Παρουσίαση/Προβολή

Info for foreign students

The DIGITAL IMAGE PROCESSING course is also taught in the English language in case foreign students from the ERASMUS exchange program are enrolled. More info on the course can be found here.

Περιεχόμενο μαθήματος

Συνοπτική Περιγραφή

Ψηφιακή επεξεργασία εικόνας. Θεμελιώδη βήματα της περιοχής της ψηφιακής επεξεργασίας εικόνας. Θεμελιώδεις αρχές ψηφιακών εικόνων. Μετασχηματισμοί έντασης και χωρικό φιλτράρισμα εικόνων. Φιλτράρισμα στο πεδίο της συχνότητας. Τεχνικές αποκατάστασης εικόνας. Μετασχηματισμός Κυματιδίων (wavelet). Άλλοι μετασχηματισμοί. Συμπίεση εικόνας. Βασικές τεχνικές συμπίεσης. Μορφολογική επεξεργασία εικόνας. Κατάτμηση εικόνας. Εξαγωγή χαρακτηριστικών εικόνας.

Διαλέξεις Θεωρίας

1. Εισαγωγή στην Ψηφιακή Επεξεργασία Εικόνας.
   Προέλευση της ΨΕΕ. Πεδία εφαρμογής. Θεμελιώδη βήματα ΨΕΕ. Στοιχεία οπτικής αντίληψης Ανίχνευση και απόκτηση εικόνας. Δειγματοληψία και κβαντισμός. Βασικές συσχετίσεις εικονοστοιχείων. Βασικά μαθηματικά εργαλεία.
2. Μετασχηματισμοί έντασης. Χωρικό φιλτράρισμα εικόνας (Α)
   Βασικές συναρτήσεις μετασχηματισμών έντασης. Ιστόγραμμα εικόνας. Επεξεργασία ιστογράμματος. Βασική θεωρία χωρικού φιλτραρίσματος εικόνας.
3. Χωρικό φιλτράρισμα εικόνας (Β)
   Κατωδιαβατά φίλτρα εξομάλυνσης εικόνας. Χωρικά φίλτρα αύξησης της οξύτητας εικόνας. Κατασκευή ανωδιαβατών, ζωνοδιαβατών, ζωνοφρακτικών φίλτρων. Συνδυασμός χωρικών μεθόδων βελτίωσης.
4. Φιλτράρισμα στο πεδίο της συχνότητας (Α)
   Θεωρητικό υπόβαθρο. Βασικά μαθηματικά εργαλεία. Δειγματοληψία και μετασχηματισμός Fourier. Διάκριτος μετασχηματισμός Fourier μίας μεταβλητής. Επέκταση του μετασχηματισμού σε δύο διαστάσεις. Ο ευθύς και ο αντίστροφος μετασχηματισμός Fourier. Ιδιότητες του μετασχηματισμού.
5. Φιλτράρισμα στο πεδίο της συχνότητας (Β)
   Βασική θεωρία φιλτραρίσματος στο πεδίο της συχνότητας. Εξομάλυνση με κατωδιαβατά φίλτρα στο πεδίο της συχνότητας. Όξυνση εικόνας με χρήση ανωδιαβατών φίλτρων. Επιλεκτικό φιλτράρισμα. Ο γρήγορος μετασχηματισμός Fourier.
6. Αποκατάσταση εικόνας (Α)
   Περιγραφή των μοντέλων υποβάθμισης ποιότητας και αποκατάστασης εικόνας. Βασικά μοντέλα θορύβου. Αποκατάσταση εικόνας με θόρυβο χρησιμοποιώντας χωρικά φίλτρα. Ελάττωση περιοδικού θορύβου με φιλτράρισμα.
7. Αποκατάσταση εικόνας (Β)
   Εκτίμηση συνάρτησης υποβάθμισης εικόνας. Αντίστροφο φιλτράρισμα. Φίλτρα Wiener. Φίλτρα ελαχίστων τετραγώνων υπό περιορισμό. Φίλτρο γεωμετρικού μέσου. Ανακατασκευή εικόνας από προβολές.
8. Άλλοι μετασχηματισμοί εικόνας
   Βασικό θεωρητικό υπόβαθρο. Μετασχηματισμοί βασισμένοι σε πίνακες. Συναρτήσεις βάσεις στο επίπεδο χρόνου – συχνότητας. Εικόνες βάσης. Μετασχηματισμοί που σχετίζονται με τον Fourier. Ο μετασχηματισμός Walsh-Hadamard. Ο μετασχηματισμός Haar.
9. Μετασχηματισμός Κυματιδίων (wavelet)
   Ο μετασχηματισμός κυματιδίων. Πακέτα κυματιδίων.
10. Συμπίεση Εικόνας
    Θεωρητικό υπόβαθρο. Χωρικός και Χρονικός πλεονασμός. Μέτρηση πληροφορίας εικόνας. Μοντέλα συμπίσης εικόνας. Κωδικοποίηση Huffman. Κωδικοποίηση Golomb. Αριθμητική κωδικοποίηση. Κωδικοποίηση LZW. Κωδικοποίηση επιπέδων bits. Προβλεπτική κωδικοποίηση. Κωδικοποίηση με κυματίδια.
11. Μορφολογική επεξεργασία εικόνας
    Συστολή – Διαστολή και δυισμός. Άνοιγμα και κλείσιμο. Βασικοί μορφολογικοί αλγόριθμοι: εξαγωγή περιγράμματος, πλήρωση οπών, εξαγωγή συνδεδεμένων συνιστωσών, κυρτό περίβλημα, λέπτυνση, αύξηση πάχους, σκελετοί.
12. Κατάτμηση εικόνας
    Ανίχνευση σημείων, γραμμών, ακμών. Κατωφλίωση
13. Εξαγωγή Χαρακτηριστικών εικόνας
    Προεπεξεργασία περιγραμμάτων. Περιγραφείς χαρακτηριστικών περιγράμματος. Περιγραφείς χαρακτηριστικών περιοχών. Περιγραφείς ολόκληρων εικόνων.

Εργαστηριακές Ασκήσεις

1. Θεμελιώδεις αρχές των ψηφιακών εικόνων
   Εισαγωγή στο προγραμματιστικό περιβάλλον. Εισαγωγή ψηφιακών εικόνων. Βασικοί μετασχηματισμοί εικόνων. Μετατροπή έγχρωμων εικόνων, σε εικόνες διαβάθμισης γκρι, σε δυαδικές. Ιστόγραμμα εικόνων. Αριθμητικές πράξεις εικόνων. Μετασχηματισμοί έντασης εικόνων.
2. Χωρικό φιλτράρισμα εικόνων
   Βασικοί αλγόριθμοι φιλτραρίσματος. Χαμηλοπερατά και Υψηλοπερατά φίλτρα. Γραμμικά και μη γραμμικά φίλτρα. Φίλτρα εξομάλυνσης και όξυνσης. Η πράξη της συνέλιξης στις δύο διαστάσεις για την εφαρμογή διδιάστατων φίλτρων σε εικόνα.
3. Φιλτράρισμα στο πεδίο της συχνότητας
   Ο διδιάστατος μετασχηματισμός Fourier. Μετασχηματισμοί Fourier εικόνων. Φιλτράρισμα στο πεδίο της συχνότητας.
4. Αποκατάσταση εικόνας
   Βασικά μοντέλα θορύβου. Στατιστικά χαρακτηριστικά θορύβου. Αποκατάσταση εικόνας με θόρυβο: Gaussian, salt and pepper. Αφαίρεση περιοδικού θορύβου. Αντίστροφο φιλτράρισμα εικόνας. Το φίλτρο Wiener.
5. Κατάτμηση εικόνας
   Κατωφλίωση. Απόλυτο και προσαρμοστικό κατώφλι. Ανίχνευση ακμών εικόνας. Παράγωγοι και ακμές εικόνας. Παράγωγοι δεύτερης τάξης.
6. Μορφολογική επεξεργασία εικόνας
   Βασικοί αλγόριθμοι μορφολογικής επεξεργασίας εικόνων. Συστολή – Διαστολή και δυισμός. Άνοιγμα και κλείσιμο. Βασικοί μορφολογικοί αλγόριθμοι: εξαγωγή περιγράμματος, πλήρωση οπών, εξαγωγή συνδεδεμένων συνιστωσών, κυρτό περίβλημα, λέπτυνση, αύξηση πάχους, σκελετοί

Μαθησιακοί στόχοι

Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα μπορούν:

Σε επίπεδο Γνώσεων:

1. Να γνωρίζουν τον τρόπο δημιουργίας και αναπαράστασης των ψηφιακών εικόνων
2. Να έχουν εξοικειωθεί με τα μαθηματικά εργαλεία που χρησιμοποιούνται στην ΨΕΕ
3. Να κατανοούν το νόημα της επεξεργασίας στο πεδίο του χώρου
4. Να έχουν εξοικειωθεί με βασικές τεχνικές μετασχηματισμών έντασης
5. Να κατανοούν την μηχανική του χωρικού φιλτραρίσματος
6. Να κατανοούν την μηχανική του φιλτραρίσματος στο πεδίο της συχνότητας.
7. Να γνωρίζουν τα βασικά χαρακτηριστικά των μοντέλων θορύβου
8. Να έχουν εξοικειωθεί με τα γραμμικά, μη γραμμικά και προσαρμοστικά χωρικά φίλτρα που χρησιμοποιούνται για την αποκατάσταση εικόνας.
9. Να κατανοούν το αντίστροφο φιλτράρισμα και τους περιορισμούς του.
10. Να κατανοούν τα φίλτρα Wiener και τα πλεονεκτήματα τους.
11. Να κατανοούν βασικούς μετασχηματισμούς εικόνας (Walsh-Hadamart, Haar, Wavelet)
12. Να κατανοούν βασικές μεθόδους συμπίεσης εικόνας
13. Να κατανοούν τις βασικές έννοιες της μαθηματικής μορφολογίας και της εφρμογής τους στην ΨΕΕ
14. Να κατανοούν τα χαρακτηριστικά των τύπων ακμών και μεθόδων ανίχνευσης ακμών σε εικόνες
15. Να κατανοούν το νόημα και τον τρόπο εφαρμογής μιας ευρείας κλάσης χαρακτηριστικών κατάλληλων για επεξεργασία εικόνας.

Σε επίπεδο Δεξιοτήτων

1. Να υπολογίζουν βασικές τεχνικές μετασχηματισμών έντασης
2. Να υπολογίζουν και να σχεδιάζουν βασικούς τύπους χωρικών φίλτρων και τρόπων εφαρμογής τους.
3. Να σχεδιάζουν φίλτρα στο πεδίο της συχνότητας.
4. Να σχεδιάζουν γραμμικά, μη γραμμικά και προσαρμοστικά χωρικά φίλτρα σε προβλήματα αποκατάστασης εικόνας.
5. Να υπολογίζουν το αντίστροφο φιλτράρισμα σε εικόνες για την αποκατάσταση εικόνας.
6. Να σχεδιάζουν φίλτρα Wiener για την εφαρμογή τους σε προβλήματα αποκατάστασης εικόνας.
7. Να υπολογίζουν πλήθος από μετασχηματισμούς εικόνας
8. Να σχεδιάζουν αλγορίθμους μορφολογικής ανάλυσης ψηφιακών εικόνων
9. Να σχεδιάζουν μεθόδους ανίχνευσης ακμών σε εικόνες
10. Να υπολογίζουν και να εξάγουν τα κατάλληλα χαρακτηριστικά για επεξεργασία εικόνας.

Σε επίπεδο Ικανοτήτων

1. Να επιλέγουν το καταλληλότερο φίλτρο και πεδίο εφαρμογής του ανάλογα με το πρόβλημα που πρέπει να αντιμετωπίσουν.
2. Να επιλέγουν την κατάλληλη μέθοδο αποκατάστασης ανάλογα με τον βαθμό υποβάθμισης της ψηφιακής εικόνας.
3. Να επιλέγουν τα κατάλληλα χαρακτηριστικά τα οποία περιγράφουν την ψηφιακή εικόνα ανάλογα με το πρόβλημα που πρέπει να επιλύσουν.
4. Να επιλέγουν τους κατάλληλους αλγόριθμους ανίχνευσης ακμών σε εικόνες.
5. Να χρησιμοποιούν συγκεντρωτικά την θεωρία για την επίλυση σύνθετων προβλημάτων της περιοχής της ψηφιακής επεξεργασίας εικόνας

Βιβλιογραφία

1. Gonzalez, Κόλλιας Σ. (επιμέλεια), Ψηφιακή Επεξεργασία Εικόνας, 4η Έκδοση, Εκδόσεις Τζιόλα και Υιοί Α.Ε., 2018 (ΚΩΔ. ΕΥΔΟΞΟΥ 68384821)
2. Πήτας Ι., Ψηφιακή Επεξεργασία Εικόνας, Εκδότης Ε. & Δ. Ανικούλα, 2010 (ΚΩΔ. ΕΥΔΟΞΟΥ 68398652)
3. Παπαμάρκος Ν., Ψηφιακή Επεξεργασία και Ανάλυση Εικόνας, Εκδότης Αφοί Παπαμάρκου, 2013 (ΚΩΔ. ΕΥΔΟΞΟΥ 68372511)
4. Dey S., Hands-On Image Processing with Python: Expert techniques for advanced image analysis and effective interpretation of image data, Packt Publishing, 2018
5. Solomon C., Breckon T., Fundamentals of Digital Image Processing: A Practical Approach with Examples in Matlab, Wiley-Blackwell; First Edition edition, 2010
6. Shilkrot R., Escriva D. M., Mastering OpenCV 4: A comprehensive guide to building computer vision and image processing applications with C++, Packt Publishing; 3rd Revised edition edition, 2018
7. Petrou M., Petrou C., Image Processing: The Fundamentals, Wiley-Blackwell; 2nd edition, 2010
8. Gonzalez, Digital Image Processing Using MATLAB, 2nd ed, Mcgraw Hill; Second 2nd Edition edition, 2010
9. Solem J. E., Programming Computer Vision with Python: Tools and algorithms for analyzing images, O'Reilly Media; 1 edition, 2012

Συναφή επιστημονικά περιοδικά

1. Transactions on Image Processing, IEEE
2. Image and Vision Computing, Elsevier
3. Signal Processing: Image Communication, Elsevier
4. Machine Vision and Applications, Springer
5. EURASIP Journal on Image and Video Processing, Springer
6. IET Image Processing, IET

Μέθοδοι διδασκαλίας

• Διαφάνειες για τη διδασκαλία του θεωρητικού μέρους του μαθήματος.
• Εργαστηριακοί οδηγοί για το εργαστηριακό μέρος (ένας για κάθε εργαστηριακή άσκηση).
• Υποστήριξη μαθησιακής διαδικασίας μέσω της πλατφόρμας e-Class (για γνωστοποίηση του κανονισμού λειτουργίας μαθήματος, για διανομή διαφανειών, συμπληρωματικού υλικού, ανακοινώσεων, συνδέσμων και βιβλιογραφίας, για τη υποβολή των εξαμηνιαίων εργασιών (project).
• Διαδραστικές ασκήσεις
• Εξειδικευμένο λογισμικό (Matlab) και λογισμικού ανοιχτού κώδικα (Python, OpenCV, scikit-image) για το εργαστηριακό μέρος εγκατεστημένο σε ατομική θέση εργασίας ανά φοιτητή.
• Υποστήριξη της εργαστηριακής μαθησιακής διδασκαλίας μέσω εξυπηρετητή ο οποίος θα φιλοξενεί Jupyter Notebooks με το εκπαιδευτικό υλικό του εργαστηρίου αλλά και του μαθήματος γενικότερα.

Μέθοδοι αξιολόγησης

Αξιολόγηση Θεωρητικού Μέρους:

I. Γραπτή τελική εξέταση διάρκειας 120 λεπτών που περιλαμβάνει:
a. Επίλυση προβλημάτων
b. Ερωτήσεις πολλαπλής επιλογής
c. Ερωτήσεις σύντομης απάντησης
d. Συγκριτική αξιολόγηση στοιχείων θεωρίας

Β. Αξιολόγηση Εργαστηριακού Μέρους:
I. Κατάθεση αναφορών (μία ανά εργαστηριακή άσκηση) από κάθε φοιτητή μέσω πλατφόρμας e-class

Γ. Αξιολόγηση Ομαδικής Εξαμηνιαίας Εργασίας:
I. Παρουσίαση προαιρετικής εξαμηνιαίας ερευνητικής εργασίας η οποία ανατιθεται σε ομάδες όχι μεγαλύτερες των 3 φοιτητών. Σε περίπτωση που συμμετάσχουν φοιτητές προγραμμάτων ανταλλαγής, η εξαμηνιαία εργασία μπορεί να πραγματοποιηθεί στην Αγγλική γλώσσα.

Παρατηρήσεις:

• Από την αξιολόγηση του φοιτητή στο εργαστηριακό μέρος του μαθήματος προκύπτει δυαδικός βαθμός ΕΠΙΤΥΧΗΣ/ΜΗ ΕΠΙΤΥΧΗΣ.
• Για να μπορέσει να συμμετάσχει στην αξιολόγηση του θεωρητικού μέρους του μαθήματος, ο φοιτητής θα πρέπει να έχει λάβει ΕΠΙΤΥΧΗ βαθμό στο εργαστηριακό μέρος του μαθήματος.
• Ο τελικός βαθμός του μαθήματος προκύπτει από την στάθμιση των βαθμών θεωρίας και της προαιρετικής εξαμηνιαίας εργασίας με συντελεστές βαρύτητας 70% και 30% αντίστοιχα.
• Σε περίπτωση που ο φοιτητής δεν έχει αναλάβει εξαμηνιαία εργασία, ο τελικός βαθμός του μαθήματος υπολογίζεται μόνο από τον βαθμό της αξιολόγησης του θεωρητικού μέρους.
• Η αξιολόγηση γίνεται στην ελληνική γλώσσα. Σε περίπτωση που συμμετέχουν φοιτητές μέσω προγραμμάτων ανταλλαγής, η αξιολόγηση πραγματοποιείται και στην Αγγλική γλώσσα.
• Η παρουσίαση των εξαμηνιαίων εργασιών μπορεί να γίνει και στην Αγγλική γλώσσα.

Προαπαιτούμενα

Προαπαιτούμενα μαθήματα δεν έχουν θεσμοθετηθεί. Οι φοιτητές πρέπει όμως να έχουν καλή γνώση των:

• Κ-310 – Πιθανοθεωρία και Στατιστικής
• Κ-640 – Ψηφιακή Επεξεργασία Σήματος.

Προτεινόμενα συγγράμματα

Ο διδάσκων προτείνει την χρήση του παρακάτω συγγράμματος:

Gonzalez, Κόλλιας Σ. (επιμέλεια), Ψηφιακή Επεξεργασία Εικόνας, 4η Έκδοση, Εκδόσεις Τζιόλα και Υιοί Α.Ε., 2018 (ΚΩΔ. ΕΥΔΟΞΟΥ 68384821)

Οργάνωση διδασκαλίας

Γλώσσα διδασκαλίας και εξετάσεων

Το μάθημα μπορεί να προσφερθεί εκτός από την Ελληνική, και στην Αγγλική γλώσσα στην περίπτωση συμμετοχής επισκεπτών φοιτητών μέσω προγράμματος αναταλλαγής ERASMUS

Ώρες εβδομαδιαίας διδασκαλίας

Διαλέξεις: 3 ώρες/εβδομάδα
Εργαστηριακές Ασκήσεις: 1 ώρα/εβδομάδα

Σύνολο πιστωτικών μονάδων ECTS: 5