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. Techniques of object segmentation in digital images

Generate PDF for this page

Techniques of object segmentation in digital images - course description

Aim of the course

Zapoznanie studentów i  ukształtowanie umiejętności z zakresu przetwarzania wstępnego obrazów oraz segmentacji obiektów na obrazach cyfrowych z wykorzystaniem technik klasycznych  oraz  głębokich sieci neuronowych.

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.

Segmentacja obrazów metodami tradycyjnymi: definicja zadania segmentacji obrazu, podział metod segmentacji obrazów, progowanie intensywności, klasteryzacja danych, wykrywanie krawędzi, analiza histogramu, transformata Hougha, metoda wododziałowa, metody rozrostowe, metody podziałowe i łączenia, superpiksele, metoda zbiorów poziomicowych, aktywne kontury, losowe pola Markova, miary jakości segmentacji    

Segmentacja obrazów z pomocą glębokich sieci neuronowych: wprowadzenie do zagadnienia sieci głębokich. splotowe sieci neuronowe, sieci neuronowe typu FCNN (ang. Fully-Convolutional Neural Networks), sieci neuronowe typu SegNet i U-Net, sieci neuronowe typu Mask R-CNN.

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. The Image Processing Handbook /Russ, John C. Neal, F. Brent/ CRC Press, 2017.
3. Deep Learning. Praca z językiem Python i biblioteką Keras /Francois Chollet/ Helion, 2019.
4. Deep Learning /Bengio Yoshua, Courville Aaron, Goodfellow Ian/ PWN, 2018.
5. Deep Learning for Computer Vision /Rajalingappa Shanmugamani/ Packt Publishing, 2018.
6. Computer Vision /Linda Shapiro, George Stockman/ Prentice Hall, 2001.
7. Image analysis, Random Fields and Markov Chain Monte Carlo Methods, /Gerhard Winkler/ Springer, 2003.
8. Clustering Techniques for Image Segmentation /Fasahat Ullah Siddiqui, Abid Yahya/ Springer, 2021.
9. Advanced Concepts in Image Segmentation /Niceto Salazar/ Clanrye International, 2015.
10. Advanced Techniques for Image Segmentation /Aljahdali Sultan H./ Lambert, 2013.

Further reading

Notes

Modified by dr hab. inż. Marek Kowal, prof. UZ (last modification: 04-05-2022 19:41)