Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Analiza obrazów
Tok studiów:
2018/2019
Kod:
JIS-1-009-s
Wydział:
Fizyki i Informatyki Stosowanej
Poziom studiów:
Studia I stopnia
Specjalność:
-
Kierunek:
Informatyka Stosowana
Semestr:
0
Profil kształcenia:
Ogólnoakademicki (A)
Język wykładowy:
Polski
Forma i tryb studiów:
Stacjonarne
Strona www:
 
Osoba odpowiedzialna:
dr hab. inż. Kowalski Piotr Andrzej (pkowal@agh.edu.pl)
Osoby prowadzące:
Krótka charakterystyka modułu

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

Opis efektów kształcenia dla modułu zajęć
Kod EKM Student, który zaliczył moduł zajęć wie/umie/potrafi Powiązania z EKK Sposób weryfikacji efektów kształcenia (forma zaliczeń)
Wiedza
M_W007 Student zna i rozumie podstawowe pojęcia związane z analizą obrazów. IS1A_W03, IS1A_W02 Projekt,
Sprawozdanie
M_W008 Student zna i rozumie podstawowe algorytmy związane z analizą obrazów. IS1A_W03 Projekt,
Sprawozdanie
M_W009 Student zna mechanizm działania algorytmów rozpoznawania kształtów. IS1A_W03, IS1A_W02 Projekt,
Sprawozdanie
Umiejętności
M_U005 Student potrafi zaimplementować wybrane algorytmy związane z analizą i przetwarzaniem obrazów. IS1A_U06 Projekt,
Sprawozdanie
M_U006 Student potrafi parametryzować wybrane algorytmy obróbki obrazów oraz łączyć je ze sobą w celu poprawienia jakości analizowanego obrazu. IS1A_U06, IS1A_U02 Projekt,
Sprawozdanie
Kompetencje społeczne
M_K005 Student potrafi opracować materiały dotyczące określonych zagadnień w formie referatu i prezentacji. IS1A_K03, IS1A_K01 Projekt
M_K006 Student potrafi sporządzić poprawną dokumentację kodu. IS1A_K02, IS1A_K01 Sprawozdanie
Matryca efektów kształcenia w odniesieniu do form zajęć
Kod EKM Student, który zaliczył moduł zajęć wie/umie/potrafi Forma zajęć
Wykład
Ćwicz. aud
Ćwicz. lab
Ćw. proj.
Konw.
Zaj. sem.
Zaj. prakt
Zaj. terenowe
Zaj. warsztatowe
Inne
E-learning
Wiedza
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. + - + - - - - - - - -
Umiejętności
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. - - + - - - - - - - -
Kompetencje społeczne
M_K005 Student potrafi opracować materiały dotyczące określonych zagadnień w formie referatu i prezentacji. - - - + - - - - - - -
M_K006 Student potrafi sporządzić poprawną dokumentację kodu. - - + - - - - - - - -
Treść modułu zajęć (program wykładów i pozostałych zajęć)
Wykład:

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)

Ćwiczenia laboratoryjne:
  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.

Ćwiczenia projektowe:

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

Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 150 godz
Punkty ECTS za moduł 6 ECTS
Udział w wykładach 30 godz
Samodzielne studiowanie tematyki zajęć 35 godz
Udział w ćwiczeniach laboratoryjnych 15 godz
Przygotowanie do zajęć 45 godz
Dodatkowe godziny kontaktowe z nauczycielem 10 godz
Wykonanie projektu 15 godz
Pozostałe informacje
Sposób obliczania oceny końcowej:

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

Wymagania wstępne i dodatkowe:

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

Zalecana literatura i pomoce naukowe:
  • 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.
Publikacje naukowe osób prowadzących zajęcia związane z tematyką modułu:

*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).

Informacje dodatkowe:

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.