Strona domowa (i nie tylko) Piotra Fulmańskiego

Metody wydobywania cech z obrazów

Bilioteka IFE

Wykład 1 (2021-10-04)
- Materials
  - Overview (prezentacja)
  - Basic image processing. Point operators (do histogram equalisation) (prezentacja)
- Co po tych zajęciach powinno się znać / wiedzieć / umieć
  - Umieć scharakteryzować istotę działania typowych operatorów punktowych (point operators).
Ćwiczenia 1 (2021-10-04)
- Materials
  - Basic image processing. Point operators (od histogram equalisation) (prezentacja)
- Materials: Colaboratory
- Co po tych zajęciach powinno się znać / wiedzieć / umieć
  - Umieć korzystać z Colab.
  - Umieć scharakteryzować istotę działania typowych operatorów punktowych (point operators).
Ćwiczenia 2 (2021-10-11)
- Materials: Colaboratory configuration
  - Colaboratory configuration and test
- Co po tych zajęciach powinno się znać / wiedzieć / umieć
  - Implementować typowe operatory punktowe (point operators):
```
1. Brightness operator (with level and gain)
2. Histogram normalization
3. Treshold
4. Histogram equalisation
```
Wykład 2 (2021-10-18)
- Materials
  - Convolution (splot) (prezentacja)
- Co po tych zajęciach powinno się znać / wiedzieć / umieć
  - Umieć policzyć splot dla przypadku dyskretnego, w 1 i 2 wymiarach.
Ćwiczenia 3 (2021-10-18)
- Materials
- Co po tych zajęciach powinno się znać / wiedzieć / umieć
  - Implementować typowe operatory grupowe (group operators):
```
1. Averaging operator
2. Gaussian averaging operator
3. Median filter
4. Mode filter
```
Ćwiczenia 4 (2021-10-25)
- Materials
  - Image processing. Advanced smoothing filters and morphological operators (prezentacja)
- Co po tych zajęciach powinno się znać / wiedzieć / umieć
  - Implementować typowe operatory grupowe (group operators):
```
1. Nonlocal means operator
2. Bilateral filter
3. Morphology operator: erosion (reduction)
4. Morphology operator: dilation (increase)
```
Wykład 3 (2021-11-08)
- Materials
  - Colour images (prezentacja) (do modelu CIE RGB/CIE XYZ i diagramów chromatyczności (chromaticity diagram))
- Co po tych zajęciach powinno się znać / wiedzieć / umieć
  - Mechanizm postrzegania kolorów przez człowieka
  - Model CIE RGB oraz CIE XYZ
Ćwiczenia 5 (2021-11-08)
- Materials
  - Wykonać eksperymenty z kolorami, np.:
    - Mapowanie RGB - Gray - ile kolorów przypada na każdy odcień szarości?
    - Wybieramy kolor (kolory) - mnożymy składowe przez taką samą wartość - patrzymy jak zmieniła się jasność. Zmieniamy wybraną składową o określoną wartość i znowu patrzymy jak zmieniła się jasność (Ćwiczenie do slajdu 13 a także 15).
    - Zbadać, czy można utworzyć kolorową (jasnościową) sygnaturę pliku?
    - Zmiana jasności obrazu w modelu RGB i HSL.
    - Zmiana kolorów na obrazie przez obrót stożka.
- Co po tych zajęciach powinno się znać / wiedzieć / umieć
Ćwiczenia 6 (2021-11-15)
- Materials
  - Low-level feature extraction. Edge detection (prezentacja)
- Co po tych zajęciach powinno się znać / wiedzieć / umieć
  - Implementować mechanizmy wykrywania krawędzi:
```
1. Wykorzystanie tzw. first-order differentiation
2. Roberts cross operator
3. Prewitt edge detection operator
4. Sobel-Feldman edge detection operator
5. Canny edge detection operator
```
Wykład 4 (2021-11-22)
- Materials
  - Colour images (prezentacja) (od modelu CIE RGB/CIE XYZ i diagramów chromatyczności (chromaticity diagram) do końca)
- Co po tych zajęciach powinno się znać / wiedzieć / umieć
  - Mechanizm postrzegania kolorów przez człowieka
  - Model CIE RGB oraz CIE XYZ
Ćwiczenia 7 (2021-11-22)
- Materials
  - Low-level feature extraction. Corner extractions (prezentacja)
- Co po tych zajęciach powinno się znać / wiedzieć / umieć
  - Implementować mechanizmy wykrywania załamań:
```
1. Wykrywanie załamań na podstawie zmiany kierunku krzywej
2. Wykrywanie załamań na podstawie gradientu
3. Harris corner detector
```
Ćwiczenia 8 (2021-11-29)
- Materials
  - Zadanie 1 (projekt); dane dostępne w Teams
- Co po tych zajęciach powinno się znać / wiedzieć / umieć
  - ...
Wykład 5 (2021-12-06)
- Materials
  - Feature point detection (prezentacja)
- Co po tych zajęciach powinno się znać / wiedzieć / umieć:
  - Znać i implementować podstawowe algorytmy z tej grupy: Dog, HoG, SIFT, FAST.
Ćwiczenia 9 (2021-12-06)
- Materials
  - Feature point detection (prezentacja)
- Co po tych zajęciach powinno się znać / wiedzieć / umieć:
  - Znać i implementować podstawowe algorytmy z tej grupy:
```
1. Dog
2. HoG
3. SIFT
4. FAST
```
Ćwiczenia 10 (2021-12-13)
- Materials
  - Regions characterisation (prezentacja)
- Co po tych zajęciach powinno się znać / wiedzieć / umieć
  - Implementować podstawowe metody segmentacji obrazu:
```
1. Algorytm Watershed transform
2. Simple Linear Iterative Clustering (SLIC)
```
  - Implementować podstawowe metody opisu tekstury:
```
1. Co-occurrence matrix
2. Local Binary Pattern (LBP)
```
Wykład 6 (2021-12-20)
- Materials
  - Hough transform (prezentacja)
- Co po tych zajęciach powinno się znać / wiedzieć / umieć
  - Podstawowa idea transformaty Hough'a.
Ćwiczenia 11 (2021-12-20)
- Materials
  - Hough transform - prezentacja dostępna w aplikacji Teams.
- Co po tych zajęciach powinno się znać / wiedzieć / umieć
  - Wykorzystać transformatę Hough'a do:
    - Identyfikajca odcinaka na płaszczyźnie (odcinka a nie prostej, a więc potrzebuujemy jego początek i koniec).
    - Identyfikacja figur typu trjkąt, prostokąt.
    - Identfikacja pól formularza.
Ćwiczenia 12 (2022-01-03)
- Materials
  - Motion detection and description
  - Zadanie 2 (projekt)
- Co po tych zajęciach powinno się znać / wiedzieć / umieć
  - Problematykę związaną z detekcją i opisem ruchu.
Ćwiczenia 13 (2022-01-10)
- Materials
  - Skeletonization (prezentacja)
- Co po tych zajęciach powinno się znać / wiedzieć / umieć
  - Znać definicję szkieletu i metody wywodzące się z tych definicji.
Ćwiczenia 14 (2022-01-17)
- Materials
  - Distance, classification and learning. From Euclidean distance to deep learning (prezentacja)
- Co po tych zajęciach powinno się znać / wiedzieć / umieć
  - Znać podstawowe pojęcia związane ze sztucznymi sieciami neuronowymi, w tym siecim głebokimi.
  - Znać podstawy budowy sieci konwolucyjnych.
  - Umieć wskazać ograniczenia metod opartych na sztucznych sieciach neuronowych.