Drukuj Eksport do pliku (MS Word)
Nazwa przedmiotu:
Cyfrowe przetwarzanie obrazów
Koordynator przedmiotu:
dr hab. inż. Przemysław Kupidura, prof. PW
Status przedmiotu:
Obowiązkowy
Poziom kształcenia:
Studia II stopnia
Program:
Geodezja i Kartografia
Grupa przedmiotów:
Obowiązkowe
Kod przedmiotu:
GK.SMK101
Semestr nominalny:
1 / rok ak. 2022/2023
Liczba punktów ECTS:
2
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
obecność na zajęciach projektowych - 30h przygotowanie do zajęć projektowych - 15h zapoznanie ze wskazaną literaturą - 5h przygotowanie do zaliczenia - 5h konsultacje - 3h Razem nakład pracy studenta 58h, co odpowiada 2p. ECTS
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
obecność na zajęciach projektowych - 30h konsultacje - 3h Razem 33h, co odpowiada 1,2p. ECTS
Język prowadzenia zajęć:
polski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
obecność na zajęciach projektowych - 30h przygotowanie do zajęć projektowych - 15h Razem 45h, co odpowiada 1,8p. ECTS
Formy zajęć i ich wymiar w semestrze:
  • Wykład0h
  • Ćwiczenia0h
  • Laboratorium0h
  • Projekt30h
  • Lekcje komputerowe0h
Wymagania wstępne:
Znajomość podstawowych metod przetwarzania obrazów
Limit liczby studentów:
Cel przedmiotu:
Celem przedmiotu jest zapoznanie studenta z wybranymi zaawansowanymi metodami przetwarzania obrazów. Student poznaje sposoby zapisu i kompresji obrazu. Student nabywa umiejętność: • odczytu i przetworzenia oryginalnego zdjęcia w formacie RAW; • wpływu kompresji danych na jakość obrazów i wielkość wynikowych plików; • podstawowego przetwarzania danych w środowisku Matlab oraz w języku Python oraz podstawy działania algorytmów przetwarzania obrazów; • przygotowania danych rastrowych w środowisku Matlab do automatycznej wektoryzacji w ArcGIS; • wykrywania i analiza tekstu na obrazach przy wykorzystaniu funkcji Optical Character Recognition (OCR); • posługiwania się odpowiednimi metodami cyfrowego przetwarzania obrazów w celu automatycznej lub półautomatycznej klasyfikacji ich treści, w celu m.in. utworzenia mapy pokrycia terenu – przy użyciu wybranych metod klasteryzacji, np. k-średnich i ISODATA; • korzystania z wybranych metod filtracji obrazów, dla poprawienia ich jakości; • wyodrębnienia cech przestrzennych – kontekstowych z obrazu (np. poprzez analizę tekstury), co może służyć do podnoszenia jakości map pokrycia terenu tworzonych na podstawie zdjęć satelitarnych.
Treści kształcenia:
1. Rejestracja i wywołanie zdjęcia cyfrowego 2. Formaty zapisu obrazu cyfrowego. 3. Stratne i bezstratne metody kompresji obrazu. 4. Podstawy przetwarzania obrazu w Matlab (Computer Vision System Toolbox™) 5. Podstawy przetwarzania obrazu w Matlab (Computer Vision System Toolbox™) 6. Preprocessing (Matlab) i automatyczna wektoryzacja obrazu (ArcGIS) 7. Wykrywanie i analiza tekstu na obrazach przy wykorzystaniu funkcji Optical Character Recognition (OCR) 8. Algorytmy klasteryzacji i podstawy uczenia maszynowego w klasyfikacji treści obrazów cyfrowych. 9. Przetworzenia kontekstualne: usuwanie szumu z obrazu poprzez wybrane filtry dolnoprzepustowe oraz wykrywanie charakterystycznych elementów obrazu poprzez filtry górnoprzepustowe 10. Podstawy morfologii matematycznej. 11. Podstawy analizy teksturowej obrazu: analiza fraktalna, GLCM, analiza granulometryczna.
Metody oceny:
Dwa sprawdziany pisemne. Do zaliczenia ćwiczeń wymagane jest uzyskanie pozytywnych ocen z obydwu sprawdzianów. Ocenę łączną stanowi średnia arytmetyczna z obydwu sprawdzianów. Oceny wpisywane są według zasady: 5,0 (4,75-5,0); 4,5 (4,25-4,74); 4,0 (3,75-4,24); 3,5 (3,25-3,74); 3,0 (3,0-3,24).
Egzamin:
nie
Literatura:
Kupidura P., Podlasiak P. (2012). Cyfrowe przetwarzanie obrazów. Skrypt do ćwiczeń Tadeusiewicz R., Kohoroda P. (1997). Komputerowa analiza i przetwarzanie obrazów, Wydawnictwo Fundacji Postępu Telekomunikacji Richards, J.A. (2013). Remote Sensing Digital Image Analysis. Fifth Edition, Springer Gonzalez, R.C., Woods, R.E. (2001). Digital Image Processing, Prentice Hall, NJ
Witryna www przedmiotu:
brak
Uwagi:
brak

Efekty uczenia się

Profil ogólnoakademicki - wiedza

Efekt GK.SMK101_W1
rozumie zasady działania wybranych operacji cyfrowego przetwarzania obrazów, w tym operacji kontekstowych: filtrów cyfrowych, operacji morfologicznych, transformaty Fouriera, dopasowania obrazu, deskryptorów, SfM oraz bezkontekstowych, m.in. metod grupowania i klasyfikacji
Weryfikacja: sprawdzian pisemny
Powiązane efekty kierunkowe: K_W01, K_W06
Powiązane efekty obszarowe: T2A_W01, T2A_W02, T2A_W09, T2A_W11
Efekt GK.SMK101_W2
zna metody stratnej i bezstratnej kompresji obrazu
Weryfikacja: sprawdzian pisemny
Powiązane efekty kierunkowe: K_W01, K_W06
Powiązane efekty obszarowe: T2A_W01, T2A_W02, T2A_W09, T2A_W11

Profil ogólnoakademicki - umiejętności

Efekt GK.SMK101_U1
umie wykorzystać wybrane metody cyfrowego przetwarzania obrazów do klasyfikacji treści obrazów różnego rodzaju
Weryfikacja: sprawdzian pisemny
Powiązane efekty kierunkowe: K_U01, K_U08, K_U11
Powiązane efekty obszarowe: T2A_U01, T2A_U05, T2A_U12, T2A_U17, T2A_U18, T2A_U09, T2A_U10, T2A_U11
Efekt GK.SMK101_U2
umie wybrać i wykonać odpowiednią metodę filtracji obrazu
Weryfikacja: sprawdzian pisemny
Powiązane efekty kierunkowe: K_U01, K_U08, K_U11
Powiązane efekty obszarowe: T2A_U01, T2A_U05, T2A_U12, T2A_U17, T2A_U18, T2A_U09, T2A_U10, T2A_U11

Profil ogólnoakademicki - kompetencje społeczne

Efekt GK.SMK101_K1
potrafi zaplanować projekt na zadany temat
Weryfikacja: sprawdzian pisemny
Powiązane efekty kierunkowe: K_K01
Powiązane efekty obszarowe: T2A_K06
Efekt GK.SMK101_K2
potrafi współpracować z innymi osobami w ramach przedstawionego projektu
Weryfikacja: ocena pracy studenta na zajęciach
Powiązane efekty kierunkowe: K_K04
Powiązane efekty obszarowe: T2A_K03