Module also offered within study programmes:
General information:
Name:
Image Analysis and Processing
Course of study:
2018/2019
Code:
JIS-2-105-GK-s
Faculty of:
Physics and Applied Computer Science
Study level:
Second-cycle studies
Specialty:
Grafika komputerowa i przetwarzanie obrazów
Field of study:
Applied Computer Science
Semester:
1
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Full-time studies
Course homepage:
 
Responsible teacher:
dr inż. Joanna Świebocka-Więk (jsw@agh.edu.pl)
Academic teachers:
dr inż. Jędrychowski Mariusz (Mariusz.Jedrychowski@fis.agh.edu.pl)
dr inż. Joanna Świebocka-Więk (jsw@agh.edu.pl)
Module summary

W ramach kursu studenci poznają algorytmy przetwarzania, segmentacji i analizy obrazów 2D (zdjęcie, obraz z kamery) oraz ich implementacji w oparciu o zastosowanie biblioteki OpenCV.

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_K001 Student potrafi opracować materiały dotyczące określonych zagadnień w formie referatu/sprawozdania lub prezentacji. IS2A_K01, IS2A_K02 Project
M_K002 Student potrafi sporządzić poprawną dokumentację kodu. IS2A_K03, IS2A_K02 Report
Skills
M_U001 Student potrafi zaimplementować wybrane algorytmy związane z analizą i przetwarzaniem obrazów, rozwinąć je i na ich podstawie napisać system np. rozpoznający pismo. IS2A_U02, IS2A_U06 Report
M_U002 Student potrafi zaimplementować i użyć wybrane algorytmy związane z analizą i przetwarzaniem obrazów, rozwinąć je i na ich podstawie napisać system np. rozpoznający ruch. IS2A_U02, IS2A_U06 Report
Knowledge
M_W001 Student zna i rozumie podstawowe pojęcia związane z analizą obrazów. IS2A_W01 Project,
Report
M_W002 Student zna i rozumie podstawowe algorytmy związane z analizą obrazów. IS2A_W01 Project,
Report
M_W003 Student zna mechanizm działania algorytmów rozpoznawania cech obrazów np. kształtów. IS2A_W01 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_K001 Student potrafi opracować materiały dotyczące określonych zagadnień w formie referatu/sprawozdania lub prezentacji. - - - + - - - - - - -
M_K002 Student potrafi sporządzić poprawną dokumentację kodu. - - + - - - - - - - -
Skills
M_U001 Student potrafi zaimplementować wybrane algorytmy związane z analizą i przetwarzaniem obrazów, rozwinąć je i na ich podstawie napisać system np. rozpoznający pismo. - - + - - - - - - - -
M_U002 Student potrafi zaimplementować i użyć wybrane algorytmy związane z analizą i przetwarzaniem obrazów, rozwinąć je i na ich podstawie napisać system np. rozpoznający ruch. - - + - - - - - - - -
Knowledge
M_W001 Student zna i rozumie podstawowe pojęcia związane z analizą obrazów. + - + + - - - - - - -
M_W002 Student zna i rozumie podstawowe algorytmy związane z analizą obrazów. + - + + - - - - - - -
M_W003 Student zna mechanizm działania algorytmów rozpoznawania cech obrazów np. kształtów. + - + + - - - - - - -
Module content
Lectures:

Zagadnienia poruszane na wykładach:

  • Wprowadzenie do analizy obrazów.
  • Metody reprezentacji obrazów cyfrowych.
  • Podstawowe algorytmy analizy obrazów.
  • Metody filtracji obrazów.
  • Morfologia obrazów.
  • Segmentacja obrazów.
  • Metody analizy obrazów a biometria – rozpoznawanie człowieka na podstawie obrazu.
  • Metody akwizycji obrazów i sensory.
  • Systemy rozpoznawania obrazów w zastosowaniach przemysłowych.
  • Systemy rozpoznawania obrazu wideo – rozpoznawania obiektów w ruchu.

Laboratory classes:
Ogólny opis zajęć

Laboratorium realizuje tematykę wykładów poprzez zapoznanie z dostępnym oprogramowaniem analitycznym (środowisko obliczeniowe MATLAB, SCILAB lub inne dostępne, język programowania JAVA lub inny) oraz demonstrację jego zastosowania do analizy obrazu z uwzględnieniem problemów, jakie spotyka się podczas analizy. Opracowane podczas laboratorium samodzielne zadania mają na celu zaznajomienie studentów ze sposobami implementacji przykładowych algorytmów, a także zaproponowanie własnych rozwiązań lub modyfikacji istniejących.

Project classes:

Tematy wykładów są rozszerzane przez studentów w formie projektów. Każda grupa studentów (1-3) opracowuje oraz implementuje otrzymany temat badawczy.

Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 128 h
Module ECTS credits 5 ECTS
Participation in lectures 18 h
Realization of independently performed tasks 30 h
Participation in laboratory classes 30 h
Preparation for classes 40 h
Completion of a project 10 h
Additional information
Method of calculating the final grade:

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

Ocena końcowa z modułu obliczana jest, jako średnia ważona: ocena z laboratorium (40%), ocena z projektu (30%), ocena za test(30%).

W przypadku otrzymania wyniku średniej ważonej pomiędzy ocenami o ocenie końcowej decyduje obecność na wykładach.

Prerequisites and additional requirements:

Umiejętność programowana, na przykład w języku JAVA, lub posługiwania się środowiskiem obliczeniowym, 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:

1. Analiza i przetwarzanie obrazów tomograficznych w zastosowaniu do interpretacji skał geologicznych — Mariusz JĘDRYCHOWSKI

2. Wykorzystanie pomiarów mikrotomograficznych do badania skał łupkowych — Microtomography measurements for shale rocks investigations] / Paulina KRAKOWSKA, Jacek TARASIUK, Sebastian WROŃSKI, Mariusz JĘDRYCHOWSKI

Pozycje 1 i 2 znajdują się w: Adaptacja do warunków polskich metodologii wyznaczania \emph {sweet spotów} na podstawie korelacji pomiarów geofizycznych z rdzeniami wiertniczymi : zadanie 10. w projekcie MWSSSG: metodologia wyznaczania \emph {sweet spotów} na podstawie własności geochemicznych, petrofizycznych, geomechanicznych w oparciu o korelację wyników badań laboratoryjnych z pomiarami geofizycznymi i model generacyjny 3D / red. nauk. Jadwiga Jarzyna, Kamila Wawrzyniak-Guz. — Kraków : Drukarnia GOLDDRUK Wojciech Golachowski, 2017

3. Shale gas formations in Poland – new evaluation methods for processing and quantitative interpretation using computed X-ray tomography / KRAKOWSKA P., PUSKARCZYK E., JĘDRYCHOWSKI M., Madejski P., HABRAT M. // W: International Symposium of the Society of Core Analysts [Dokument elektroniczny] : Vienna, Austria : 27 August – 1 September 2017

4. Segmentation method of pore space based on Fourier transform processing of micro-CT 3D data / M. JĘDRYCHOWSKI, P. I. KRAKOWSKA, E. PUSKARCZYK, P. Madejski, M. HABRAT // W: Paris 2017 [Dokument elektroniczny] : 79th EAGE conference & exhibition 2017 : 12–15 June 2017, Paris, France

5. Relation between 3D spatial distributions of pyrite and pore space in Polish shale gas deposits / P. KRAKOWSKA, M. JĘDRYCHOWSKI, E. PUSKARCZYK, P. Madejski, M. HABRAT // W: ICTMS 2017 [Dokument elektroniczny] : 3rd International Conference on Tomography of Materials and Structures : Lund, Sweden, 26th–30th June 2017

6. Quantitative comparison of pore space volume distributions in Polish tight sandstones reservoirs / M. JĘDRYCHOWSKI, P. KRAKOWSKA, E. PUSKARCZYK, M. HABRAT, P. Madejski // W: ICTMS 2017 [Dokument elektroniczny] : 3rd International Conference on Tomography of Materials and Structures : Lund, Sweden, 26th–30th June 2017

7. A new method of pore space segmentation in highly noised micro-CT 3D data applied to Polish shale gas deposits / M. JĘDRYCHOWSKI, P. KRAKOWSKA, E. PUSKARCZYK, M. HABRAT, P. Madejski // W: ICTMS 2017 [Dokument elektroniczny] : 3rd International Conference on Tomography of Materials and Structures : Lund, Sweden, 26th–30th June 2017

8. Opinia dotycząca obrazu Teodora Axentowicza “Dama w pawich piórach” dla Sądu Rejonowego dla Warszawy-Śródmieścia w Warszawie, Laboratorium Analiz i Nieniszczących Badań Obiektów Zabytkowych, Kraków 2017

Additional information:

Zasady zaliczania zajęć:
– ćwiczenia laboratoryjne są obowiązkowe
– podstawowym terminem uzyskania zaliczenia jest koniec zajęć w danym semestrze.
– Student może przystąpić do poprawkowego zaliczania w wybranej przez prowadzącego formie.
– każda nieobecność Studenta musi zostać usprawiedliwiona (zgodnie z Regulaminem Studiów AGH)
– Student który opuścił więcej niż jedne zajęcia i jego cząstkowe wyniki w nauce były negatywne może
zostać pozbawiony, przez prowadzącego zajęcia, możliwości poprawkowego zaliczania zajęć.
– tygodniowe opóźnienie oddania sprawozdania lub projektu skutkuje obligatoryjnym obniżeniem oceny
za tą pracę o całą stopień za każdy tydzień zwłoki.
Sposób i tryb wyrównania zaległości powstałych wskutek nieobecności studenta na zajęciach:
– ćwiczenia laboratoryjne: nieobecność na zajęciach wymaga od studenta samodzielnego opanowania
przerabianego na tych zajęciach materiału i jego zaliczenia w formie i terminie wyznaczonym przez
prowadzącego zajęcia
– obecność na wykładzie: zgodnie z Regulaminem Studiów AGH
– nieobecność na zajęciach wykładowych nie upoważnia Studenta do nieznajomości omawianej
tematyki na pozostałych formach zajęć.