Wizja Komputerowa w Automatyce Plik
Transkrypt
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)