Detail předmětu

Advanced Methods in Image Processing

FEKT-MPA-AB2Ak. rok: 2022/2023

Předmět je koncipován jako nadstavba předešlého předmětu Zpracování a analýza obrazu, který se učí ve 3. semestru magisterského studijního programu. Forma výuky je projektová, kdy studenti řeší v rámci zvolených týmů zadané úkoly z různých oblastí zpracování obrazových dat. Konkrétně se jedná o tyto oblasti: potlačení šumu v obraze, restaurace obrazů, detekce význačných bodů a extrakce příznaků, stereoskopie, metody kalibrace kamer, odhad disparitní mapy, rekonstrukce 3D objektů, pokročilé metody pro lícování obrazů, sledování objektů a detekce pohybu založené na optickém toku, segmentace obrazů.

 

Jazyk výuky

angličtina

Počet kreditů

5

Garant předmětu

Ing. Jan Odstrčilík, Ph.D.

Zajišťuje ústav

Ústav biomedicínského inženýrství (UBMI)

Nabízen zahradničním studentům

Pouze domovské fakulty

Výsledky učení předmětu

Absolvent předmětu je schopen:

-  doporučit a kriticky hodnotit vhodnost jednotlivých metod analýzy medicínských obrazů pro konkrétní účel na základě teoretických i praktických znalostí získaných v předmětu,

-  realizovat implementaci těchto metod na vhodné softwarové platformě, popř. s využitím komerčního softwaru,

-  být platným členem výzkumného / experimentálního mezioborového týmu v oblasti analýzy biomedicínských obrazových dat,

-  týmově uvažovat a prakticky řešit zadané projektové úkoly ve vymezeném čase,

-  efektivně komunikovat v rámci týmu při řešení zadaných praktických úkolů.

Prerekvizity

Pro zápis tohoto předmětu jsou vyžadovány následující znalosti:
1) Zpracování a analýza signálů (teorie analogových a digitálních signálů, filtrace, Fourierova a vlnková transformace, spektrální analýza).
2) Zpracování a analýza obrazů a dalších vícerozměrných signálů (teorie nD signálů, metody restaurace obrazů, metody segmentace obrazů, texturní analýza, metody rekonstrukce obrazových dat).
3) Základní znalosti metod strojového učení a statistické analýzy (lineární klasifikátory, shlukovací metody, neuronové sítě, SVM, PCA, teorie pravděpodobnosti).
4) Matematika na úrovni technické vysoké školy (derivace, integrály, řešení integrodiferenciálních rovnic, optimalizační úlohy).

Hlavní prerekvizitou je úspěšné absolvování předchozího předmětu MPA-ABO (Analysis of Biomedical Images). Předmět MPA-AB2 totiž svou skladbou úzce navazuje na látku probranou v tomto předmětu (MPA-ABO).

Plánované vzdělávací činnosti a výukové metody

Výuka probíhá blokově - 7 týdnů po 7 hodinách + 3 hodiny. Přednašky jsou vedeny formou povinných seminářů, které bezprostředně navazují na povinná počítačová cvičení (řešení společných projektů ve skupinách formou heckatonů). 

Způsob a kritéria hodnocení

Podmínky pro úspěšné ukončení předmětu stanoví každoročně aktualizovaná vyhláška garanta předmětu.


-  plná účast na přednáškách a cvičeních

-  příprava a přednes prezentace na určené téma

-  až 100 bodů u závěrečné zkoušky (podmínka absolvování předmětu je získat alespoň 50 bodů)

Osnovy výuky

1. Pokročilé metody pro potlačení šumu (základní metody a pokročilé přístupy - anizotropní difuze, totální variace, deep learning).
2. Vybrané metody restaurace obrazů (modely zkreslení, slepá dekonvoluce, Tikhonovská regularizace, deep learning).
3. Detekce význačných bodů a extrakce příznaků (SIFT, SURF, a další).
4. Stereoskopie, metody kalibrace kamer, odhad disparitní mapy, rekonstrukce 3D objektů.
5. Pokročilé metody pro lícování obrazů (flexibilní přístupy, korespondence značek, metoda ICP, program Elastix).
6. Metody sledování objektů a detekce pohybu založené na optickém toku.
7. Pokročilé metody segmentace obrazů (grafově založené metody a markovská náhodná pole). 

Učební cíle

Předmět si klade za cíl seznámit studenty posledního semestru magisterkého studijního programu s vybranými pokročilými metodami z oblasti zpracování obrazů a počítačového vidění, které jsou použitelné na celou řadu aplikací. Cílem je, aby studenti získali patřičný teoretický základ probíraných metod a v rámci týmových projektů byly schopni získané znalosti prakticky aplikovat za účelem řešení vybraného úkolu.

Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky

Výuka probíhá blokově - 7 týdnů po 7 hodinách + 3 hodiny. Přednašky jsou vedeny formou povinných seminářů, které bezprostředně navazují na povinná počítačová cvičení (řešení společných projektů ve skupinách formou heckatonů).  

Základní literatura

JAN, Jiri, 2019. Medical Image Processing, Reconstruction and Analysis: Concepts and Methods. Second Edition. Boca Raton: CRC Press. ISBN 9781138310285. (EN)
Rudin, L. I. et al.: Nonlinear total variation based noise removal algorithms, Physica D vol. 60, 1992, pp. 259-268 (EN)
Kundur, D., Hatzinakos, D.: Blind image deconvolution, IEEE Signal processing magazine, 1996, pp. 43-64 (EN)

eLearning

eLearning: aktuální otevřený kurz

Zařazení předmětu ve studijních plánech

  • Program MPC-BTB magisterský navazující, 2. ročník, letní semestr, povinně volitelný

Typ (způsob) výuky

 

Cvičení na počítači

52 hod., povinná

Vyučující / Lektor

Ing. Jiří Chmelík, Ph.D.
Ing. Roman Jakubíček, Ph.D.
Ing. Jan Odstrčilík, Ph.D.

eLearning

eLearning: aktuální otevřený kurz