Module also offered within study programmes:
General information:
Name:
Digital Image Processing
Course of study:
2019/2020
Code:
DGIK-2-103-GN-n
Faculty of:
Mining Surveying and Environmental Engineering
Study level:
Second-cycle studies
Specialty:
Real Estate Taxation and Cadastre
Field of study:
Geodesy, Surveying and Cartography
Semester:
1
Profile of education:
Academic (A)
Lecture language:
Polish
Form and type of study:
Part-time studies
Responsible teacher:
prof. dr hab. inż. Hejmanowska Beata (galia@agh.edu.pl)
Module summary

Studenci posiadają wiedzę z zakresu stosowanych metod przetwarzania obrazu cyfrowego. Umieją zautomatyzować procesy przetwarzania obrazów cyfrowych.

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: is able to
M_K001 samodzielnych działań oraz kreatywności w rozwiązywaniu problemów. GIK2A_K01 Activity during classes
Skills: he can
M_U001 wykonać podstawowe operacje na obrazach cyfrowych w tym: filtracje obrazów cyfrowych przy pomocy odpowiednich algorytmów oraz kompresję stratną i bezstratną. GIK2A_U09 Test,
Execution of laboratory classes
Knowledge: he knows and understands
M_W001 metody przetwarzania obrazu cyfrowego GIK2A_W01 Examination
M_W002 metody kompresji i filtracji obrazów cyfrowych. GIK2A_W05 Examination
Number of hours for each form of classes:
Sum (hours)
Lecture
Audit. classes
Lab. classes
Project classes
Conv. seminar
Seminar classes
Pract. classes
Zaj. terenowe
Zaj. warsztatowe
Prace kontr. przejść.
Lektorat
18 9 0 9 0 0 0 0 0 0 0 0
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
Prace kontr. przejść.
Lektorat
Social competence
M_K001 samodzielnych działań oraz kreatywności w rozwiązywaniu problemów. - - + - - - - - - - -
Skills
M_U001 wykonać podstawowe operacje na obrazach cyfrowych w tym: filtracje obrazów cyfrowych przy pomocy odpowiednich algorytmów oraz kompresję stratną i bezstratną. - - + - - - - - - - -
Knowledge
M_W001 metody przetwarzania obrazu cyfrowego + - - - - - - - - - -
M_W002 metody kompresji i filtracji obrazów cyfrowych. + - - - - - - - - - -
Student workload (ECTS credits balance)
Student activity form Student workload
Summary student workload 76 h
Module ECTS credits 3 ECTS
Udział w zajęciach dydaktycznych/praktyka 18 h
Preparation for classes 18 h
przygotowanie projektu, prezentacji, pracy pisemnej, sprawozdania 18 h
Realization of independently performed tasks 20 h
Examination or Final test 2 h
Module content
Lectures (9h):
  1. Podstawowe definicje w przetwarzaniu obrazów cyfrowych

    Podstawowe definicje stosowane w przetwarzaniu obrazów cyfrowych, przykłady prostych obrazów stosowanych w geodezji i kartografii, obrazy wielospektralne. System dziesiętny a binarny (zapis obrazu w komputerze)

  2. Metody pozyskiwania obrazów cyfrowych

    Metody pozyskiwania obrazów cyfrowych: bezpośrednie, pośrednie. Próbkowanie, kwantyzacja. Rozdzielczość geometryczna, spektralna, radiometryczna, przestrzenie barw. Kompresja bezstratna i stratna obrazów cyfrowych

  3. Kompresja i filtracja obrazów cyfrowych

    Bezstratne i stratne metody kompresji obrazów cyfrowych. Podział filtrów. Filtry liniowe i nieliniowe. Konwolucja. Filtry górno i dolno przepustowe. Wydobywanie krawędzi. Filtracja w przestrzeni częstotliwości. Usuwanie szumu z obrazu. Tekstura i struktura obrazu.

  4. Przetwarzanie geometryczne obrazów

    Przetwarzanie geometryczne obrazów: obrót, zmiana skali, rzutowanie obrazu na powierzchnie. Transformacje: Helmerta, afiniczna, rzutowa, wielomianowa, elementów skończonych. Powtórne próbkowanie. Piramidy obrazowe. Dopasowanie obrazów.
    Zastosowanie algorytmów analizy obrazu.

  5. Cyfrowe przetwarzanie obrazu – przykłady praktyczne

    Przetwarzanie obrazu w przykładowych projektach. Działania na obrazach wielospektralnych. Metoda głównych składowych. Łączenie obrazów o różnych rozdzielczościach geometrycznych. Technika Pansharpening – przykłady. Steganografia.

Laboratory classes (9h):
  1. Podstawowe operacje na obrazach cyfrowych

    Podstawe operacje na obrazach cyfrowych. Proste operacje na histogramie

  2. Kompresja obrazu cyfrowego

    Wykonanie ćwiczenia związanego z analizą wpływu tekstury obrazu cyfrowego na stopień
    kompresji.

  3. Filtracja obrazu cyfrowego

    Wykonanie przykładowego ćwiczenia związanego z filtracją obrazu cyfrowego przy pomocy różnych algorytmów.

  4. Automatyzacja pomiaru na obrazie cyfrowym

    Wykonanie ćwiczenia polegającego na napisaniu skrypu rozwiązującego w sposób automatyczny wybrane zagadnienia z przetwarzania obrazów.

Additional information
Teaching methods and techniques:
  • Lectures: Treści prezentowane na wykładzie są przekazywane w formie prezentacji multimedialnej w połączeniu z klasycznym wykładem tablicowym wzbogaconymi o pokazy odnoszące się do prezentowanych zagadnień.
  • Laboratory classes: W trakcie zajęć laboratoryjnych studenci samodzielnie rozwiązują zadany problem praktyczny, dobierając odpowiednie narzędzia. Prowadzący stymuluje grupę do refleksji nad problemem, tak by otrzymane wyniki miały wysoką wartość merytoryczną.
Warunki i sposób zaliczenia poszczególnych form zajęć, w tym zasady zaliczeń poprawkowych, a także warunki dopuszczenia do egzaminu:

Ocena końcowa jest średnią ocen z egzaminu i z ćwiczeń.
W przypadku braku pozytywnej oceny z ćwiczeń lub z egzaminu wystawiana jest ocena końcowa: nie zal.
W przypadku zaliczenia egzaminu w terminie poprawkowym ocena końcowa jest średnią z wszystkich ocen z egzaminu i z oceny z ćwiczeń.

Participation rules in classes:
  • Lectures:
    – Attendance is mandatory: No
    – Participation rules in classes: Studenci uczestniczą w zajęciach poznając kolejne treści nauczania zgodnie z syllabusem przedmiotu. Studenci winni na bieżąco zadawać pytania i wyjaśniać wątpliwości. Rejestracja audiowizualna wykładu wymaga zgody prowadzącego.
  • Laboratory classes:
    – Attendance is mandatory: Yes
    – Participation rules in classes: Studenci wykonują ćwiczenia laboratoryjne zgodnie z materiałami udostępnionymi przez prowadzącego. Student jest zobowiązany do przygotowania się w przedmiocie wykonywanego ćwiczenia, co może zostać zweryfikowane kolokwium w formie ustnej lub pisemnej. Zaliczenie zajęć odbywa się na podstawie zaprezentowania rozwiązania postawionego problemu. Zaliczenie modułu jest możliwe po zaliczeniu wszystkich zajęć laboratoryjnych.
Method of calculating the final grade:

Na ocenę końcową składa się średnia z ocen cząstkowych:
- ocena z laboratoriów,
- ocena z egzaminu.

Sposób i tryb wyrównywania zaległości powstałych wskutek nieobecności studenta na zajęciach:

Nieobecność na ćwiczeniach wymaga odrobienia zajęć w najbliższym możliwym terminie uzgodnionym z prowadzącym ćwiczenia.

Prerequisites and additional requirements:

Podstawy informatyki.

Recommended literature and teaching resources:

1. Gonzales R.C., Woods R.E., 2008, Digital Image Processing, Third Edition. Pearson Education, Inc.
2. Bishop C.M., 2006, Pattern Recognition and Machine Learning, Springer.
3. Malina W., Siemiatacz M.,2005, Metody cyfrowego przetwarzania obrazów. EXIT.
4. Skarbek W., 1993, Metody reprezentacji obrazów cyfrowych. Akademicka Oficyna
Wydawnicza PLJ, Warszawa.
5. Tadeusiewicz R., Korohoda P., 1997, Komputerowa analiza obrazów. Wydawnictwo Fundacji
Postępu Komunikacji, Kraków.

Scientific publications of module course instructors related to the topic of the module:

1. Praca zbiorowa pod redakcją S. Mikrut. 2010. Sieci neuronowe w procesach dopasowania zdjęć lotniczych. Monografia. Wydawnictwa AGH. Kraków.
2. Mikrut S., 2009, Przydatność algorytmów podpikselowej detekcji cech w wybranych zagadnieniach fotogrametrycznych. Archiwum Fotogrametrii, Kartografii i Teledetekcji, Vol. 19, Kraków, s. 299-308.
3. Mikrut S.: Wpływ skanowania i kompresji metodą JPEG na wykrywanie obiektów liniowych i punktowych na obrazach cyfrowych. Geoinformatica Polonica, T. 7, Kraków 2005; s. 101-109.

Additional information:

Sposób nadrobienia nieobecności na zajęciach: na konsultacjach lub samodzielnie, prowadzący daje do opracowania skrypt w języku Matlab.