Moduł oferowany także w ramach programów studiów:
Informacje ogólne:
Nazwa:
Analiza i przetwarzanie obrazów
Tok studiów:
2018/2019
Kod:
JIS-2-105-GK-s
Wydział:
Fizyki i Informatyki Stosowanej
Poziom studiów:
Studia II stopnia
Specjalność:
Grafika komputerowa i przetwarzanie obrazów
Kierunek:
Informatyka Stosowana
Semestr:
1
Profil kształcenia:
Ogólnoakademicki (A)
Język wykładowy:
Polski
Forma i tryb studiów:
Stacjonarne
Strona www:
 
Osoba odpowiedzialna:
dr inż. Joanna Świebocka-Więk (jsw@agh.edu.pl)
Osoby prowadzące:
dr inż. Jędrychowski Mariusz (Mariusz.Jedrychowski@fis.agh.edu.pl)
dr inż. Joanna Świebocka-Więk (jsw@agh.edu.pl)
Krótka charakterystyka modułu

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.

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_W001 Student zna i rozumie podstawowe pojęcia związane z analizą obrazów. IS2A_W01 Projekt,
Sprawozdanie
M_W002 Student zna i rozumie podstawowe algorytmy związane z analizą obrazów. IS2A_W01 Projekt,
Sprawozdanie
M_W003 Student zna mechanizm działania algorytmów rozpoznawania cech obrazów np. kształtów. IS2A_W01 Projekt,
Sprawozdanie
Umiejętności
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 Sprawozdanie
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 Sprawozdanie
Kompetencje społeczne
M_K001 Student potrafi opracować materiały dotyczące określonych zagadnień w formie referatu/sprawozdania lub prezentacji. IS2A_K01, IS2A_K02 Projekt
M_K002 Student potrafi sporządzić poprawną dokumentację kodu. IS2A_K03, IS2A_K02 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_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. + - + + - - - - - - -
Umiejętności
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. - - + - - - - - - - -
Kompetencje społeczne
M_K001 Student potrafi opracować materiały dotyczące określonych zagadnień w formie referatu/sprawozdania lub prezentacji. - - - + - - - - - - -
M_K002 Student potrafi sporządzić poprawną dokumentację kodu. - - + - - - - - - - -
Treść modułu zajęć (program wykładów i pozostałych zajęć)
Wykład:

Zagadnienia poruszane na wykładach:

  • Wprowadzenie do systemów wizyjnych. Obraz jako źródło informacji ilościowej. Budowa oka i postrzeganie obrazu przez człowieka (prawo Webera-Fechnera). Budowa i zasada działania matryc LCD i CCD.
  • Reprezentacja obrazów cyfrowych 3D i 4D.
  • Model kamery. Kalibracja kamery. Kwaterniony.
  • Wprowadzenie do biblioteki OpenCV.
  • Histogram obrazu, opis kształtu, analiza pików (peakiness test), histogram 3D. Porównywanie histogramów.
  • Metody progowania automatycznego: metoda średniej (mean), algorytmy: Intermodes, Isodata, Otsu, Huanga, Bernsen, White, Niblack, Sauvola, Phansalskar, metoda trójkąta (geometryczne wyznaczenie progu), metoda maksymalnej entropii, metoda balansowania histogramu, metoda
  • Zaawansowane algorytmy analizy obrazów będące rozszerzeniem metod poznanych na stopniu inżynierskim:
    – rozciąganie (jednostronne i obustronne) a równoważenie histogramu
    – histogram a operacje matematyczne: log, exp, gamma
    – lokalna poprawa kontrastu
    – segementacja w oparciu o metodę wstecznej projekcji i redukcję głębi kolorów
    – operacje morfologiczne na obrazie zbinaryzowanym: watershed, distance map, diagramy Voronoi, fill holes
    – filtr medianowy ważony
    – operacje morfologiczne w skali szarości
    – usuwanie tła
    – wykrywanie krawędzi w obrazach kolorowych: filtr Canny’ego
    – wykrywanie krawędzi metodą Haralicka
    – rozmycie obrazu z zachowaniem krawędzi: filtr Kuwahara, filtr oparty na anizotropowej dyfuzji
    – maska wyostrzająca – Unsharp Mask
    – detektor DoG – różnica Gaussów
    – detektor LoG – laplasjan funkcji Gaussa
    – detektor Harrisa (lokalna macierz struktury)
  • Transformata Hougha – wyznaczanie linii, okręgów w obrazie.
  • Segmentacja obrazów. Wybrane algorytmy:
    – flood fill/connected components – seed segmentation,
    – region growing (phagocyte, likelihood ratio); własności regionów.
  • Segmentacja koloru w przestrzeni HSV, YCrCb
  • Macierz sąsiedztwa. Kategoryzowanie obrazów na podstawie parametrów uzyskanych z macierzy.
  • Transformata Fouriera – filtr pasmowy
  • Usuwanie szumu. Uśrednianie klatek w materiale wideo.
  • Algorytmy szkieletyzacji i analizy szkieletu
  • Deskryptory kształtu. Deskryptory oparte na transformacie Fouriera
  • Metody rozpoznawania i śledzenia obiektów: filtry liniowe, algorytm SIFT – piramidy/oktawy Gaussowskie. Dopasowanie wzorców (Template Matching).
  • Klasyfikacja obrazów – podstawowe algorytmy.

Ćwiczenia laboratoryjne:
Ogólny opis zajęć

Celem laboratorium jest praktyczne opanowanie zagadnień poruszanych na wykładzie poprzez implementację wybranych zagadnień w wykorzystanie dostępnych narzędzi przeznaczonych do analizy obrazów (np. biblioteka OpenCV).

Przykładowe tematy:

  • Implementacja jednej z metod automatycznego wyznaczania progu
  • Implementacja klasy reprezentującej histogram i pozwalającej na analizowanie jego pików pod kątem dalszej segmentacji.
  • Detekcja skóry w oparciu o metodę wstecznej projekcji.
  • Implementacja algorytmu powodziowego (floodfill) wraz z odpowiednim projektem klas potrzebnych do opisu cząstek. Algorytm będzie wykorzystany w dalszych zadaniach.
  • Implementacja algorytmu przetwarzającego materiał wideo, którego zadaniem jest wykrycie i śledzenie poruszających się cząstek (cząstki mają przypisany unikalny kolor i w związku z tym należy je identyfikować pomiędzy poszczególnymi klatkami filmu).
  • Zastosowanie filtrów, progowanie automatycznego i operacji morfologicznych do wyseparowania i analizy obiektów (przykład: pory w obrazie przedstawiającym piankę)
  • Implementacja algorytmu wypełniającego dziury
  • Detekcja narożników za pomocą algorytmu Harrisa
  • Analiza obrazów przy pomocy macierzy sąsiedztwa
  • Zastosowanie transformaty Hougha do detekcji linii
  • Segmentacja i analiza obiektów o zadanym kształcie lub nachyleniu
  • Implementacja filtru pasmowego dla tranformaty Fouriera
  • Implementacja algorytmu znajdującego punkty charakterystyczne (keypoints)
  • Usuwanie tła
  • Dopasowanie wzorców występującymi pomiędzy dwoma obrazami
  • Algorytm KNN

Ćwiczenia projektowe:

Zagadnienia prezentowane na wykładzie oraz umiejętności praktyczne zdobyte na laboratorium są rozszerzane przez studentów w formie projektów. Każda grupa studentów (1-3) opracowuje temat w postaci zaimplementowanego programu, którego testy prezentuje na zajęciach projektowych w postaci sprawozdania.
Przykładowe tematy:

  • Rozpoznawanie znaków drogowych
  • Zliczanie samochodów
  • Rozpoznawanie i śledzenie twarzy
  • Rozpoznawanie i OCR tablic rejestracyjnych
  • Rozpoznawanie gestów w czasie rzeczywistym przy użyciu urządzenia Microsoft Kinect
  • Detekcja pasa ruchu
  • Filtr watershed
  • Wykorzystanie mocy obliczeniowej kart graficznych do poprawy wydajności filtrów o długim czasie wykonania
  • Efekt tiltshift
  • Sudoku – segmentacja, rozwiązanie i prezentacja wyniku na zdjęciu przedstawiającym grę
  • Zliczanie rowerów na ścieżce rowerowej
  • Śledzenie ruchu gałek ocznych i wykrywanie poleceń wykonywanych poprzez otwarcie/zamknięcie powiek
  • Rozpoznawanie świateł drogowych
  • Obrazy hybrydowe
  • Usuwanie obiektów z kadru
  • Rozponawanie płci na podstawie zdjęć twarzy
  • Algorytm MIL
  • Rozpoznawanie monet

Nakład pracy studenta (bilans punktów ECTS)
Forma aktywności studenta Obciążenie studenta
Sumaryczne obciążenie pracą studenta 128 godz
Punkty ECTS za moduł 5 ECTS
Udział w wykładach 18 godz
Samodzielne studiowanie tematyki zajęć 30 godz
Udział w ćwiczeniach laboratoryjnych 30 godz
Przygotowanie do zajęć 40 godz
Wykonanie projektu 10 godz
Pozostałe informacje
Sposób obliczania oceny końcowej:

Ocena końcowa będzie wystawiana na podstawie pracy wykonanej w trakcie zajęć 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 z testu (30%).

Wymagania wstępne i dodatkowe:
  • umiejętność programowana w języku C++, Java, Python
  • znajomość tematyki wykładanej w ramach kursu “Analiza obrazów” na stopniu inżynierskim
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:

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

Informacje dodatkowe:

Sposób i tryb wyrównania zaległości powstałych wskutek nieobecności studenta
na zajęciach laboratoryjnych:
– usprawiedliwiona nieobecność wymaga od studenta samodzielnego (z możliwością wykorzystania godzin konsultacji) opanowania przerabianego na tych zajęciach materiału,
– nieusprawiedliwiona nieobecność na więcej niż jednych zajęciach oznacza brak
możliwości zaliczenia ćwiczeń laboratoryjnych.
– obecność na wykładzie: zgodnie z Regulaminem Studiów AGH