Przetwarzanie i analiza obrazów I-SM3O>PiAO
Celem kursu jest przygotowanie studentów do stosowania zróżnicowanych metod analizy danych w postaci obrazu cyfrowego. Po ukończeniu kursu student powinien potrafić dobrać odpowiednie algorytmy do konkretnego zadania analizy obrazu, w zależności od rodzaju i jakości danych oraz przedstawić i zinterpretować wizualizację wyników. Materiał kursu obejmuje zarówno formalne omówienie stosowanych metod w oparciu o wzory i twierdzenia matematyczne, jak i szereg przykładów zaczerpniętych z sytuacji praktycznych oraz aktualnie prowadzonych badań naukowych. Wiedza i umiejętności wyniesione z wykładu mają zapewnić studentowi swobodę w posługiwaniu się metodami analizy obrazu zarówno w oprogramowaniu stosowanym podczas zajęć, jak i przy wykorzystaniu bibliotek lub własnych funkcji.
|
W cyklu 2021/2022-Z:
Celem zajęć w tym module jest przygotowanie studentów do stosowania zróżnicowanych metod analizy danych w postaci obrazu cyfrowego. Po ukończeniu kursu student powinien potrafić dobrać odpowiednie algorytmy do konkretnego zadania analizy obrazu, w zależności od rodzaju i jakości danych oraz przedstawić i zinterpretować wizualizację wyników. Materiał kursu obejmuje zarówno formalne omówienie stosowanych metod w oparciu o wzory i twierdzenia matematyczne, jak i szereg przykładów zaczerpniętych z sytuacji praktycznych oraz aktualnie prowadzonych badań naukowych. Wiedza i umiejętności wyniesione z wykładu mają zapewnić studentowi swobodę w posługiwaniu się metodami analizy obrazu zarówno w oprogramowaniu Matlab stosowanym podczas zajęć, jak i przy wykorzystaniu bibliotek lub własnych funkcji zaimplementowanych w innym środowisku. |
W cyklu 2022/2023-L:
Celem zajęć w tym module jest przygotowanie studentów do stosowania zróżnicowanych metod analizy danych w postaci obrazu cyfrowego. Po ukończeniu kursu student powinien potrafić dobrać odpowiednie algorytmy do konkretnego zadania analizy obrazu, w zależności od rodzaju i jakości danych oraz przedstawić i zinterpretować wizualizację wyników. Materiał kursu obejmuje zarówno formalne omówienie stosowanych metod w oparciu o wzory i twierdzenia matematyczne, jak i szereg przykładów zaczerpniętych z sytuacji praktycznych oraz aktualnie prowadzonych badań naukowych. Wiedza i umiejętności wyniesione z wykładu mają zapewnić studentowi swobodę w posługiwaniu się metodami analizy obrazu zarówno w oprogramowaniu Matlab stosowanym podczas zajęć, jak i przy wykorzystaniu bibliotek lub własnych funkcji zaimplementowanych w innym środowisku. |
Koordynatorzy przedmiotu
W cyklu 2021/2022-L: | W cyklu 2021/2022-Z: | W cyklu 2022/2023-L: | W cyklu 2023/2024-L: |
<b>Ocena końcowa</b>
W cyklu 2022/2023-L: Ocena końcowa z przedmiotu ustalana jest na podstawie wyniku zaliczenia zadań problemowych. Do każdego z pytań będzie naliczana punktacja, na ocenę końcową wpływ będzie miało podsumowanie punktacji, przy czym ocena pozytywna to minimum 51% punktów.
| W cyklu 2023/2024-L: Ocena końcowa z przedmiotu jest średnią ważoną ocen z wykładu (51%) i laboratorium (49%). Warunkiem zaliczenia przedmiotu jest uzyskanie co najmniej oceny dostatecznej zarówno z wykładu, jak i z laboratorium.
|
<b>Wymagania wstępne</b>
W cyklu 2022/2023-L: brak
| W cyklu 2023/2024-L: matematyka, programowanie, algorytmy i struktury danych
|
<b>Literatura podstawowa</b>
W cyklu 2022/2023-L: | W cyklu 2023/2024-L: 1. Szeliski R.: Computer Vision: Algorithms and Applications, Springer Cham,
Springer Nature Switzerland AG 2022.
2. William K. Pratt Digital image processing / Third Edition/ John Wiley &
Sons, Inc. – 2001.
3. Lyons R. G.: Wprowadzenie do cyfrowego przetwarzania sygnałów, WKŁ,
Warszawa 2010.
4. Zieliński T. P.: Cyfrowe przetwarzanie sygnałów. Od teorii do zastosowań,
WKŁ, Kraków 2005.
5. Domański M.: Obraz cyfrowy. WKŁ, Warszawa 2011
6. Bołdak C. Cyfrowe przetwarzanie obrazów, wykłady Białystok University of
Technology 2008,
|
<b>Literatura uzupełniająca</b>
<b>Inne informacje</b>
Efekty kształcenia
Wiedza
Ma szeroką wiedzę obejmującą metody analizy i przetwarzania informacji w postaci obrazu cyfrowego; wykorzystywane w inteligencji obliczeniowej i inżynierii wiedzy.
Powiązane efekty kierunkowe:
IF2A_W05
Metody weryfikacji:
Egzamin:Ma szeroką wiedzę obejmującą metody analizy i przetwarzania informacji w postaci obrazu cyfrowego; wykorzystywane w inteligencji obliczeniowej i inżynierii wiedzy
Wiedza
Ma wiedzę z zakresu grafiki komputerowej oraz metod przetwarzania obrazu
Powiązane efekty kierunkowe:
IF2A_W09
Metody weryfikacji:
Egzamin:Ma wiedzę z zakresu grafiki komputerowej oraz metod przetwarzania obrazu
Umiejętności
Potrafi pozyskiwać informacje z literatury, baz danych i innych źródeł zarówno w języku polskim i języku angielskim; potrafi integrować uzyskane informacje, dokonywać ich interpretacji, a także wyciągać wnioski oraz formułować i uzasadniać opinie.
Powiązane efekty kierunkowe:
IF2A_U01
Metody weryfikacji:
Przygotowanie projektu:Potrafi pozyskiwać informacje z literatury, baz danych i innych źródeł zarówno w języku polskim i języku angielskim; potrafi integrować uzyskane informacje, dokonywać ich interpretacji, a także wyciągać wnioski oraz formułować i uzasadniać opinie.
Umiejętności
Umie zaprojektować i zaimplementować algorytm realizujący określone zadanie programistyczne.
Powiązane efekty kierunkowe:
IF2A_U13
Metody weryfikacji:
Przygotowanie projektu:Umie zaprojektować i zaimplementować algorytm realizujący określone zadanie programistyczne.
Umiejętności
Umie zastosować typowe metody i narzędzia informatyczne do zadań o charakterze praktycznym.
Powiązane efekty kierunkowe:
IF2A_U15
Metody weryfikacji:
Przygotowanie projektu:Umie zastosować typowe metody i narzędzia informatyczne do zadań o charakterze praktycznym.
Kompetencje społeczne
Potrafi wyznaczyć cele strategiczne, operacyjne i priorytety dotyczące realizacji określonego przez siebie lub innych zadania.
Powiązane efekty kierunkowe:
IF2A_K04
Metody weryfikacji:
Przygotowanie projektu:Potrafi wyznaczyć cele strategiczne, operacyjne i priorytety dotyczące realizacji określonego przez siebie lub innych zadania.
Kryteria oceniania
Zaliczenie wykładu odbywa się na podstawie ocen z testów obejmujących materiał wykładowy. Ocena z wykładu to średnia arytmetyczna pozytywnych ocen z testów.
Zaliczenie ćwiczeń laboratoryjnych następuje na podstawie oceny realizacji zadań wykonywanych podczas zajęć. Ocena z laboratorium to średnia arytmetyczna pozytywnych ocen końcowych z ćwiczeń.
Ocena końcowa z przedmiotu jest średnią ważoną ocen z wykładu (51%) i laboratorium (49%). Warunkiem zaliczenia przedmiotu jest uzyskanie co najmniej oceny dostatecznej zarówno z wykładu, jak i z laboratorium.
Literatura
1. Szeliski R.: Computer Vision: Algorithms and Applications, Springer Cham,
Springer Nature Switzerland AG 2022.
2. William K. Pratt Digital image processing / Third Edition/ John Wiley &
Sons, Inc. – 2001.
3. Lyons R. G.: Wprowadzenie do cyfrowego przetwarzania sygnałów, WKŁ,
Warszawa 2010.
4. Zieliński T. P.: Cyfrowe przetwarzanie sygnałów. Od teorii do zastosowań,
WKŁ, Kraków 2005.
5. Domański M.: Obraz cyfrowy. WKŁ, Warszawa 2011
6. Bołdak C. Cyfrowe przetwarzanie obrazów, wykłady Białystok University of
Technology 2008,