Περιγραφή μαθήματος

Κωδικός μαθήματος: ΜΥΕ037

Εβδομαδιαίες ώρες διδασκαλίας: 3,0,2

Εξάμηνο σπουδών: >=6

Διδακτικές Μονάδες: 4

Μονάδες ECTS: 5

Ιστοσελίδα Μαθήματος: https://ecourse.uoi.gr/enrol/index.php?id=573

Προσφερόμενο: Ακαδημαϊκό έτος 2023-2024

Προαπαιτούμενα:

Περιεχόμενο:

Εισαγωγή στις ψηφιακές εικόνες, πεδία εφαρμογής της επεξεργασίας εικόνας. Στοιχεία οπτικής αντίληψης, λήψη εικόνας, δειγματοληψία και κβαντισμός.
Μετασχηματισμοί έντασης, επεξεργασία ιστογράμματος, χωρικό φιλτράρισμα, φίλτρα εξομάλυνσης και όξυνσης. Φιλτράρισμα στο πεδίο της συχνότητας, 2Δ δειγματοληψία και 2Δ μετασχηματισμός Fourier, 2Δ συνέλιξη, αναδίπλωση συχνοτήτων, 1Δ και 2Δ διδκριτός μετασχηματισμός Fourier (DFT).
Ο DFT σαν πολλαπλασιασμός πινάκων, πίνακας Fourier, συνέλιξη και κυκλοτικοί πίνακες.
Αποκατάσταση εικόνας, μοντέλα θορύβου, φίλτρο αντίστροφου και ψευδοαντίστροφου πίνακα υποβάθμισης, φίλτρο Wiener, φίλτρο εξομαλυμένων ελαχίστων τετραγώνων.
Επεξεργασία έγχρωμης εικόνας, χρωματικά μοντέλα RGB, HSI, CMY,  εξομάλυνση και όξυνση έγχρωμης εικόνας, διάγραμμα χρωματικότητας.
Μορφολογική επεξεργασία εικόνας, συστολή και διαστολή, άνοιγμα και κλείσιμο.
Κατάτμηση εικόνας, χαρακτηριστικά εικόνας, εξαγωγή χαρακτηριστικών, περιγραφείς εικόνας, χαρακτηριστικά χρώματος, σχήματος, υφής. Περιγραφείς Fourier, ακτινικοί περιγραφείς, ιστογραμματικοί περιγραφείς, φίλτρα Gabor, Local Binary Patterns. Ανάκτηση εικόνας και αναγνώριση αντικειμένων. Πολυκλιμάκωση και αναλλοίωτα χαρακτηριστικά. Γκαουσιανή πυραμίδα, Λαπλασιανή πυραμίδα. Περιγραφείς SIFT: Εντοπισμός και περιγραφή SIFT keypoints. Εφαρμογές των SIFT. Άλλοι Scale-Invariant περιγραφείς. Ο αλγόριθμος RANSAC. Image matching, Image Mosaicking – Panorama stitching, Image Retrieval, Keyword Spotting, Object Detection.
Discrete Wavelet Transform, Haar wavelets. Τομογραφική ανακατασκευή εικόνας, ο μετασχηματισμός Radon, το θεώρημα Fourier-τομής (κεντρικής τομής),  ανακατασκευή από φιλτραρισμένες οπισθοπροβολές.
Αναγνώριση Προτύπων και Μηχανική Μάθηση στην Ψηφιακή Επεξεργασία Εικόνας. Συνελικτικά Νευρωνικά Δίκτυα και Deep Learning στην ΨΕΕ.

Παρατηρήσεις: