Tantárgy adatlapja

Tárgy neve: Basic Image Processing Algorithms
Tárgy kódja: P-ITJEL-0014
Óraszám: N: 2/1/1, L: 0/0/0
Kreditérték: 5
Az oktatás nyelve: angol
Követelmény típus: Kollokvium
Felelős kar: ITK
Felelős szervezeti egység: Pázmány Péter Katolikus Egyetem Információs Technológiai és Bionikai Kar
Tárgyfelelős oktató: Dr. Benedek Csaba
Tárgyleírás:

Tantárgy neve:Basic Image Processing Algorithms
P-ITJEL-0014
Tárgyfelelős:Benedek Csaba
Tantárgy oktatója:Benedek Csaba
A tantárgy céljának rövid ismertetése:A kurzus célja, hogy bevezetést nyújtson a digitális képfeldolgozás és a számítógépes látás területén alkalmazott alapvető algoritmusokba.
Elsajátítandó elméleti ismeretanyag:

Elméleti oktatás az alábbi témakörökben:

  • Bevezetés: képfeldolgozás története és alkalmazásai, a kép digitális ábrázolásának módjai, színterek
  • 2D konvolúció és alkalmazásai
  • Canny éldetektor, Hough-transzformáció
  • Képjavítás
  • Fourier-elemzés
  • Textúraelemzés
  • Kép-helyreállítás
  • Képszegmentálás: Bevezetés, klaszterező eljárások és morfológia
  • Markov-véletlen mezők
  • Mean shift és Watershed eljárások
  • leírók (Harris, SIFT, HOG, LBP, bináris deszkriptorok)
Elsajátítandó gyakorlati ismeretanyag:Programozási feladatok elvégzése az alábbi témakörökben: Képek kezelése Matlabban, Dithering és színterek, 2D konvolúciók és hisztogramok, Hough-transzformáció alkalmazása, Fourier-transzformáció, Laws-szűrők, képhelyreállítás (CLS, Wiener szűrők) K-means, meanshift szegmentáció tesztelése, HOG és magas szintű leírók tesztelése, képtömörítés
A 2-4 legfontosabb kötelező irodalom felsorolása bibliográfiai adatokkal (szerző, cím, kiadás adatai, (esetleg oldalak), ISBN):R. Szeliski, Computer Vision: Algorithms and Applications. London, UK: Springer, 2010. [Online].
M. Seul, L. O’Gorman és M. J. Sammon, Practical Algorithms for Image Analysis. Cambridge, UK: Cambridge University Press, 2000. ISBN: 978-0-521-63222-5.
A 2-4 legfontosabb ajánlott felsorolása bibliográfiai adatokkal (szerző, cím, kiadás adatai, (esetleg oldalak), ISBN):C. Benedek, Multi-level Bayesian Models for Environment Perception. Cham, Svájc: Springer International Publishing, 2022. ISBN: 978-3-030-83654-2.
C. Benedek, A. Majdik, B. Nagy, Z. Rozsa és T. Sziranyi, „Positioning and perception in LIDAR point clouds,” Digital Signal Processing, vol. 119, 2021
Elmélet-gyakorlat aránya:Elméleti óra óraszáma: 2
Gyakorlati óra és labor óra óraszáma: 1 + 1
Az alkalmazott oktatási módszerek:elméleti előadás, vizuális és auditív szemléltetőeszközök használata,
egyéni projektmunka
Az értékelés módja:Kollokvium
Az értékelés kritériuma:

Aláírás megszerzéséhez szükséges feltételek:

  • írásbeli zárthelyi legalább 40%-os teljesítése (1 pótzh alkalom)
  • 2 házi feladat (egyéni projektmunka) megfelelő elvégzése, dokumentációja és személyes bemutatása.
  • Vizsga menete, kritériuma:

Szóbeli vizsga.

  • Osztályzás: 50% félévközi eredmények + 50% vizsgateljesítmény.
  • Vizsgán előre ismert tételsorból egy tételt húz, ennek kidolgozására legalább 15 perces időt kap, majd szóban beszámol az oktatónak, és a kérdésekre válaszol.
  • Cél a tanult ismeretanyag visszakérdezésén túl az összefüggések és a gyakorlati alkalmazási lehetőségek megértésének felmérése.

Értékelés:

  • Jeles (5): legalább jó félévközi teljesítmény, meggyőző szóbeli felelet mind a megtanult ismeretek, mind az összefüggések meggyőző prezentációja
  • Jó (4): legalább közepes félévközi teljesítmény, megfelelő szóbeli felelet, kisebb hiányosságokkal, pontatlanságokkal
  • Közepes (3): elfogadható félévközi teljesítmény, közepes színvonalú szóbeli felelet.
  • Elégséges (2): elfogadható félévközi teljesítmény, elégséges színvonalú szóbeli felelet.
  • Elégtelen (1): nem elfogadható félévközi teljesítmény van elégtelen színvonalú szóbeli felelet.
Miként járul hozzá a tantárgy a KKK-ban megjelölt kompetenciaelemek megszerzéséhez:

Molekuláris bionika mérnöki alapképzés:
A tantárgy fejleszti a molekuláris bionika mérnöki képzésben szükséges digitális képfeldolgozási és számítógépes látási kompetenciákat. A hallgatók képessé válnak alapvető képfeldolgozó algoritmusok értelmezésére, implementálására és alkalmazására, ami közvetlenül támogatja az orvosi képalkotás, biológiai mikroszkópia és mintafelismerés feladatait.

A tárgy az alábbi képzéseken vehető fel

képfeldolgozás és gépi látás IMNI-AIPCV mesterképzés (MA/MSc) Nappali angol 4 félév ITK
mérnökinformatikus IMNI-AMI mesterképzés (MA/MSc) Nappali angol 4 félév ITK
molekuláris bionika mérnöki IANI-MB alapképzés (BA/BSc/BProf) Nappali magyar 7 félév ITK
Széchenyi 2020 - Magyarország Kormánya - Európai Unió, Európai Regionális Fejlesztési Alap - Befektetés a Jövőbe