Основы теории обработки изображений
内容描述: Дисциплина посвящена изучению принципиальных вопросов в теории обработки изображений (формирования, ввода, представления в компьютере и визуализации). Знакомит магистрантов с алгоритмами обработки изображений и видео, как классическими, так и опирающихся на современные архитектуры нейронных сетей глубоко обучения. Рассматриваются вопросы построения математических моделей обработки изображений. Описываются оптимальные и квазиоптимальные решения основных задач обработки изображений (фильтрация, обнаружение, совмещение и распознавание). Особое внимание уделяется адаптивным методам обработки.
贷款数: 6
*СomplexityDiscipline(zh-CN)*:
| *TypesOfClasses(zh-CN)* | *hours(zh-CN)* |
|---|---|
| *Lectures(zh-CN)* | 30 |
| *PracticalWork(zh-CN)* | |
| *LaboratoryWork(zh-CN)* | 30 |
| *srop(zh-CN)* | 30 |
| *sro(zh-CN)* | 90 |
| *FormOfFinalControl(zh-CN)* | экзамен |
| *FinalAssessment(zh-CN)* | устный экзамен |
零件: Компонент по выбору
循环次数: Профилирующие дисциплины
Цель
- формирование у магистрантов теоретических знаний и практических навыков в решении задач, возникающих при разработке систем обработки и анализа изображений, умений самостоятельной работы с программными средствами обработки изображений.
Задача
- ознакомление с основными направлениями развития данной области знаний,
- изучение методов и алгоритмов обработки цифровых изображений,
- приобретение навыков решения прикладных задач, связанных с обработкой изображений.
Результат обучения: знание и понимание
- извлекать теоретические знания о математическом и алгоритмическом аппарате, используемом в современных системах обработки и анализа изображений;
Результат обучения: применение знаний и пониманий
- применять базовые научно-теоретические знания для решения теоретических и практических задач обработки и анализа изображений;
Результат обучения: формирование суждений
- выбирать методы и технологии распознавания образов для построения формальных математических моделей и интерпретации результатов моделирования при решении прикладных задач в различных областях;
Результат обучения: коммуникативные способности
- демонстрировать результаты инженерной и исследовательской деятельности коллегам;
Результат обучения: навыки обучения или способности к учебе
- применять систему знаний о современных методах и подходах к решению типовых задач обработки и анализа изображений в интеллектуальных системах управления;
- применять различные программные инструменты обработки и анализа изображений, построения формальных математических моделей.
*TeachingMethods(zh-CN)*
интерактивная лекция (применение следующих активных форм обучения: ведомая (управляемая) дискуссия или беседа;
информационно-коммуникационная (занятия в компьютерном классе с использованием профессиональных пакетов прикладных программ);
поисково-исследовательская (самостоятельная исследовательская деятельность в процессе обучения)
*AssessmentKnowledge(zh-CN)*
Преподаватель проводит все виды работ текущего контроля и выводит соответствующую оценку текущей успеваемости обучающихся два раза в академический период. По результатам текущего контроля формируется рейтинг 1 и 2. Учебные достижения обучающегося оцениваются по 100-балльной шкале, итоговая оценка Р1 и Р2 выводится как средняя арифметическая из оценок текущей успеваемости. Оценка работы обучающегося в академическом периоде осуществляется преподавателем в соответствии с графиком сдачи заданий по дисциплине. Система контроля может сочетать письменные и устные, групповые и индивидуальные формы.
| *Period2(zh-CN)* | *TypeOfTask(zh-CN)* | *Total(zh-CN)* |
|---|---|---|
| 1 *Rating(zh-CN)* | Лабораторная работа "Обработка различных типов изображений в среде MATLAB" | 0-100 |
| Лабораторная работа "Статистический анализ изображений" | ||
| Лабораторная работа "Пространственные и частотные методы, применяемые для улучшения изображений". | ||
| Лабораторная работа "Геометрические преобразования изображений в среде MATLAB". | ||
| Лабораторная работа "Обработка изображений на основе морфологических операторов". | ||
| Лабораторная работа "Преобразование изображений с помощью дискретизации и квантования". | ||
| рубежный контроль 1 | ||
| 2 *Rating(zh-CN)* | Лабораторная работа "Восстановление изображений в среде MATLAB". | 0-100 |
| Лабораторная работа "Методы сегментации изображений". | ||
| Лабораторная работа "Фильтрация изображений с помощью функций в среде MATLAB". | ||
| Лабораторная работа "Преобразование изображений с помощью гистограммы". | ||
| рубежный контроль 2 | ||
| *TotalControl(zh-CN)* | экзамен | 0-100 |
*PolicyAssignmentTask(zh-CN)*
| *TypeOfTask(zh-CN)* | 90-100 | 70-89 | 50-69 | 0-49 |
|---|---|---|---|---|
| Excellent | *Grade4(zh-CN)* | *Grade3(zh-CN)* | *Grade2(zh-CN)* | |
| Работа на лабораторных занятиях | Проявлена превосходная теоретическая подготовка. Необходимые навыки и умения полностью освоены. Результат лабораторной работы полностью соответствует её целям. | Проявлена хорошая теоретическая подготовка. Необходимые навыки и умения в основном освоены. Результат лабораторной работы в основном соответствует её целям. | Проявлена удовлетворительная теоретическая подготовка. Необходимые навыки и умения частично освоены. Результат лабораторной работы частично соответствует её целям. | Проявлена неудовлетворительная теоретическая подготовка. Необходимые навыки и умения не своены. Результат лабораторной работы не соответствует её целям. |
| Устное собеседование по контрольным вопросам | В ответе качественно раскрыто содержание темы. Ответ хорошо структурирован. Прекрасно освоен понятийный аппарат. Продемонстрирован высокий уровень понимания материала. Превосходное умение формулировать свои мысли, обсуждать дискуссионные положения. | Основные вопросы темы раскрыты. Структура ответа в целом адекватна теме. Хорошо освоен понятийный аппарат. Продемонстрирован хороший уровень понимания материала. Хорошее умение формулировать свои мысли, обсуждать дискуссионные положения. | Тема частично раскрыта. Ответ слабо структурирован. Понятийный аппарат освоен частично. Понимание отдельных положений из материала по теме. Удовлетворительное умение формулировать свои мысли, обсуждать дискуссионные положения. | Тема не раскрыта. Понятийный аппарат освоен неудовлетворительно. Понимание материала фрагментарное или отсутствует. Неумение формулировать свои мысли, обсуждать дискуссионные положения. |
*EvaluationForm(zh-CN)*
Итоговая оценка знаний обучающего по дисциплине осуществляется по 100 балльной системе и включает:
- 40% результата, полученного на экзамене;
- 60% результатов текущей успеваемости.
Формула подсчета итоговой оценки:
| И= 0,6 | Р1+Р2 | +0,4Э |
| 2 |
где, Р1, Р2 – цифровые эквиваленты оценок первого, второго рейтингов соответственно; Э – цифровой эквивалент оценки на экзамене.
Итоговая буквенная оценка и ее цифровой эквивалент в баллах:
Буквенная система оценки учебных достижений обучающихся, соответствующая цифровому эквиваленту по четырехбалльной системе:
| Оценка по буквенной системе | Цифровой эквивалент | Баллы (%-ное содержание) | Оценка по традиционной системе |
|---|---|---|---|
| A | 4.0 | 95-100 | Отлично |
| A- | 3.67 | 90-94 | |
| B+ | 3.33 | 85-89 | Хорошо |
| B | 3.0 | 80-84 | |
| B- | 2.67 | 75-79 | |
| C+ | 2.33 | 70-74 | |
| C | 2.0 | 65-69 | Удовлетворительно |
| C- | 1.67 | 60-64 | |
| D+ | 1.33 | 55-59 | |
| D | 1.0 | 50-54 | |
| FX | 0.5 | 25-49 | Неудовлетворительно |
| F | 0 | 0-24 |
Темы лекционных занятий
- Постановка задачи распознавания изображений. Представление изображений в компьютере. Особенности работы с изображениями в компьютерной графике, обработке изображений и распознавании изображений. Общая структура системы распознавания образов. Подсистемы генерации и селекции признаков, построения и оценки классификатора.
- Точечные операции обработки изображений. Точечные операции обработки изображений (просветление, негативное изображение, изменение контрастности). Диаграмма изменения яркости. Изменения гистограммы при точечных преобразованиях. Бинаризация изображений. Выбор порога бинаризации на основе гистограмм яркости. Преобразование изображения на основе эквализации гистограммы яркости.
- Пространственные операции над изображениями. Пространственные операции над изображениями. Пространственные фильтры: MIN, MAX, медианный, среднеарифметический. Свёртка функций. Одномерная и двумерная свёртка и её свойства.Дискретная свертка изображений. Обработка края изображения при свёртке. Пространственная частота изображения. Низкочастотные и высокочастотные фильтры, основанные на свертке. Выделение краёв в изображении. Операторы Лапласа, Собеля, Кирша.
- Алгебраические и геометрические операции над изображениями. Алгебраические операции над изображениями и их назначение. Сложение изображений для уменьшения влияния случайного шума. Оценка изменения отношения сигнал/шум. Вычитание изображений для удаления фона и для определения изменений в динамической сцене. Умножение изображений при выделении элементов с помощью маски. Деление изображений для снятия низкочастотной помехи. Геометрические операции над изображениями. Интерполяция яркости при геометрических операциях поворота и масштабирования.
- Морфологические преобразования изображений. Морфологические преобразования изображений. Базовые операции дилатация и эрозия. Составные морфологические операции замыкание и размыкание. Применение морфологических операций для 7 выделения границ, вычисления связных компонент и заполнения связных областей в изображении.
- Генерация признаков на основе линейных преобразований. Генерация признаков на основе линейных преобразований вектора и матрицы измерений. Разложение образа по базисным векторам и базисным матрицам. Одномерное преобразование Карунена-Лоева.
- Дискретное преобразование Фурье. Одномерное дискретное преобразование Фурье. Представление базисных векторов преобразования.
- Вейвлет-преобразование изображений. Вейвлет-преобразование Хаара для изображений. Генерация признаков на основе вейвлет-преобразования Хаара. Применение вейвлет-преобразования для классификации изображений радужной оболочки глаза.
- Генерация признаков формы на основе анализа границ изображения. Генерация признаков формы объектов изображения на основе анализа границы: периметр, площадь, округлость, энергия изгиба. Задача поиска и прослеживания границ в бинарном изображении. Метод симплексного прослеживания.
- Генерация признаков формы на основе построения и анализа скелетов изображения. Аппроксимация границы в бинарном изображении разделяющими многоугольниками минимального периметра. Скелет фигуры. Генерация топологических и метрических признаков формы для изображений на основе скелета. Дискретное преобразование Фурье для границы объекта в бинарном изображении. Построение скелета бинарного изображения методом утончения (алгоритм Розенфельда).
- Построение меры сходства изображений. Специфика систем распознавания изображений: признаковые описания, метрики сходства образов. Гистограмма яркости изображения, нормализованная и накопительная гистограммы.
Основная литература
- Гонсалес Р., Вудс Р. Цифровая обработка изображений.: Пер. с англ. – М.: Техносфера, 2012. – 1104 с.
- Шапиро Л., Стокман Дж. Компьютерное зрение: Пер. с англ. – М.: БИНОМ. Лаборатория знаний, 2015. – 763 с.
- Томакова, Р. А. Методы и алгоритмы цифровой обработки изображений: учебное пособие / Р. А. Томакова, Е. А. Петрик; Юго-Зап. гос. ун-т. - Курск : Университетская книга, 2020. - 310 с.
Дополнительная литература
- Фисенко В.Т. Компьютерная обработка и распознавание изображений.: учеб. пособие / В.Т. Фисенко, Т.Ю. Фисенко. – Санкт-Петербург: НИУ ИТМО, 2008.– 192 с.
- Крашенинников, В. Основы теории обработки изображений: учеб.пособие / В.Р. Крашенинников; М-во образования Рос. Федерации, Ульян. гос. техн. ун-т. - Ульяновск: 2003. - 151 с.
- Гук А.П. Методы и технологии распознавания объектов по их изображению: учебно-методическое пособие / А.П.Гук, Е.П.Хлебникова. – Новосибирск: СГУГиТ, 2019. – 138 с.
- Гонсалес Р. Цифровая обработка изображений в среде MATLAB / Р. Гонсалес, Р. Вудс, С. Эддинс. – М.:Техносфера, 2006. – 615с.
