1. SylabUZ
2. Faculty of Civil Engineering, Architecture and Environmental Engineering
3. winter term 2022/2023
4. Geoinformatics and satellite technology - First-cycle studies leading to Engineer's degree
5. Image recognition

Generate PDF for this page

Image recognition - course description

Aim of the course

Zapoznanie studentów i  ukształtowanie umiejętności z zakresu przetwarzania wstępnego obrazów, segmentacji obrazów, ekstrakcji cech, lokalizacji i rozpoznawania zadanych obiektów na obrazach.

Prerequisites

Save changes

Podstawy programowania, Podstawy analizy danych, Elementy sztucznej inteligencji.

Scope

Przetwarzanie wstępne obrazów: wczytywanie i zapis obrazu, typy obrazów, przestrzenie barw, kadrowanie i operacje afiniczne, operatory punktowe, transformacje intensywności, transformacje histogramu, podstawy filtracji obrazu, przekształcenia morfologiczne.

Podstawy segmentacji obrazów: detekcja linii i krawędzi, metody progowania intensywności, metoda wododziałów, metody aktywnych konturów.

Ekstrakcja cech: deskryptory obrazów, wykorzystanie metod sztucznej inteligencji do ekstrakcji i selekcji cech.

Rozpoznawanie obrazów:  klasyfikacja wzorców poprzez dopasowanie prototypów, omówienie architektur głębokich sieci neuronowych wykorzystywanych do rozpoznawania obrazów, zastosowanie głębokich sieci neuronowych do lokalizacji i rozpoznawania obiektów na obrazach.

Teaching methods

Wykład: wykład konwencjonalny

Laboratorium: ćwiczenia laboratoryjne z wykorzystaniem sprzętu komputerowego

Learning outcomes and methods of theirs verification

Outcome description	Outcome symbols	Methods of verification	The class form

Assignment conditions

Wykład - warunkiem zaliczenia jest uzyskanie pozytywnych ocen z kolokwiów pisemnych lub ustnych przeprowadzonych, co najmniej raz w semestrze.

Laboratorium - warunkiem zaliczenia jest uzyskanie pozytywnych ocen ze wszystkich ćwiczeń laboratoryjnych oraz sprawdzianów przewidzianych w ramach laboratorium.

Składowe oceny końcowej = wykład: 50% + laboratorium: 50%

Recommended reading

1. Digital Image Processing /Rafael C. Gonzalez, Richard E. Woods/ Pearson, 2018.
2. Deep Learning. Praca z językiem Python i biblioteką Keras /Francois Chollet/ Helion, 2019.
3. Deep Learning /Bengio Yoshua, Courville Aaron, Goodfellow Ian/ PWN, 2018
4. Metody klasyfikacji obiektów w wizji komputerowej /Stąpor Katarzyna/ PWN, 2011
5. Computer Vision: Algorithms and Applications / Richard Szeliski / Springer, 2010.
6. Komputerowa wizja : metody interpretacji i identyfikacji obiektów / Ryszard S. Choraś. - Warszawa : Akademicka Oficyna Wydawnicza EXIT, 2005.
7. Rozpoznawanie obrazów / Witold Malina, Maciej Smiatacz. - Wyd. 2 popr. - Warszawa : Akademicka Oficyna Wydawnicza EXIT, 2011.

Further reading

1. Rozpoznawanie obrazów i sygnałów mowy / Włodzimierz Kasprzak. - Warszawa : Oficyna Wydawnicza Politechniki Warszawskiej, 2009.
2. Komputerowa analiza i przetwarzanie obrazów / Ryszard Tadeusiewicz, Przemysław Korohoda. - Kraków : Wydaw. Fundacji Postępu Telekomunikacji, 1997.
3. Systemy wizyjne / Marian Wysocki, Tomasz Kapuściński. - Rzeszów : Uniwersytet Rzeszowski. Katedra Mechatroniki i Automatyki, 2013.
4. Hands-On Image Processing with Python / Sandipan Dey/ Packt Publishing, 2018
5. Computer Vision Projects with OpenCV and Python 3 /Matthew Rever/ Packt Publishing, 2018
6. Rozpoznawanie obrazów i sygnałów mowy / Włodzimierz Kasprzak. - Warszawa : Oficyna Wydawnicza Politechniki Warszawskiej, 2009.

Notes

Modified by dr hab. inż. Marek Kowal, prof. UZ (last modification: 04-05-2022 19:44)