Drukuj Eksport do pliku (MS Word)
Nazwa przedmiotu:
Rozpoznawanie obrazu i uczenie maszynowe
Koordynator przedmiotu:
Prof. Przemysław Kupidura
Status przedmiotu:
Obowiązkowy
Poziom kształcenia:
Studia II stopnia
Program:
Geodesy and Cartography
Grupa przedmiotów:
Obowiązkowe
Kod przedmiotu:
1060-GK000-MSA-1005
Semestr nominalny:
1 / rok ak. 2020/2021
Liczba punktów ECTS:
4
Liczba godzin pracy studenta związanych z osiągnięciem efektów uczenia się:
Liczba punktów ECTS na zajęciach wymagających bezpośredniego udziału nauczycieli akademickich:
Język prowadzenia zajęć:
angielski
Liczba punktów ECTS, którą student uzyskuje w ramach zajęć o charakterze praktycznym:
Formy zajęć i ich wymiar w semestrze:
  • Wykład30h
  • Ćwiczenia0h
  • Laboratorium0h
  • Projekt30h
  • Lekcje komputerowe0h
Wymagania wstępne:
Limit liczby studentów:
Cel przedmiotu:
Przedmiot ma na celu zaznajomienie studenta z wybranymi metodami zaawansowanego przetwarzania cyfrowych obrazów cyfrowych. Student nabywa umiejętności wykorzystania odpowiednich metod cyfrowego przetwarzania obrazów do automatycznej klasyfikacji różnych rodzajów obrazów cyfrowych, z użyciem wybranych metod eksploracji danych, m.in. k-średnich i ISODATA. Student poznaje i uczy się wykorzystywać filtracji obrazu itp. Przedstawione zostają nowoczesne algorytmy wyszukiwania wspólnych punktów na różnych zdjęciach (operatory SIFT/SURF) i ich wykorzystanie w metodach SfM (Structure from Motion) czyli odtwarzania modeli 3D obiektów na podstawie wielu zdjęć.
Treści kształcenia:
- formaty zapisu danych obrazowych - metody kompresji obrazów cyfrowych, stratne i bezstratne - piramidy obrazowe - algorytmy dopasowania i porównywania obrazów - operatory SIFT/SURF i inne - algorytmy grupujące i podstawy uczenia maszynowego; wykorzystanie metod eksploracji danych - przetworzenia kontekstualne; filtry arytmetyczne i statystyczne, dolnoprzepustowe i górnoprzepustowe, operacje morfologiczne - podstawy analizy tekstury obrazu: analiza fraktalna, macierz współwystępowania, analiza granulometryczna
Metody oceny:
Students are obliged to submit graded assignments and write two tests. To receive a passing grade, obtaining at least 60% of total number of points is required. In-class student activity may be an additional element of the assessment. The grading scale starts with a failing grade 2 and consists of five passing grades: 3, 3.5, 4, 4.5, 5. Attendance at all classes is required (more than two unjustified absences means failing the course).
Egzamin:
tak
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 Effect K_W01
A student has the comprehensive knowledge of the selected principles of digital image processing, i.e: digital filters, morphological operations and Fourier transform.
Weryfikacja: Passing two tests.
Powiązane efekty kierunkowe: K_W04, K_W13
Powiązane efekty obszarowe: T2A_W04, T2A_W07, T2A_W08, T2A_W04, T2A_W05, T2A_W07
Efekt Effect K_W02
A student has the knowledge about mage classification, image filtering, feature detection, image segmentation and object recognition.
Weryfikacja: Passing two tests.
Powiązane efekty kierunkowe: K_W04, K_W13
Powiązane efekty obszarowe: T2A_W04, T2A_W07, T2A_W08, T2A_W04, T2A_W05, T2A_W07
Efekt Effect K_W03
A student has the broadened knowledge about using neural networks in mobile mapping and navigation systems.
Weryfikacja: Passing two tests.
Powiązane efekty kierunkowe: K_W13
Powiązane efekty obszarowe: T2A_W04, T2A_W05, T2A_W07

Profil ogólnoakademicki - umiejętności

Efekt Effect K_U01
A student knows how to use selected methods of digital image processing to classify the content of various types of images and raster data.
Weryfikacja: Passing two tests.
Powiązane efekty kierunkowe: K_U01
Powiązane efekty obszarowe: T2A_U01
Efekt Effect K_U02
A student can image preprocessing and perform SfM in selected processing tools.
Weryfikacja: Passing two tests.
Powiązane efekty kierunkowe: K_U05, K_U11
Powiązane efekty obszarowe: T2A_U10, T2A_U11, T2A_U09, T2A_U10, T2A_U11