalizowanymi algorytmami obróbki obrazów.
    Na tych zajęciach studenci również uzupełniają braki i zapoznają się z oceną końcową.

Project classes:

Tematy wykładów są rozszerzane przez studentów w formie projektów. Każda grupa studentów (1-3) opracowuje temat, który prezentuje na zajęciach projektowych.

Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 150 h
Module ECTS credits 6 ECTS
Participation in lectures 30 h
Realization of independently performed tasks 35 h
Participation in laboratory classes 15 h
Preparation for classes 45 h
Contact hours 10 h
Completion of a project 15 h
Additional information
Method of calculating the final grade:

Ocena końcowa będzie wystawiana na podstawie sprawozdań z zajęciach laboratoryjnych, na podstawie wykonanego projektu oraz aktywności na wykładzie.

Prerequisites and additional requirements:

Umiejętność programowana, na przykład w języku JAVA, lub posługiwania się środowiskiem obliczeniowym, na przykład MATLAB lub SCILAB.

Recommended literature and teaching resources:
  • Gonzalez R. C., Woods R. E.: Digital Image Processing. Prentice Hall, 2008.
  • Choraś R. S.: Komputerowa wizja: Metody interpretacji i identyfikacji obiektów. Problemy współczesnej nauki, teoria i zastosowania, informatyka, Akademicka Oficyna Wydawnicza EXIT, 2005.
  • Tadeusiewicz R.: Komputerowa analiza i przetwarzanie obrazów. Społeczeństwo globalnej informacji, Wydawnictwo fundacji postępu Telekomunikacji, Kraków, 1997.
  • Malina W., Ablemeyko S., Pawlak W.: Podstawy Cyfrowego Przetwarzania Obrazów. Akademicka Oficyna Wydawnicza EXIT, Warsaw, 2002.
  • Kasprzyk W.: Rozpoznawanie obrazów i sygnałów mowy. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa 2009.
  • Saeed K., Image Analysis for Object Recognition. Bialystok University of Technology, Bialystok, 2004.
Scientific publications of module course instructors related to the topic of the module:

*P. A. Kowalski. “Procedura ekstrakcji cech z obrazu twarzy dla potrzeb systemu biometrycznego”.
In Polish. Technical Transactions vol. 25. no. 1-AC (2012), pp. 55–79.
*P. Kulczycki, M. Charytanowicz, P. A. Kowalski, and S. Łukasik. “The complete gradient
clustering algorithm: properties in practical applications”. Journal of Applied
Statistics vol. 39. no. 6 (2012), pp. 1211–1224.
*M. Charytanowicz, P. Kulczycki, P. A. Kowalski, S. Lukasik, and R. Czabak-Garbacz.
“Classification of Wheat Grains Using X–ray Images”. Computers and Electronics in
Agriculture (2017).

Additional information:

Dopuszczalna jest jedna nieobecność na zajęciach laboratoryjnych i projektowych. Zajęcia można odrobić – w miarę dostępności miejsc – w innej grupie projektowej/laboratoryjnej. Student zobligowany jest w najkrótszym możliwym terminie zgłosić się do prowadzącego zajęcia w celu ustalenia terminu odrobienia zajęć

W przypadku niemożliwości odrobienia zajęć lub większej liczby nieobecności istnieje możliwość uzupełnienia nieobecności w formie indywidualnego zadania domowego.

Student który bez usprawiedliwienia opuścił więcej niż 50% zajęć i jego cząstkowe wyniki w nauce były negatywne może zostać pozbawiony przez prowadzącego zajęcia możliwości wyrównania zaległości. Od takiej decyzji prowadzącego zajęcia student może się odwołać do prowadzącego przedmiot i/lub Dziekana.