1DI2233 - Analiza danych obrazowych i multimedialnych

Course secondName name: 

Image and multimedia data analysis

Short content: 

Celem przedmiotu jest przygotowanie studenta do rozwiązywania problemów w zakresie przetwarzania i analizy w obrazów cyfrowych, sekwencji obrazów oraz danych tego typu występujących łącznie z innymi rodzajami danych (dźwięk, tekst) jak i do podejmowania wyzwań badawczych w ww. obszarach tematycznych.

Dane rastrowe oraz multimedialne stanowią jedne z najczęściej występujących danych występujących w różnego rodzaju systemach technicznych. Dzięki rosnącym możliwościom przesyłania, przechowywania i przetwarzania danych metody analizy tego typu danych są intensywnie rozwijane. Celem przedmiotu jest zapoznanie studentów z zagadnieniami przetwarzania i analizy danych w postaci danych rastrowych oraz danych multimedialnych składających się z danych różnego rodzaju.

Student po zakończeniu zajęć jest przygotowany do studiowania najnowszej literatury przedmiotu, zna obszary i kierunki badań prowadzonych przez Wydział w dziedzinie powiązanej w treściami przedmiotu. Jest przygotowany do prowadzenia działalności badawczej, zna i umie się posłużyć metodami, narzędziami i technikami badawczymi.

Syllabus details: 

Szczegółowe treści kształcenia obejmują następujące zakresy tematyczne.
 
1. Wprowadzenie. Rodzaje danych - obrazy rastrowe, sekwencje obrazów, chmury punktów, zapis dźwięku. Podstawy przetwarzania obrazów i danych multimedialnych. Rodzaje metod przetwarzania. Sekwencje obrazów, łączenie danych obrazowych, w tym sekwencji z innymi rodzajami danych.
2. Metody przetwarzania obrazów - punktowe, kontekstowe, trasformat. Operacje arytmetyczne, histogramowe, korekcja gamma. Filtracja liniowa górno i dolnoprzepustowa, w tym filtry Gaussa, Prewitta, Sobela, Laplasjan. Metody kontekstowe nieliniowe: medianowy, operacje morfologiczne podstawowe oraz złożone. Transformaty obrazów (Fouriera, DCT, Hough i inne)
3. Metody ekstrakcji cech opisujących treść obrazu. Współczynniki odnoszące się do kształtu, momentowe, szkieletowe i inne Cechy obrazów w skali szarości i kolorowych. Cechy teksturowe.
4. Przetwarzanie sekwencji obrazów. Detekcja ruchu. Śledzenie poruszających się obiektów. Cechy odnoszące się do ruchu. Identyfikacja na podstawie sposobu poruszania się obiektu.
5. Metody klasyfikacji danych obrazowych i multimedialnych: klasyfikatory najbliższego sąsiada, probabilistyczne, drzewa decyzyjne, sieci neuronowe w tym sieci głębokiego uczenia w rozpoznawaniu obrazów.
6. Dźwięk i sposoby jego przetwarzania. Analiza częstotliwościowa. Przetwarzanie sygnału dźwiękowego.
7. Metody chmur punktów. Metody punktów charakterystycznych SIFT, SURF, ORB, FAST i inne. Chmury punktów 3D, dane lidarowe. Dopasowanie chmur punktów. Identyfikacja obiektów na podstawie podzbiorów chmur.
8. Podstawy kompresji danych multimedialnych. Kompresja stratna i bezstratna. Popularne standardy kompresji danych multimedialnych.


Na przedmiot będzie składał się wykład (30 godz.), zajęcia laboratoryjne (15 godz.) oraz projekt (15 godz.). Zajęcia laboratoryjne zostaną zrealizowane w środowisku jeżyka Python.

Literature: 

1. W.Malina „M.Smiatacz ,,Cyfrowe przetwarzanie obrazów'' AOW EXIT 2008,
2. Z. Wróbel, R. Koprowski, Praktyka przetwarzania obrazów z zadaniami w programie Matlab, Exit, Warszawa 2008.
3. Z. Wróbel, R. Koprowski, Praktyka przetwarzania obrazów w programie Matlab, Exit, Warszawa 2004.
4. R. C. Gonzales, R. E. Woods. Digital Image Processing, Prentice Hall Inc., 2007.
5. A.Wieczorkowska Multimedia. Podstawy teoretyczne i zastosowania praktyczne. Wyd. PJWSTK 2008
Dodatkowo mogą zostać polecone przez prowadzącego najnowsze artykuły naukowe z przedmiotowego zakresu.

Grading criteria: 

Wykład:
* egzamin w trakcie sesji (50% oceny końcowej)
Laboratorium:
* sprawdzian z pytaniami otwartymi - do zrealizowania jest fragment kodu realizujący ustalone przez prowadzącego zadanie (15% oceny końcowej),
* zdanie projektowe (35% oceny końcowej) - oceniane na postawie przygotowanego przez studenta(ów) sprawozdania oraz rozmowy oceniającej (obrony projektu)

Notes: 

-

Courses which this course is based on (prerequisities):

• [1DI2150] Modele matematyczne w uczeniu maszynowym