Detail předmětu

Advanced Methods in Image Processing

FEKT-MPAN-AB2Ak. rok: 2026/2027

Předmět Advanced Methods in Image Processing (MPAN-AB2) je koncipován jako nadstavba předmětu Analysis of Biomedical Images (MPA-ABO) a zaměřuje se na pokročilé metody zpracování obrazů a počítačového vidění. Výuka je realizována formou blokových seminářů a praktických cvičení v podobě hackathonů, které umožňují studentům aplikovat teoretické znalosti na reálné úlohy. Semináře poskytují teoretický rámec, motivaci a přehled existujících metod, přičemž vybrané pokročilé postupy jsou probírány do hloubky prostřednictvím studentských prezentací s komentářem vyučujících. Praktická cvičení jsou projektově orientovaná, řeší se v týmech a každé téma představuje výzvu, kde studenti soutěží v efektivním a kreativním řešení problému. V průběhu předmětu jsou studenti seznamováni s následujícími oblastmi: pokročilé metody potlačení šumu, restaurace obrazů a řešení inverzních problémů, detekce význačných bodů a lokálních příznaků, stereoskopie a multiview zpracování, pokročilé metody lícování obrazů, sledování objektů a analýza pohybu, a pokročilá segmentace obrazů.

Jazyk výuky

angličtina

Počet kreditů

4

Garant předmětu

Ing. Jiří Chmelík, Ph.D.

Zajišťuje ústav

Ústav biomedicínského inženýrství (UBMI)

Vstupní znalosti

Pro zápis do tohoto předmětu jsou vyžadovány následující znalosti:

  1. Zpracování a analýza signálů – zahrnuje teorii analogových a digitálních signálů, filtraci, Fourierovu a vlnkovou transformaci a spektrální analýzu.
  2. Zpracování a analýza obrazů a vícerozměrných signálů – zahrnuje teorii n-rozměrných signálů, metody restaurace obrazů, segmentace obrazů, texturální analýzu a metody rekonstrukce obrazových dat.
  3. Základy metod strojového učení a statistické analýzy – zahrnuje lineární klasifikátory, shlukovací metody, neuronové sítě, podpůrné vektorové stroje (SVM), analýzu hlavních komponent (PCA) a teorii pravděpodobnosti.
  4. Matematika na úrovni technické vysoké školy – zahrnuje derivace, integrály, řešení integrodiferenciálních rovnic a optimalizační úlohy.
  5. Pokročilé programovací zkušenosti – znalost Pythonu a Gitu.

Hlavní prerekvizitou je úspěšné absolvování předchozího předmětu MPA-ABO (Analysis of Biomedical Images), protože předmět MPAN-AB2 přímo navazuje na látku probíranou v MPA-ABO.

Způsob zakončení předmětu a pravidla hodnocení studentů

Předmět je realizován blokově po dobu 7 týdnů, každý týden se skládá z 1 hodiny povinného semináře, po kterém následuje 6 hodin povinných cvičení formou hackathonu.

Podmínky úspěšného absolvování předmětu stanovuje každoročně aktualizovaná vyhláška garanta předmětu a zahrnují:

  • plnou účast na seminářích i praktických cvičeních,
  • přípravu a přednes prezentace na určené téma,
  • úspěšné složení ústní závěrečné zkoušky (max. 100 bodů), přičemž pro absolvování je třeba získat alespoň 50 bodů celkem.

 

 

Učební cíle

Cílem předmětu je poskytnout studentům pevný teoretický základ i praktické zkušenosti s pokročilými metodami zpracování obrazů a počítačového vidění. Studenti získají schopnost implementovat, hodnotit a porovnávat různé přístupy, rozvíjet zkušenosti se spoluprací v týmech, zlepšovat své prezentační a komunikační dovednosti a aplikovat získané znalosti na různé typy obrazových dat a reálné úlohy.

Základní literatura

JAN, Jiří. 2019. Medical image processing reconstruction and analysis: concepts and methods. Second edition. Boca Raton: CRC Press. ISBN 978-113-8310-285. (EN)

Doporučená literatura

BRAR, Khushmeen Kaur, Bhawna GOYAL, Ayush DOGRA, Mohammed Ahmed MUSTAFA, Rana MAJUMDAR, Ahmed ALKHAYYAT and Vinay KUKREJA. 2025. Image segmentation review: Theoretical background and recent advances. Information Fusion [online]. Elsevier BV, 114(1), 102608 [accessed 2026-1-28]. DOI: 10.1016/j.inffus.2024.102608. ISSN 1566-2535. Available at: https://doi.org/10.1016/j.inffus.2024.102608 (EN)
LI, Suya, Hengyi REN, Xin XIE and Ying CAO. 2025. A Review of Multi‐Object Tracking in Recent Times. IET Computer Vision [online]. Institution of Engineering and Technology (IET), 19(1), 1-18 [accessed 2026-1-28]. DOI: 10.1049/cvi2.70010. ISSN 1751-9632. Available at: https://ietresearch.onlinelibrary.wiley.com/doi/10.1049/cvi2.70010 (EN)
LIU, Cuiyin, Jishang XU and Feng WANG. 2021. A Review of Keypoints’ Detection and Feature Description in Image Registration. Scientific Programming [online]. Wiley, 2021(1), 1-25 [accessed 2026-1-28]. DOI: 10.1155/2021/8509164. ISSN 1875-919X. Available at: https://doi.org/10.1155/2021/8509164 (EN)
SHALMA, H. and P. SELVARAJ. 2023. A review on 3D image reconstruction on specific and generic objects. Materials Today: Proceedings [online]. Elsevier BV, 80(1), 2400-2405 [accessed 2026-1-28]. DOI: 10.1016/j.matpr.2021.06.371. ISSN 2214-7853. Available at: https://doi.org/10.1016/j.matpr.2021.06.371 (EN)
WALI, Aamir, Asma NASEER, Maria TAMOOR and S.A.M GILANI. 2023. Recent progress in digital image restoration techniques: A review. Digital Signal Processing [online]. 141(1), 104187-104187 [accessed 2026-1-28]. DOI: 10.1016/j.dsp.2023.104187. ISSN 1051-2004. Available at: https://doi.org/10.1016/j.dsp.2023.104187 (EN)
ZITOVÁ, Barbara and Jan FLUSSER. 2003. Image registration methods: a survey. Image and Vision Computing [online]. Elsevier BV, 21(11), 977-1000 [accessed 2026-1-28]. DOI: 10.1016/s0262-8856(03)00137-9. ISSN 0262-8856. Available at: https://doi.org/10.1016/S0262-8856(03)00137-9 (EN)

Zařazení předmětu ve studijních plánech

  • Program MPA-BTB magisterský navazující 2 ročník, letní semestr, povinně volitelný, je součástí profilujícího základu
  • Program MPCN-BTB magisterský navazující 2 ročník, letní semestr, povinně volitelný, je součástí profilujícího základu
  • Program MPAN-BIO magisterský navazující 2 ročník, letní semestr, povinný

  • Program MPCN-BIO magisterský navazující

    specializace MPC-BIO_TECH , 2 ročník, letní semestr, povinně volitelný

Typ (způsob) výuky

 

Přednáška

12 hod., povinná

Vyučující / Lektor

Ing. Jiří Chmelík, Ph.D.

Osnova

Každá přednáška je formou semináře a předchází praktickému hackathonu stejného tématu a poskytuje teoretický rámec. Studenti se seznámí s motivací, přehledem existujících metod a principy základních postupů. Vybrané pokročilé metody jsou probrány do hloubky prostřednictvím studentských prezentací, po kterých následuje komentář vyučujících a doplnění klíčových informací potřebných pro pochopení látky.

  • Pokročilé metody potlačení šumu – přehled šumu v obrazech, principy variačních a difuzních metod, role regularizace a možnosti hlubokého učení.
  • Restaurace obrazů a inverzní problémy – modely degradace, inverzní problémy, principy regularizace a Bayesovské přístupy.
  • Detekce význačných bodů a lokální příznaky – detekce a popis charakteristických bodů, invariance, robustní párování.
  • Stereoskopie a multiskopie – epipolární geometrie, principy kalibrace kamer, základy disparitní mapy a 3D rekonstrukce.
  • Pokročilé metody lícování obrazů – metody rigidní a nelineární registrace, metriky podobnosti a optimalizace.
  • Analýza pohybu a sledování objektů – principy optického toku, sledování objektů, modely pohybu a řešení částečné nebo úplné okluze.
  • Pokročilá segmentace obrazů – energetické a grafové modely, Markovská náhodná pole, principy multi-label a hybridní segmentace.

 

 

Cvičení na počítači

42 hod., povinná

Vyučující / Lektor

Ing. Jiří Chmelík, Ph.D.

Osnova

Praktická cvičení jsou koncipována formou hackathonu, kde každé téma představuje samostatnou výzvu. Všichni studenti pracují se stejným zadáním a snaží se co nejefektivněji a nejkreativněji vyřešit zadaný problém. Cvičení probíhají ve skupinách, což podporuje týmovou spolupráci, diskusi a sdílení nápadů, a zároveň umožňuje prakticky aplikovat znalosti získané během seminářů.

  • Pokročilé metody potlačení šumu – aplikace metod pro odstranění šumu, porovnávání různých přístupů a hodnocení kvality a robustnosti výsledků.
  • Restaurace obrazů a inverzní problémy – aplikace metod restaurace obrazů, experimentování s různými přístupy a hodnocení kvality restaurace.
  • Detekce význačných bodů a lokální příznaky – práce s klíčovými body a lokálními příznaky, a jejich využití pro řešení jiných úkolů zpracování obrazů.
  • Stereoskopie a multiskopie – získávání 3D informace z více pohledů a hodnocení přesnosti rekonstrukce.
  • Pokročilé metody lícování obrazů – aplikace registračních metod, jejich optimalizace a vyhodnocení přesnosti lícování obrazů.
  • Analýza pohybu a sledování objektů – analýza pohybu v obrazových sekvencích, implementace trasovacích algoritmů včetně eliminace chyb.
  • Pokročilá segmentace obrazů – použití metod segmentace obrazů, hodnocení spolehlivosti a přesnosti výsledků.

 

Individuální příprava na cvičení

24 hod., nepovinná

Vyučující / Lektor

Ing. Jiří Chmelík, Ph.D.

Osnova

Studenti mají věnovat dostatek času přípravě přehledné a detailní prezentace k danému tématu. Příprava zahrnuje samostatné nastudování problematiky, rešerši relevantní literatury a odborných zdrojů a případné konzultace s vyučujícím, které jsou potřebné k pochopení látky a kvalitní prezentaci. Prezentace má být připravena v takové formě a s takovou hloubkou, aby umožnila ostatním studentům se v dané problematice snadno zorientovat. Cílem je, aby studenti dokázali prezentaci jasně strukturovat, porozuměli detailům metod a byli schopni diskutovat o možných přístupech a aplikacích. 

Individuální příprava na závěrečnou zkoušku

24 hod., nepovinná

Vyučující / Lektor

Ing. Jiří Chmelík, Ph.D.