Wizja Komputerowa w Automatyce Plik

(pieczęć wydziału)
KARTA PRZEDMIOTU
1. Nazwa przedmiotu: WIZJA KOMPUTEROWA W
2. Kod przedmiotu:
AUTOMATYCE I ROBOTYCE
3. Karta przedmiotu ważna od roku akademickiego: 2012/2013
4. Forma kształcenia: studia drugiego stopnia
5. Forma studiów: studia niestacjonarne
6. Kierunek studiów: AUTOMATYKA I ROBOTYKA; WYDZIAŁ AEiI
7. Profil studiów: ogólnoakademicki
8. Specjalność:
9. Semestr: 4
10. Jednostka prowadząca przedmiot: Instytut Automatyki, RAu1
11. Prowadzący przedmiot: dr inż. Robert Bieda
12. Przynależność do grupy przedmiotów:
przedmioty specjalnościowe
13. Status przedmiotu: obowiązkowy
14. Język prowadzenia zajęć: polski
15. Przedmioty wprowadzające oraz wymagania wstępne: Analiza matematyczna, Algebra, Przetwarzanie
obrazów cyfrowych. Zakłada się, że przed rozpoczęciem nauki niniejszego przedmiotu student posiada
przygotowanie w zakresie metod numerycznych, przetwarzania sygnałów dyskretnych, przetwarzania obrazów
cyfrowych oraz podstaw probabilistyki.
16. Cel przedmiotu: Celem przedmiotu jest przedstawienie zagadnień wizji komputerowej jako problemów
analizy treści sceny obrazowej oraz jej opisu, a także rozpoznawania obiektów w obrazach cyfrowych. Program
ukierunkowany jest pod kątem wykorzystania informacji zawartej w obrazie cyfrowym na potrzeby oceny
sterowania i podejmowania decyzji w systemach sterowania. Po wysłuchaniu cyklu wykładów studenci,
wykorzystując pozyskaną wiedzę i korzystając z literatury źródłowej, w ramach laboratorium i projektu tworzą
własne aplikacje komputerowe realizujące wybrane zagadnienie widzenia maszynowego.
17. Efekty kształcenia:
Nr
Opis efektu kształcenia
Ma wiedze w zakresie konstrukcji i wyznaczania wielkości
charakterystycznych opisujących obiekty w obrazach
cyfrowych.
W2 Zna metody konstrukcji systemów widzenia maszynowego
opartych o wizje komputerową.
U1
Potrafi wyznaczyć cechy obiektów/obrazów i
przeprowadzić ich analizę oraz skonstruować przestrzeń
cech na potrzeby budowy systemu klasyfikatora.
U2
Posiada umiejętność konstrukcji systemu widzenia
maszynowego opartego o analizę i klasyfikację obiektów w
obrazach cyfrowych.
K1
Potrafi samodzielnie podejmować decyzje dotyczące
wyboru najlepszego rozwiązania problemu konstrukcji
systemu wizji komputerowej
K2
Potrafi zaprezentować i obronić zaproponowane
rozwiązanie problemów związanych systemem wizji
komputerowej.
18. Formy zajęć dydaktycznych i ich wymiar (liczba godzin)
W1
Metoda
sprawdzenia
efektu
kształcenia
Forma
Odniesienie
prowadzenia do efektów
zajęć
dla kierunku
studiów
SP
WM
K_W/2/2;
W4/2
SP
WM
CL, PS
L, P
K_W4/3;
W20/1
K_U12/3
CL. PS
L, P
K_U12/2
RP, PS
P
PS
L, P
K_K1/1;
K2/1; K4/2;
K6/1
K_K1/1;
K5/1; K6/1
K7/1
W.: 15
Ćw.: 0
L.: 15
P.: 15
19. Treści kształcenia:
Wykład
Charakterystyka systemów wizyjnych, podstawowy podział i charakterystyka operacji przetwarzania obrazów
cyfrowych. Metody reprezentacji obszarów obiektów (segmentacja, kryteria i koncepcje, analiza histogramu).
Morfologia obrazów cyfrowych (morfologia matematyczna obrazów binarnych i monochromatycznych,
szkieletyzacja, powłoka wypukła, centroid). Analiza tekstury i jej opis (metody statystyczne, gęstość krawędzi, opis
tekstur przez histogram, metody widmowe). Detekcja konturów obiektów w obrazie cyfrowym (operatory
gradientowe, drugiej pochodnej i operatory różnicowe). Ekstrakcja punktów charakterystycznych obiektów
(detekcja narożników).
Ekstrakcja cech. Opis obrazu i obiektów z wykorzystaniem momentów geometrycznych, niezmienników
momentowych oraz współczynniki kształtu. Deskryptory treści obrazowej. Modele deformowalne 1D (krzywa
deformowalna, aktywny kontur), modele deformowalne 2D (siatka deformowalna). Reprezentacja i tworzenie
wektora cech. Redukcja wymiaru wektora cech. Transformata Fouriera, kosinusowa, falkowa. Detekcja ruchu
obiektów w sekwencji obrazów. Opis ścieżki ruchu punktów i obiektów.
Rozpoznawanie i klasyfikacja obiektów w oparciu o modele Bayesowskie, metody lokalnej koncentracji cech czy
klasteryzacji. Klasyfikatory liniowe i nieliniowe. Estymacja nieparametryczna. Transformata Hough’a. Relacje
odległościowe. Macierze błędu. Cechy lokalne (porównywanie macierzy, układ krawędzi). Analiza syntaktyczna
(metody ciągowe, kod Freemana, gramatyki) Elementarne sieci neuronowe - perceptron (uczenie klasyfikacji,
detekcja). Budowa deskryptorów treści obrazowej (SIFT, SURF, GLOH).
Zajęcia laboratoryjne
Zajęcia laboratoryjne składają się z części programistycznej, w której rozwiązywane są zadania konstrukcji elementów
systemu widzenia maszynowego. Programowanie odbywa się głównie w środowisku LabView.
1. Ekstrakcja cech I: Niezmienniki momentowe.
2. Ekstrakcja cech II: Współczynniki kształtu.
3. Ekstrakcja cech III: Analiza tekstury w obrazach cyfrowych.
4. Klasyfikacja I: Konstrukcja przestrzeni cech i redukcja wymiaru wektora cech.
5. Klasyfikacja II: Estymacja nieparametryczna
6. Klasyfikacja III: Klasyfikatory: Bayesa, K-najbliższych sąsiadów, minimalnej odległości, perceptron.
7. Klasyfikacja IV: Transformata Hough’a i deskryptor ART.
Zajęcia projektowe
Tematy zajęć projektowych są zmienne i przydzielane poszczególnym sekcjom na początku semestru. Projekt
obejmuje problemy ekstrakcji cech/punktów charakterystycznych, analizy i rozpoznawania obrazów.
W ramach projektu kilkuosobowe grupy studentów projektują i implementują moduł programowy realizujący
wybrane algorytmy przetwarzania, analizy i rozpoznawania obrazów dla konkretnego zastosowania. Projekt
obejmuje stworzenie aplikacji w środowiskach programistycznych typu LabView lub C, jej przetestowanie
i wyciągnięcie wniosków praktycznych na temat zaimplementowanego rozwiązania
20. Egzamin: brak
21. Literatura podstawowa:
1. Tadeusiewicz R., Flasiński M., Rozpoznawanie obrazów, PWN, Warszawa 1991;
2. Koronacki J., Ćwik J., Statystyczne systemy uczące się, Akademicka Oficyna Wydawnicza EXIT, Warszawa,
2008.
3. Nixon M.S., Aguado A.S., Feature Extraction in Computer Vision and Image Processing, Newnes, 2002;
4. Y. Amit, 2D object detection and recognition, MIT Press, 2002;
5. Theodoridis S., Koutroumbas K., Pattern Recognition, 3rd Ed., Academic Press, Elsevier, 2006;
22. Literatura uzupełniająca:
1. Pratt W.K., Digital Image Processing, 4th Ed., John Wiley & Sons, 2007;
2. Gonzalez R.C., Wood R.E., Digital Image Processing -3rd. Ed., Prentice Hall, 2008.
3. Duda R.O., Hart P.E., Stork D.G., Pattern Classification, 2nd Ed., John Wiley & Sons, 2000.
23. Nakład pracy studenta potrzebny do osiągnięcia efektów kształcenia
Lp.
Forma zajęć
1
Wykład
2
Ćwiczenia
0/0
3
Laboratorium
15/5
4
Projekt
15/10
5
Seminarium
Liczba godzin
kontaktowych / pracy studenta
15/0
0/0
6
Inne
Suma godzin
0/0
45/20
24. Suma wszystkich godzin: 60
25. Liczba punktów ECTS: 2
26. Liczba punktów ECTS uzyskanych na zajęciach z bezpośrednim udziałem nauczyciela akademickiego: 2
27. Liczba punktów ECTS uzyskanych na zajęciach o charakterze praktycznym (laboratoria, projekty): 2
26. Uwagi:
Zatwierdzono:
…………………………….
…………………………………………………
(data i podpis prowadzącego)
(data i podpis dyrektora instytutu/kierownika katedry/
Dyrektora Kolegium Języków Obcych/kierownika lub
dyrektora jednostki międzywydziałowej)