Budapest University of Technology and Economics, Faculty of Electrical Engineering and Informatics

    Belépés
    címtáras azonosítással
    vissza a tantárgylistához   nyomtatható verzió    

    Képfeldolgozás

    A tantárgy angol neve: Image Processing

    Adatlap utolsó módosítása: 2023. február 21.

    Budapesti Műszaki és Gazdaságtudományi Egyetem
    Villamosmérnöki és Informatikai Kar     		Mérnök Informatikus, BSc
    Tantárgykód Szemeszter Követelmények Kredit Tantárgyfélév
    VIIIAD01   2/2/0/f 5  
    3. A tantárgyfelelős személy és tanszék Dr. Szemenyei Márton,
    4. A tantárgy előadója

    Szántó Mátyás, egyetemi tanársegéd, IIT 

    Dr. Kovács Kálmán, egyetemi docens, IIT 

    Kertész Zsolt, tudományos munkatárs, IIT 

    Dr. Szemenyei Márton, egyetemi adjunktus, IIT 

    5. A tantárgy az alábbi témakörök ismeretére épít Számítógépes grafika 
    6. Előtanulmányi rend
    Kötelező:
    ((EgyenCsoportTagja("2014_tanterv_hallgatoi_info") VAGY
    EgyenCsoportTagja("2014_tanterv_hallgatoi_info_eng") )
    ÉS
    NEM ( TárgyEredmény( "BMEVIIIA356", "jegy" , _ ) >= 2
    VAGY
    TárgyEredmény("BMEVIIIA356", "FELVETEL", AktualisFelev()) > 0) )

    VAGY

    (Szakirany("AMIN22-INFREND/ETT", _) VAGY
    Szakirany("AMIN22-INFREND/SZIT", _) VAGY
    Szakirany("AMIN22-INFREND/TMIT", _) VAGY

    Szakirany("AMIN22-INTHÁL/HIT", _) VAGY

    Szakirany("AMIN22-INTHÁL/HVT", _) VAGY

    Szakirany("AMIN22-INTHÁL/TMIT", _) VAGY
    Szakirany("AMIN22-SZOFTFEJL/AUT", _) VAGY

    Szakirany("AMIN22-SZOFTFEJL/IIT", _) VAGY

    Szakirany("AMIN22-SZOFTFEJL/MIT", _) VAGY
    Szakirany("VIABI2022-INFC", _) VAGY
    Szakirany("VIABI2022-SOFTWE", _) VAGY
    Szakirany("VIABV-EMBCS", _))



    ÉS (Training.Code=("5N-A8") VAGY Training.Code=("5NAA8"))

    A fenti forma a Neptun sajátja, ezen technikai okokból nem változtattunk.

    A kötelező előtanulmányi rend az adott szak honlapján és képzési programjában található.

    7. A tantárgy célkitűzése A kép jellegű információ feldolgozásának igénye az elmúlt évtizedekben rohamosan növekszik. Példaként említhető az ipari minőségellenőrzés, játék- és szórakoztatóipar, a korszerű képalkotó diagnosztikai eszközök, újabban pedig az autonóm járművek fejlesztése és a terrorizmus elleni küzdelem. A tantárgy célja, hogy megismertesse a hallgatókat a képek számítógépes feldolgozásának, objektumok felismerésének, összehasonlító elemzésének elméletével és gyakorlatával.  A tárgyban tanultak alapján a hallgatók képesek lesznek a gépi látás alapjainak (a képek rögzítésének, tárolásának, feldolgozásának) alkalmazására, vagy akár bonyolultabb képfeldolgozási feladatok megoldására, fejlesztői tevékenység végzésére. 
    8. A tantárgy részletes tematikája

    Az előadások részletes tematikája

    1.     A képfeldolgozás alapfogalmai. Az emberi látás, és a megjelenítés összefüggései. Egyszerű képfeldolgozási példák bemutatása. A kép, mint 2D folytonos és diszkrét függvény.

    2.     Képalkotás módszerei és eszközei: CCD, PSD, CT, LiDAR. Camera obscura és valós kamera belső és külső paraméterei és tipikus felépítése. Homogén lineáris transzformációk.

    3.     Harmonikus bázisfüggvények. Fourier transzformáció. Mintavételezés és rekonstrukció. A fényspektrum és a szín, színrendszerek alapjai. Kvantálás és dither.

    4.     Alacsony szintű képfeldolgozás: Hisztogram műveletek, lineáris szűrés tér és frekvencia tartományban. Szeparábilitás. Nem lineáris, statisztikai szűrők: medián és változatai. Éltartás, bilaterális szűrők.

    1. Szegmentálás. Hasonlóságon alapuló szegmentálás, régió alapú módszerek. Élek detektálása. Első és második deriváltak: gradiens és Hesse mátrix. Sobel, Prewitt, Canny algoritmus. Hough transzformáció egyenesre és körre.
    2. Mozgás alapú szegmentálás, előtér és háttér szétválasztás. Mozgáskövetés, optikai áramlás.
    3. Sztereó látás, epipoláris geometria. Képillesztések, korrelációs technikák. Mozgásalapú sztereó.
    4. Matematikai morfológia. Mérések bináris képeken, pozíció, orientáció, hossz, számosság. Szomszédosság. Csontvázasítás.
    5. A mesterséges intelligencia alapjai. Számítógépes látás nehézségei, alapproblémák. Felügyelt tanulás, perceptron, gradiens módszer, backpropagation. Többrétegű hálók, batch normalization.
    6. Konvolúciós neurális hálók felépítése, architektúrák: inception, resnet. Szemantikus szegmentálás, detekció megoldása. Szekvenciák feldolgozása, visszacsatolt elemek.
    7. Intelligens látás nehézségei, ellenséges példák, reprezentáció tanulás. Tanulási formák kombinálása, képgenerálás, predikció, kíváncsiság.
    8. Orvosi képalkotás eszközei, Röntgen, CT, PET, MRI. Feldolgozás módszerei és alkalmazásai, regisztráció. Mozgásanalízis
    9. Távérzékelés alapfogalmai, testek mint sugárforrások. Felszínborítás azonosítása. Űrtávérzékelés alapjai és módszerei.
    10. Képfeldolgozás alkalmazása a térinformatikában, adatnyerés, helymeghatározás, Példa: zöldnövényzet állapotvizsgálata képfeldolgozással.

    A gyakorlatok/laborok részletes tematikája

    1.       Képfeldolgozási eszközök alapjai, általános képmanipulációs technikák

    2.       Színalapú képfeldolgozási műveletek, pixel szintű műveletek, maszkolás

    3.       Szűrések megvalósítása kép- és frekvenciatartományban

    4.       Élkereső módszerek alkalmazása, paraméteres görbék keresése Hough-transzformációval

    5.       Szegmentálási módszerek alkalmazása, intenzitás, él alapon

    6.       Mozgásalapú szegmentáció, robusztus mozgásdetektálás videón

    7.       Bináris képek feldolgozása, morfológiai alapműveletek, objektumszámlálás

    8.       Automatikus szövegfelismerési módszerek vizsgálata

    9.       Objektumdetektálás és -követés videókon

    10.   Neurális hálózatok alapjai, automatikus differenciálás, validáció és overfitting

    11.   Képosztályozás konvolúciós neurális hálózatokkal

    12.   Orvosi képfeldolgozási módszerek alkalmazása

    13.   Távérzékelés, műholdas és légi felvételek feldolgozása

     

    9. A tantárgy oktatásának módja (előadás, gyakorlat, laboratórium)

    Előadás, gyakorlat, (ezek egy része számítógépteremben) 

    A tantárgy előadások elhangzó elméleti anyagra és az azok alkalmazását segítő gyakorlati példák felhasználására épít. 

    10. Követelmények

    Szorgalmi időszakban 

    A félévközi osztályzat megszerzéséhez az alábbi követelmények teljesítése szükséges: 

    ·2 nagyzárthelyi dolgozat teljesítése (mindkét nagyzárthelyin külön-külön 30% elérése) 

    A 2 zárthelyi dolgozat összpontszáma függvényében a félévközi osztályzat az alábbi ponthatárok alapján számolódik: 

    0-39%: elégtelen 

    40-54%: elégséges 

    55-69%: közepes 

    70-84%: jó 

    85-100%: jeles 

    Vizsgaidőszakban 

    - 

    11. Pótlási lehetőségek Az első nagyzárthelyi a szorgalmi időszakban, a második pedig a pótlási héten pótolható. 
    12. Konzultációs lehetőségek Egyeztetés szerint a zárthelyi dolgozatok előtt 
    13. Jegyzet, tankönyv, felhasználható irodalom

    Power point prezentációk 

    Rafael C. Gonzales: Digital image processing, Addison-Wesley 

    14. A tantárgy elvégzéséhez átlagosan szükséges tanulmányi munka
    Kontakt óra56
    Félévközi készülés órákra44
    Felkészülés zárthelyire30
    Házi feladat elkészítése
    Kijelölt írásos tananyag elsajátítása20
    Vizsgafelkészülés
    Összesen150
    15. A tantárgy tematikáját kidolgozta Dr. Szemenyei Márton, egyetemi adjunktus, Irányítástechnika és Informatika Tanszék 
    IMSc tematika és módszer A programban résztvevő hallgatók összetettebb mérnöki gondolkodást igénylő feladatokat kapnak, így nagyobb gyakorlatot szerezhetnek. Komolyabb önállóan feldolgozandó szakirodalom alapján mélyebb szakmai ismeretre is szert tehetnek 
    IMSc pontozás

    A zárthelyi dolgozatban a hallgatók 15 IMSc pontot szerezhetnek, amelyhez a számonkérésen extra feladatokat kell megoldaniuk. További 10 pont szerezhető magasabb szintű otthoni irodalomfeldolgozással. 

    Az IMSc pontok megszerzése a programban nem résztvevő hallgatók számára is biztosított.