Ψηφιακή Επεξεργασία Εικόνας (ΤΒ2)

Το μάθημα «Ψηφιακή Επεξεργασία Εικόνας» παρουσιάζει τις βασικές αρχές και τεχνικές ανάλυσης, μετασχηματισμού και βελτίωσης ψηφιακών εικόνων. Οι φοιτητές εισάγονται σε θεμελιώδεις έννοιες όπως η δειγματοληψία, η κβάντιση, οι χωρικοί και συχνοτικοί μετασχηματισμοί, η αποθορυβοποίηση, η τμηματοποίηση και η εξαγωγή χαρακτηριστικών. Το μάθημα συνδυάζει θεωρία και εργαστηριακή εφαρμογή σε Python (OpenCV, NumPy) και MATLAB, με έμφαση σε πραγματικά δεδομένα (ιατρική, δορυφορική απεικόνιση, μηχανική όραση). Αποτελεί βασικό υπόβαθρο για μαθήματα Προηγμένης Επεξεργασίας Εικόνας, Υπολογιστικής Όρασης και Τεχνητής Νοημοσύνης, καθώς και για κατευθύνσεις όπως «Ψηφιακός Μετασχηματισμός & Αναλυτική Δεδομένων» και «Βιοπληροφορική & Υπολογιστική Νοημοσύνη».

Με την επιτυχή ολοκλήρωση του μαθήματος, ο φοιτητής/η φοιτήτρια θα μπορεί να:

1. Περιγράφει τις βασικές αρχές αναπαράστασης και επεξεργασίας ψηφιακής εικόνας.

2. Εφαρμόζει τεχνικές βελτίωσης εικόνας σε χωρικό και συχνοτικό πεδίο.

3. Σχεδιάζει και υλοποιεί φίλτρα αποθορυβοποίησης και ενίσχυσης.

4. Εκτελεί μετασχηματισμούς (Fourier, DCT, Wavelets) και να ερμηνεύει τα αποτελέσματα.

5. Χρησιμοποιεί αλγορίθμους τμηματοποίησης και εξαγωγής χαρακτηριστικών.

6. Αναπτύσσει προγράμματα σε Python / OpenCV ή MATLAB για ανάλυση εικόνας.

7. Αξιολογεί την ποιότητα επεξεργασίας εικόνας με αντικειμενικές μετρικές.

8. Συνδέει την επεξεργασία εικόνας με εφαρμογές μηχανικής μάθησης & computer vision.

1    Εισαγωγή – Αναπαράσταση εικόνας, RGB/Gray models, δειγματοληψία, κβάντιση
2    Ιστογράμματα, βελτίωση αντίθεσης, σημειακές μετατροπές
3    Φιλτράρισμα στο χωρικό πεδίο – γραμμικά / μη γραμμικά φίλτρα
4    Αποθορυβοποίηση – Gaussian, Median, Bilateral filtering
5    Εισαγωγή στον μετασχηματισμό Fourier – Φιλτράρισμα συχνοτήτων
6    DCT, Wavelets, εφαρμογές συμπίεσης εικόνας
7    Μορφολογικές πράξεις – dilation, erosion, opening, closing
8    Edge detection – Sobel, Canny, Laplacian
9    Thresholding & Region-based segmentation (Otsu, Watershed)
10    Εξαγωγή χαρακτηριστικών – Texture, Shape, HOG, SIFT
11    Εισαγωγή στην Υπολογιστική Όραση – Object detection basics
12    Εργαστήριο: Python / OpenCV / MATLAB – εφαρμογές πραγματικών δεδομένων
13    Παρουσίαση τελικών εργασιών / ανασκόπηση

Βασικά συγγράμματα

1. R. Gonzalez & R. Woods, Digital Image Processing, 4th ed., Pearson.

2. ΠΑΠΑΜΑΡΚΟΣ ΝΙΚΟΛΑΟΣ, ΨΗΦΙΑΚΗ ΕΠΕΞΕΡΓΑΣΙΑ ΚΑΙ ΑΝΑΛΥΣΗ ΕΙΚΟΝΑΣ, 3η έκδοση.

Συμπληρωματικά

3. A. K. Jain, Fundamentals of Digital Image Processing, Prentice Hall.

4. M. Sonka, V. Hlavac, R. Boyle, Image Processing, Analysis, and Machine Vision, Cengage.

5. J. Solem, Programming Computer Vision with Python, O’Reilly.

6. P. Corke, Machine Vision Toolbox for MATLAB, Springer.

Η διδασκαλία του μαθήματος πραγματοποιείται με συνδυασμό θεωρητικής κατάρτισης και πρακτικής εργαστηριακής εξάσκησης, με στόχο την ισορροπημένη ανάπτυξη γνώσεων και δεξιοτήτων.

Δομή Διδασκαλίας

Σύνολο Φόρτου Μαθήματος = 125 ώρες (5 ECTS)

Χρησιμοποιούμενες Διδακτικές Προσεγγίσεις

• Διαδραστικές διαλέξεις με οπτικοακουστικό υλικό, ζωντανή επίδειξη κώδικα.

• Εργαστηριακή εφαρμογή με Python (OpenCV, NumPy, scikit-image) & MATLAB.

• Μικρές ομαδικές ασκήσεις και συνεργατική μάθηση σε πραγματικά datasets.

• Εκπόνηση project-based learning (ατομικά ή ομαδικά mini-projects).

• Χρήση e-Class για ανάρτηση υλικού, quizzes, συζητήσεις, υποβολές.

Υποστήριξη Φοιτητών

• Ώρες γραφείου διδάσκοντα (διά ζώσης ή online)

• Forum συζητήσεων στο e-Class

• Παροχή ενδεικτικών λύσεων & βοηθητικού κώδικα

• Ανατροφοδότηση σε κάθε παράδοση άσκησης

Το μάθημα αξιοποιεί εκτεταμένα ΤΠΕ τόσο στη διδασκαλία όσο και στην αξιολόγηση, με στόχο την ενεργή συμμετοχή των φοιτητών και την ανάπτυξη πρακτικών δεξιοτήτων.

Στη Διδασκαλία

• Παρουσίαση θεωρίας με ψηφιακές διαφάνειες (PPT) και οπτικοακουστικό υλικό.

• Ζωντανή επίδειξη αλγορίθμων και κώδικα μέσω Python & MATLAB.

• Διάθεση εκπαιδευτικού υλικού μέσω e-Class.

Στα εργαστήρια

• Υλοποίηση αλγορίθμων επεξεργασίας εικόνας μέσω:

  • Python 

  • MATLAB / Image Processing Toolbox

Η αξιολόγηση του μαθήματος πραγματοποιείται με συνδυασμό θεωρητικών και πρακτικών κριτηρίων, με στόχο την επιβεβαίωση της κατανόησης των εννοιών ψηφιακής επεξεργασίας εικόνας και της ικανότητας εφαρμογής τους σε πραγματικά δεδομένα.

• Εργασίες (προαιρετικές):
• 1η Προγραμματιστική, 20%,
• 2η Προγραμματιστική, 20%,
• Βαθμολογία
• 60% γραπτή εξέταση, 40% εργασίες

Συνθήκες επιτυχίας στο μάθημα

ΟΠΩΣΔΗΠΟΤΕ 30% στην κάθε εργασία

ΟΠΩΣΔΗΠΟΤΕ 70% στη γραπτή εξέταση ή 100% στην γραπτή εξάταση στην περίπτωση που δεν έχει γίνει εργασίας