Računalniška obdelava signalov in slik

Učni načrt

Podatki so iz učnega načrta, ki ga objavlja Fakulteta za elektrotehniko, računalništvo in informatiko. Prebrano 6. 9. 2026. Poglej izvirnik

6 kreditnih točk

Obveznosti v urah

• Predavanja30 ur
• Vaje30 ur
• Samostojno delo120 ur

Vsebina

1. Uvod: zajem signalov in slik z uporabo ustreznih senzorjev in merilnih sistemov, postopki digitalizacije, vključno z vzorčenjem, kvantizacijo in kodiranjem, ter računalniška predstavitev signalov in slik v digitalni obliki. Pregled programskih okolij, orodij in računalniških arhitektur za učinkovito obdelavo signalov in slik, vključno s paralelnimi procesorskimi arhitekturami, grafičnimi procesorji (GPU) in specializiranimi pospeševalniki za digitalno obdelavo signalov. Osnovne zahteve glede zmogljivosti, pomnilnika in prenosa podatkov pri obdelavi velikih količin signalnih in slikovnih podatkov.
2. Signalne transformacije: Frekvenčna analiza z Diskretno Fourierovo Transformacijo (DFT) in Hitro Fourierovo Transformacijo (FFT) za učinkovito obdelavo diskretnih signalov. Uporaba Z-transformacije za analizo in načrtovanje diskretnih sistemov. Osnove časovno-frekvenčnih porazdelitev za analizo nestacionarnih signalov, vključno z Wigner–Villeovo distribucijo in Cohenovim razredom. Večločljivostni pristop z uporabo valčnih transformacij (zvezne in diskretne) za obdelavo signalov z različnimi časovno-frekvenčnimi lastnostmi. Praktični vidiki implementacije teh transformacij v programski in strojni opremi ter optimizacija zmogljivosti pri velikih signalnih zbirkah in slikah.
3. Analiza šumnih signalov: metode za kvantitativno karakterizacijo in obdelavo šimnih signalov. Uporaba statističnih meril drugega reda za prepoznavanje odvisnosti v signalih (kovarianca, korelacija). Analiza v frekvenčni domeni s pomočjo spektralne močnostne gostote in Welchevega periodograma. Tehnike filtriranja signalov za zmanjšanje šuma, vključno z uporabo diskretne valčne transformacije za odstranjevanje motenj, lokalizacijo šuma in ohranjanje značilnih signalnih komponent.
4. Digitalno filtriranje signalov: metode za izboljšanje kakovosti signalov in zmanjšanje motenj z uporabo adaptivnih in optimalnih filtrov. Pregled adaptivnih filtrov ter njihovih aplikacij pri napovedovanju, odstranjevanju šuma in izenačevanju signalov. Wienerjev filter in Kalmanov filter.
5. Novi pristopi k obdelavi signalov: sodobne metode, ki temeljijo na globokem učenju, za ekstrakcijo značilk, razpoznavanje vzorcev in avtomatizirano interpretacijo signalov. Pregled arhitektur nevronskih mrež, kot so konvolucijske nevronske mreže (CNN) za prostorsko in časovno analizo signalov, avtokodirniki za stiskanje in rekonstrukcijo signalov ter transformerji za modeliranje dolgoročnih odvisnosti in kontekstualnih značilk. Hibridni pristopi, ki kombinirajo klasične metode digitalne obdelave signalov z globokimi nevronskimi mrežami, za izboljšanje natančnosti, robustnosti in učinkovitosti obdelave signalov. Optimizacija algoritmov za izvajanje na GPE in superračunalniških sistemih.
6. Predobdelava slik: metode za izboljšanje kakovosti slik in pripravo na nadaljnjo analizo ali računalniško razpoznavanje vzorcev. Osnovne tehnike za izboljšanje kontrasta in porazdelitve svetlosti, lokalni operatorji za poudarjanje značilk in glajenje za zmanjšanje šuma. Adaptivno glajenje, filtri za ohranjanje robov (edge-preserving filters) in priprava slik za nadaljnjo obdelavo s tehnikami strojnega učenja in globokega učenja.
7. Obdelava slik v frekvenčnem prostoru: Uporaba dvodimenzionalne Fourierove transformacije (2D FFT) za reprezentacijo slik v frekvenčni domeni, izvedbo filtriranja in analizo spektralnih komponent. Tehnike konvolucije in korelacije za detekcijo značilk, vzorcev in prostorskih odvisnosti med slikovnimi pikami. Valčna transformacija za večločljivostno analizo in lokalizacijo značilk v času in frekvenci. Globoko učenje in nevronske mreže za izboljšano segmentacijo, filtriranje, zaznavanje robov in prepoznavanje vzorcev v kompleksnih slikovnih podatkih.
8. Analiza in primerjava metod po učinkovitosti, natančnosti in porabi računalniških virov ter praktična implementacija v digitalnih signalnih procesorjih, GPE in na superračunalniških sistemih za obdelavo velikih količin signalnih in slikovnih podatkov.

Ocenjevanje

Ustni izpit 50 %, Laboratorijsko delo 50 %

Pogoji za vključitev

Ni pogojev.

Literatura

• W. K. Pratt: Introduction to Digital Image Processing, CRC Press, Boca Raton, 2014.
• I. Goodfellow, Y. Bengio, A. Courville: Deep learning, The MIT Press, London, 2016.

Kako deluje

1. Zapiske kupiš enkrat in ostanejo tvoji.
2. V aplikaciji iz njih dobiš kartice, kvize in Mai, ki pozna gradivo.
3. Ceno določi avtor. Prodajalec je Mislo AI, račun dobiš od nas.