Home/ Majors directory/Software Engineering/Image Processing Using Artificial Intelligence Methods
Image Processing Using Artificial Intelligence Methods
Major: Software Engineering
Code of subject: 7.121.01.O.004
Credits: 6.00
Department: Software
Lecturer: professor Melnyk Roman Andriyovych
Semester: 1 семестр
Mode of study: денна
Завдання: ІНТ. The ability to effectively solve specialized tasks and practical problems of an innovative nature during professional activities related to all aspects of software development from the initial stages of specification creation to system support after commissioning.
ЗК01. The ability to think abstractly and perform synthesis and analysis.
СК03. The ability to design software and model the processes of software subsystems and units’ operation.
СК07. The ability to consider problems of informational technologies and interdisciplinary problems critically, integrate corresponding knowledge and solve difficult problems in wide multidisciplinary contexts.
Learning outcomes: РН06. Develop and evaluate strategies of software design; substantiate, analyse and assess design solutions from the perspective of the final product quality, resource restrictions and other factors.
РН07. Analyse, assess and systematically apply modern software and hardware platforms for solving complex problems in software engineering.
РН10. Modify the existing algorithmic solutions for detailed software design and develop new ones.
Required prior and related subjects: Corequisites:
Research Methods and Tools in Software Engineering (Coursework)
Summary of the subject: The discipline is necessary for obtaining general and professional competences in the field of algorithms and image processing methods.
The discipline considers the main stages of computer vision: image enhancement, analysis and classification, artificial intelligence methods for scene recognition. The principles of computer vision, image segmentation and enhancement methods, image feature calculation algorithms, classification, cluster analysis methods for image search, image compression methods are presented.
Image acquisition and analysis methods are designed to solve fundamental and applied problems in astronomy, geology, ecology, biology, medicine, agriculture and other fields of human activity.
Опис: Formats of visual images. Image acquisition technologies and their purpose. Classification of visual images. Software tools for forming and processing visual images.
Fundamental mathematical apparatus for describing and processing digital images. Intensity, elements and technologies of perception. Samples and quantization. Ratio between pixels.
Improvement of images in space. Gray levels. Transformation and processing of histograms. Enhancement by logical operations, spatial image enhancement filters.
Obtaining signs of intensity and space. Histogram transformation and distributed cumulative histogram. Applying transformations to searching images.
Segmentation and color filling algorithms. Signs of fragments and segments. Hierarchical clustering, the method of averages and others.
Color processing. Signs of shape and color. Color conversion. Smoothing and contrast. Color segmentation.
Lossless and lossy compression models. Compression standards. Piecewise linear approximation
Morphological processing of images. Basic algorithms: skeletons, contours. 3-D images and their description. Classification of feature selection methods. Image segmentation. Analysis of segmentation methods: advantages and disadvantages. Decomposition of graphs. Borders, thresholds, expansion of areas. Hierarchical decomposition.
Indexing and retrieval systems. Classification of feature selection methods. Clustering of features. Storage and search in databases. Image recognition. Basic and additional features. Comparison criteria in proximity functions. Neural network structures: training and search.
Space and geoinformation visualization systems. Processing of satellite images. Selection of regions. Comparison and search for changes.
Classification of medical images and biological structures of visualization. Fingerprints and facial features. Modern approaches and identification systems.
Visualization technique. Digital optical systems. Systems in other ranges of the frequency spectrum.
Robotics, application of computer vision in robots and automatic production systems and artificial intelligence systems.
Examples of image processing systems. OpenCV, InfoSeek and others. Problems of computer vision.
Assessment methods and criteria: Questioning in classes.
Tests.
Laboratory work defense.
Критерії оцінювання результатів навчання: 1. Marks for current control are assigned before the beginning of the session. A student who completed less than 50% of the work of the current control is considered uncertified. A student who has completed more than 50% of the work can complete the task and pass the exam.
2. Points for laboratory work (9 points for each work) are assigned according to the calendar schedule of classes and a successful defense.
The defense is considered successful (the maximum possible number of points according to the schedule) if the student demonstrated the performance of the laboratory (1-5 yrs) or demonstrated the correct operation of the program (in lab #1-5) in accordance with their task, correctly completed the report and defended it , answered questions correctly and was able to make corrections in the laboratory at the teacher's request (in lab #1-5).
Laboratory works are have maxinum score 9 points each. Points take into account the type of interface, the presence of control parameters, the operation of the algorithm, the recording of the results of work and research, the description of the algorithm in the report, the demonstration of the program, the list of literature and resources.
Works submitted on time during the first three months are evaluated taking into account the requirements. Works submitted a week before the exam are additionally checked for plagiarism and points may be reduced.
Recommended books: 1. Капустій Б. О. Системи розпізнавання образів з малими базами даних / Б. О. Капустій, Б. П. Русин, В. А. Таянов. – Львів: Сполом, 2016.– 152 с.
2. Русин Б. П., Варецький Я. Ю. Біометрична аутентифікація та криптографічний захист. – Львів: Коло, 2017. – 287 с.
3. Капшій О. В. Вейвлет-перетворення у компресії та попередній обробці зображень / О. В. Капшій, О. І. Коваль, Б. П. Русин, – Львів: Сполом, 2018. – 208 с.
4. Воробель Р. А. Логарифмічна обробка зображень / Р. А. Воробель. – К.: Наукова думка, 2012. – 231 с.
5. Мельник Р. А. Каскадна декомпозиція множин великої розмірності при кластеризації ключів образів / Р. А. Мельник, Р. Б. Тушницький // Комп’ютерні науки та інформаційні технології.2008. № 604. – С. 249–254.
6. Мельник Р. Дослідження структури візуальних образів пакетом кластеризації / Р. Мельник, Ю. Роман // Комп’ютинг. – 2008. – Т. 7, вип. 1. – С. 13–22.
7. Мельник Р. А. Алгоритм триступеневої кластеризації для класифікації зображень за їх структурними властивостями / Р. А. Мельник, Р. Б. Тушницький // Комп’ютерні науки та інформаційні технології. – 2008. – № 629. – С. 46–52.
8. Melnyk R. Image Structer Analysis by Three Stages Clustering Pattern / R. Melnyk, R. Tushnytskyy // Комп’ютинг. – 2009. – Т. 8, вип. 2. – С. 86–94.
9. Мельник Р. Пошук образів за розподіленими ознаками об’ємів інтенсивності / Р. Мельник, Ю. Каличак // Вісник Нац. ун-ту “Львівська політехніка” “Комп’ютерні науки та інформаційні технології ”. – 2010. – № 686. – С. 264–271.
10. Мельник Р. А. Силуети кольору та яскравості зображень для їх класифікації та пошуку / Р. А. Мельник, Ю. І. Каличак // Вісник Нац. ун-ту “Львівська політехніка” “Комп’ютерні науки та інформаційні технології”. – 2010. – № 672. – С. 273–280.
11. Melnyk R. Pattern Silhouette Features for Image Classification / R. Melnyk, Y. Kalychak // Proceedings of the VIth International Conference MEMSTECH’2010 “Perspective Technologies and Methods in MEMS Design”. – Polyana, 2010. – P. 172–174.
12. Мельник Р. А. Розподілені структурні властивості зображень на основі “рентгеноскопії” яскравості / Р. А. Мельник, Ю. І. Каличак // Обчислювальні методи і системи перетворення інформації: зб. пр. наук.-техн. конф. – Львів: ФМІ НАНУ. – 2010. – С. 179–182.
13. Melnyk R. Pattern Retrieval by Distributed Intensity Volume Features / R. Melnyk, Y. Kalychak // Proceedings of the Vth International Conference on Computer Science and Information Technologies (CSIT’2010). – Lviv, 2010. – P. 25–28.
14. Мельник Р. А. Пошук образів за силуетами яскравості зображень / Р. А. Мельник, Ю. І. Каличак // Відбір і обробка інформації. – 2010. – Вип. 32 (108). – С. 86–92.
15. Мельник Р. А. Програмування веб-застосувань (фронт-енд та бек-енд): навчальний посібник / Р. А. Мельник. – Львів: Видавництво Львівської політехніки, 2018. – 248 c. )
16. Melnyk Roman, Havrylko Yuriy. Software for face statistical features determination by distributed cumulative histogram // Захист інформації і безпека інформаційних систем : матеріали VIІ міжнародної науково-технічної конференції (Львів, 30–31 травня 2019 р.). – 2019. – C. 42–43. 0,09 ум.д.ар. [н.к. - Мельник Р.А.].
17. Melnyk Roman, Kalychak Yurii, Tushnytskyy Ruslan. Absolute and relative classification of cloud regions by satellite image clustering // The experience of designing and application of CAD systems (CADSM) : proceedings of the 15th International conference (Polyana (Svalyava), Ukraine, February 26 – March 2, 2019). – 2019. – C. 8779333-1–8779333-5. 0,22 ум.д.ар. (Каличак Ю. І.) (SciVerse SCOPUS, Web of Science).
18. Melnyk Roman, Mamrak* Igor. Text recognizing in the video mode for the Android operating system // Захист інформації і безпека інформаційних систем : матеріали VIІ міжнародної науково-технічної конференції (Львів, 30–31 травня 2019 р.). – 2019. – C. 40–41. 0,09 ум.д.ар. [н.к. - Мельник Р.А.].
19. Melnyk Roman, Tushnytskyy Ruslan. Compression and multilevel segmentation for face images by piecewise linear approximation // Інтелектуальні системи та інформаційні технології : праці міжнародної науково-практичної конференції, 19?24 серпня 2019 р., Одеса, Україна. – 2019. – C. 135–138. 0,18 ум.д.ар. .
20. Roman Melnyk, Ruslan Tushnytskyy, Yuriy Kalychak. Modification of SWIR Face Images for their Comparison by Distributed Cumulative Histogram Features // Комп’ютерні науки та інформаційні технології: матеріали XІV-ої Міжнародної науково-технічної конференції CSIT-2019 (Львів, 17-20 вересня 2019 р.). – 2019. – C. 169–174. 0,27 ум.д.ар. (Каличак Ю. І.) (SciVerse SCOPUS).
21. Melnyk R., Tushnytskyy R., Kvit R., Salo T. Preliminary data classification by multilevel segmentation of histograms for clustering of hypercubes // Технологічний аудит та резерви виробництва. – 2020. – Т. 6, № 4 (56). – С. 47–55. 0,4 ум.д.ар. .
22. R. A. Melnyk, Y. V. Havrylko, Y. V. Repa. PCB open, short and shift defects detection by logical comparison of mask images [Електронний ресурс] // IOP Conference Series: Materials Science and Engineering. – 2021. – Vol. 1016 : CAD in machinery design: implementation and educational issues (CADMD 2020) 26th -27th November 2020, Lviv.
23. Melnyk R., Havrylko Y., Hatsosh* D. Printed circuit boards short and open defects detection by thinning and flood-fill algorithms // The experience of designing and application of CAD systems (CADSM) : proceedings of the 16th International conference (Polyana (Svalyava), Ukraine, February 22–26, 2021). – 2021. – C. 1–5. 0,22 ум.д.ар. (Гаврилко Ю. В.) (SciVerse SCOPUS).
24. Melnyk R., Havrylko Y., Kvit R. Analysis of moving clouds direction and velocity by statistical features // Electronics and information technologies : proceedings of 2021 IEEE 12th International conference ELIT (Lviv, Ukraine, May 19 – 21, 2021). – 2021. – C. 301–304. 0,18 ум.д.ар. (Гаврилко Ю. В.) .
25. Melnyk R., Havrylko Y., Levus Y. Three types of PCB defects and image processing algorithms for their detection // Перспективні технології і методи проєктування МЕМС : матеріали XVII Міжнародної науково-технічної конференції MEMSTECH 2021(Поляна, Україна; 12-16 травня 2021 р.). – 2021. – C. 197–200.