1. SylabUZ
2. Wydział Nauk Inżynieryjno-Technicznych
3. semestr zimowy 2023/2024
4. Informatyka - drugiego stopnia z tyt. magistra inżyniera
5. Rozpoznawanie obrazów

Wygeneruj PDF dla tej strony

Rozpoznawanie obrazów - opis przedmiotu

Cel przedmiotu

Zapoznanie studentów i  ukształtowanie umiejętności z zakresu przetwarzania, segmentacji, rozpoznawania i  klasyfikacji obrazów.

 

 

Wymagania wstępne

Zapisz zmiany

 Uczenie maszynowe, Badania operacyjne

Zakres tematyczny

1. Przetwarzanie obrazów: wczytywanie i zapis obrazu, typy obrazów, przestrzenie barw i histogram,kadrowanie i operacje afiniczne, operatory punktowe,  transformacja intensywności obrazu, podstawy filtracji obrazu, operacje morfologiczne
2. Segmentacja obrazów: detekcja linii i krawędzi, metody progowania, metoda wododziałów, aktywne kontury, głębokie sieci neuronowe  
3. Ekstrakcja cech: deskryptory konturów i regionów, wykrywanie narożników, deskryptory SIFT, splotowe sieci neuronowe
4. Detekcja i klasyfikacja obiektów: zastosowanie deskryptorów, klasyfikatorów oraz głębokich sieci neuronowych do detekcji i klasyfikacji obiektów na obrazach

Metody kształcenia

Wykład konwencjonalny, ćwiczenia laboratoryjne, projekt

Efekty uczenia się i metody weryfikacji osiągania efektów uczenia się

Opis efektu	Symbole efektów	Metody weryfikacji	Forma zajęć

Warunki zaliczenia

wykład - uzyskanie pozytywnej oceny z kolokwium 

laboratorium - uzyskanie pozytywnych ocen ze sprawdzianów oraz oddanie sprawozdań z ćwiczeń laboratoryjnych

projekt - uzyskanie pozytywnej oceny z wykonanego projektu

ocena końcowa = 30% wykład + 40% laboratorium + 30% projekt

 

Obciążenie pracą	Studia stacjonarne (w godz.)	Studia niestacjonarne (w godz.)
Godziny kontaktowe (udział w zajęciach; konsultacjach; egzaminie, itp.)	75	50
Samodzielna praca studenta (przygotowanie do: zajęć, kolokwium, egzaminu; studiowanie literatury przygotowanie: pracy pisemnej, projektu, prezentacji, raportu, wystąpienia; itp.)	75	75
Łącznie	150	125
Punkty ECTS	Studia stacjonarne	Studia niestacjonarne
Zajęcia z udziałem nauczyciela akademickiego	2,5	2
Zajęcia bez udziału nauczyciela akademickiego	2,5	3
Łącznie	5	5

Literatura podstawowa

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. Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow / Geron Aurelien /  Helion, 2020.
5. Computer Vision: Algorithms and Applications / Richard Szeliski / Springer, 2022.
6. Metody klasyfikacji obiektów w wizji komputerowej /Stąpor Katarzyna/ PWN, 2011

Literatura uzupełniająca

1. Przetwarzanie i analiza obrazów w systemach przemysłowych: wybrane zastosowania / Dominik Sankowski, Volodymyr Mosorov, Krzysztof Strzecha. - Warszawa : Wydawnictwo Naukowe PWN, 2011.
2. Komputerowa analiza i przetwarzanie obrazów / Ryszard Tadeusiewicz, Przemysław Korohoda. - Kraków : Wydaw. Fundacji Postępu Telekomunikacji, 1997
3. Wizja komputerowa / Marian Wysocki, Joanna Marnik, Tomasz Kapuściński., Rzeszów : Oficyna Wydawnicza Politechniki Rzeszowskiej, 2004.
4. Computer Vision Projects with OpenCV and Python 3 /Matthew Rever/ Packt Publishing, 2018
5. Rozpoznawanie obrazów i sygnałów mowy / Włodzimierz Kasprzak. - Warszawa : Oficyna Wydawnicza Politechniki Warszawskiej, 2009.
6. Systemy wizyjne / Marian Wysocki, Tomasz Kapuściński. - Rzeszów : Uniwersytet Rzeszowski. Katedra Mechatroniki i Automatyki, 2013.
7. Hands-On Image Processing with Python / Sandipan Dey/ Packt Publishing, 2018

Uwagi

Zmodyfikowane przez dr hab. inż. Marek Kowal, prof. UZ (ostatnia modyfikacja: 26-03-2023 13:53)