Материалы по курсу "Общая теория связи (Часть 2)" 2015

Материалы по практическим занятиям курса "Общая теория связи (Часть 2)" будут выкладываться в рамках данного поста.

Задачи для самостоятельного решения

1. Случайные величины. Интегральная функция распределения, закон распределения дискретной случайной величины, плотность вероятностей (ссылка). Домашнее задание практики от 01.09.2015.
2. Случайные величины. Математическое ожидание и дисперсия (ссылка). Домашнее задание практики от 15.09.2015.
3. Случайные величины. Условная вероятность. Правило Байеса (теорема Байеса) (ссылка). Домашнее задание практики от 22.09.2015. Про использование байесовского подхода для решения задачи локализации мобильного робота можно прочитать здесь. Видеоролик, позволяющий наглядно продемонстрировать решение данной задачи, можно посмотреть здесь.
4. Случайные процессы. Прохождение случайных процессов через безынерционные цепи (ссылка). Домашнее задание практики от 06.10.2015.
5. Случайные процессы. Корреляционная функция. Спектральная плотность мощности. Прохождение случайных процессов через ЛИС-системы (ссылка). Домашнее задание практики от 20.10.2015.
6. Теория принятия решений (ссылка). Домашнее задание практики от 03.11.2015.
7. Оптимальное обнаружение сигналов (ссылка). Домашнее задание практики от 17.11.2015. Замечание. В задачи № 1 и №3 были внесены небольшие изменения в индексы некоторых буковок. Обратите, пожалуйста, на это внимание!
8. Теория оценок (ссылка). Домашнее задание практики от 15.12.2015.
9. Помехоустойчивое кодирование (материалы будут выложены позднее). Блочные (блоковые) коды (ссылка). Домашнее задание практики от 22.12.2015.

Темы лабораторных работ

1. Основные статистические характеристики случайных процессов.
2. Преобразование случайных процессов линейными и нелинейными цепями.
3. Цифровой согласованный фильтр (описание .pdf).
4. Оптимальный фильтр Винера.
5. Помехоустойчивое кодирование и декодирование сообщений (описание .pdf)

Дополнительные материалы

1. Hsu H.P. Schaum’s Ouline of Theory and Problems of Probability, Random Variables, and Random Processes. McGraw-Hill, 1997 (ссылка).
2. Вопросы для сдачи экзамена по курсу (ссылка).

С уважением, Владимир Волохов.

Правила оформления курсовых и дипломных работ 2015!

Правила выполнения курсовых работ для студентов 3 курса лаборатории "Цифровые цепи и сигналы" при физическом факультете ЯрГУ (ссылка). Дипломные работы могут быть оформлены по аналогичным требованиям. При сдаче курсового (дипломного) проекта при себе необходимо иметь ее (его) текстовый и электронный варианты, сопроводительные документы, а также презентацию. Электронный вариант курсовой (дипломной), сопроводительных документов и презентации необходимо записать на диск в редактируемом формате (doc, ppt), а также в pdf и сдать научному руководителю. Формы для курсовых и дипломных проектов можно скачать здесь.

Дополнительные материалы

1. Скачать конвертер из doc/ppt в pdf можно здесь.
2. Делаем pdf-файл легко (ссылка)!
3. Плохая презентация это!
4. Несколько ссылок на темы оформления презентаций (ссылка 1, ссылка 2, ссылка 3).
5. Chicken, Chicken, Chiken :) (ссылка).

P.S. Вопросы, затрагивающие оформление работ, могут быть заданы в комментариях настоящего раздела или присланы по электронной почте.

Материалы по курсу "Теория электрических цепей (Часть 2)" 2015

Материалы по лабораторным занятиям курса "Теория электрических цепей (Часть 2)" будут выкладываться в рамках данного поста. Для выполнения лабораторных работ допускается использовать следующие пакеты MATLAB, Octave, FreeMat или SciLab. Все указанные пакеты имеют схожий листинг. Последние три являются бесплатными! Перед выполнением лабораторных работ настоятельно рекомендуется ознакомиться со  следующими материалами!

Темы лабораторных работ

1. Спектры цифровых сигналов (описание .pdf). Первая лабораторная работа выполняется в рамках учебного пособия Брюханов Ю.А. Лабораторный практикум по курсу "Цифровые цепи и сигналы", стр. 18-43. Пример проигрывания сигнала с разной частотой дискретизации (ссылка).
2. Исследование цифровых цепей первого порядка (описание .pdf). Вторая лабораторная работа выполняется в рамках учебного пособия Брюханов Ю.А. Лабораторный практикум по курсу "Цифровые цепи и сигналы", стр. 44-68.
3. Исследование цифровых цепей второго порядка (описание .pdf). Третья лабораторная работа выполняется в рамках учебного пособия Брюханов Ю.А. Лабораторный практикум по курсу "Цифровые цепи и сигналы", стр. 69-105. При выполнении лабораторной работы разрешается выбрать одну из двух цепей для составления отчета (либо нерекурсивную, либо рекурсивную)!
4. Дискретизация сигналов (описание .pdf).
5. Квантование сигналов (описание .pdf).
6. Многоскоростная цифровая обработка сигналов (описание .pdf, m-файлы .rar).

С уважением, Владимир Волохов.

Курс "Основы теории сжатия информации" 2015

Начинает свою работу страница курса по выбору "Основы теории сжатия информации".

В настоящем разделе размещена информация, затрагивающая литературу, ссылки, лекционный материал по тематике курса и задания к практическим занятиям.

Место и время проведения 

Физический факультет (2-ой учебный корпус), к. 203а, каждую неделю по средам, с 8.30 до 10.05 (знаменатель) и с 8.30 до 11.50 (числитель).

Темы лекционных занятий

1. Введение в курс "Основы теории сжатия информации".
2. Статистические методы сжатия. Кодирование Шеннона-Фано. Кодирование Хаффмана. Арифметическое кодирование.
3. Наш первый алгоритм сжатия с потерями на базе метода K-средних (презентация .pptx)! Пример законченного кода для самостоятельного исследования по методу K-средних из курса Andrew Ng "Machine Learning" на www.coursera.org (ссылка).
4. Словарные методы сжатия. Алгоритм LZW.
5. Алгоритмы сжатия цифровых изображений. Стандарт JPEG (презентация .pptx). L-уровневый квантователь Ллойда-Макса. Кодирование с предсказанием без потерь и с потерями.
6. Анализ главных компонент для сжатия информации (презентация .pptx). Пример законченного кода для самостоятельного исследования по анализу главных компонент из курса Andrew Ng "Machine Learning" на www.coursera.org (ссылка).
7. Обработка сигналов с использованием вейвлет-преобразования (книга .rar).
8. Алгоритм сжатия цифровых изображений SPIHT. Оригинальная статья по алгоритму SPIHT может быть найдена здесь.
9. Сжатие видео.
10. Сжатие звука.

Темы практических занятий

1. Статистические методы сжатия (ссылка). Домашнее задание практики от 25.02.2015.
2. Написать программу, реализующую в пакете Matlab алгоритм K-средних для сжатия цветных изображений (описание .rar, изображения .rar). Функцию, реализующую алгоритм вычисления ПОСШ, можно скачать здесь. Срок сдачи задания - 08.04.2015. Решение задания будет выложено позднее!
3. Словарные методы сжатия (ссылка). Домашнее задание практики от 25.03.2015.
4. Построить графические зависимости ПОСШ и КСП от фактора сжатия для алгоритма JPEG и алгоритма сжатия изображений на базе метода K-средних. Для решения задачи предлагается использовать следующую базу изображений (изображения .rar), а также функции пакета Matlab: imwrite и kmeans. Число различных коэффициентов сжатия выбрать равным 5. Значения этих коэффициентов можно выбрать произвольно. По проведенным исследованиям нужно составить отчет, который должен содержать графические зависимости ПОСШ и КСП (на одном графике) от фактора сжатия для каждого изображения в отдельности, а также визуальные примеры сжатых изображений с указанием ПОСШ, КСП и фактора сжатия для них. Число визуальных примеров для каждого изображения: 2. Срок сдачи отчета (в электронном виде) - 15.04.2015.

Дополнительные материалы

1. Все о сжатии данных, изображений и видео (ссылка).
2. Ватолин Д. Методы обработки и сжатия видео, 2010-2011. МГУ им. М.В. Ломоносова (ссылка).
3. Приоров А.Л., Апальков И.В., Хрящев В.В. Цифровая обработка изображений: учебное пособие. - Ярославль: ЯрГУ, 2007 (ссылка).
4. Приоров А.Л., Хрящев В.В. Обработка и передача мультимедийной информации: учебное пособие. - Ярославль: ЯрГУ, 2009 (ссылка).
5. Wallace G.K. The JPEG Still Picture Compression Standard // IEEE Trans. Consumer Electronics. 1992. V. 38, №1. P. xviii - xxxiv (ссылка).

Руководитель курса: доц. каф. ДЭС Волохов В.А.

Курс "Компьютерное зрение" 2014/2015 (факультатив)

Начинает свою работу страница курса-факультатива "Компьютерное зрение".

В настоящем разделе размещена информация, затрагивающая литературу, ссылки, лекционный материал по тематике курса и задания к практическим работам.

Место и время проведения 

Физический факультет (1-ый учебный корпус), к. 306, каждую неделю по пятницам, с 17.30 до 19.30.

Темы лекционных занятий

1. Введение и обзор материала курса (презентация .pptx). Tiny images - "крошки картинки" (ссылка). Awesome Terminator 2 Scenes - "сцены из потрясающего фильма Терминатор 2" (ссылка). Microsoft Kinect - "гаджет для Xbox 360" (ссылка). Камера Lytro и рефокусировка после съемки (ссылка). Лекции по истории фотографии от Андрея Пелюховского смотрим здесь.
2. Формирование изображений. Камера и ее основные характеристики  (презентация .pptx). Awareness Test - "тест на внимательность" (ссылка). Дополнительные материалы из курса Irfan Essa "Computational Photography" на www.coursera.org можно скачать здесь. Что такое дифракция света? Вспоминаем курс "Оптика" (ссылка).
3. Обработка цифровых изображений в среде Matlab (презентация .pptx). Seam Carving Algorithm - "контурное вырезание по шву" (описание, презентация .pptx, пример реализации .rar). Оригинальную статью и видеоролик по данному алгоритму с конференции SIGGRAPH 2007 можно найти здесь и здесь  соответственно. По аналогичной тематике интересной для прочтения может быть следующая работа (ссылка). В англоязычных статьях информацию по алгоритмам реcайзинга изображений с учетом его содержимого следует искать по ключевым словам: Seam Carving, Image Retargeting, Content-Aware Image Resizing, Content-Aware Scaling, Liquid Resizing, Liquid Rescaling. Примеры реализации простейших алгоритмов компьютерного зрения в среде Matlab (примеры реализации .rar).
4. Фильтрация и улучшение изображений. Часть 1 (презентация .pptx). Hybrid Images - "гибридные изображения" (описание). Дополнительную информацию про Bilateral Filter (билатеральный фильтр) и Non-Local Means Algorithm (алгоритм вычисления нелокальных средних) можно найти здесь и здесь соответственно.
5. Фильтрация и улучшение изображений. Часть 2 (презентация .pptx). Гармонические базисные функция не являются единственными для представления цифровых сигналов в области трансформант. Читаем для обзора следующую статью (ссылка). Возможный интерес могут вызвать подходы построения базисных функций адаптивных по отношению к сигналу. Читаем, например, про анализ главных компонент (ссылка на лекцию №7 из курса Волохов В. "Методы машинного обучения", 2013. Лаборатория цифровые цепи и сигналы при физическом факультете ЯрГУ).
6. Оценка качества цифровых изображений (дополнительная лекция, презентация .pptx, m-файлы .rar). Описание и Matlab-реализацию Structural SIMilarity (SSIM) index - коэффициент структурного подобия (КСП) можно найти здесь. Рекомендации ITU-R BT.500-11 Methodology for the Subjective Assessment of the Quality of Television Pictures - методология для субъективной оценки качества телевизионных изображений (ссылка). Про субъективную оценку качества можно также почитать здесь.
7. Цвет и обработка цветных изображений (презентация .pptx). Awareness Test - "тест на внимательность" (ссылка). Tiny images - "крошки картинки" (ссылка). Смотрим визуальные иллюзии на Planet Perplex (ссылка). Про трекинг глаз читаем здесь. Так же интересно почитать следующую книгу Yarbus Alfred L. Eye Movements and Vision. Plenum Press, 1967 (ссылка). Пример законченного кода для самостоятельного исследования по методу K-средних, а также анализу главных компонент из курса Andrew Ng "Machine Learning" на www.coursera.org (ссылка).
8. Анализ бинарных изображений. Первое понятие о распознавании объектов (презентация .pptx).
9. Алгоритмические и математические принципы систем автоматического распознавания номерных знаков (ссылка, презентация .pptx). Интересный алгоритм детектирования номерных знаков (ссылка). Пример реализации простого алгоритма детектирования номерных знаков в среде Matlab (ссылка).
10. Сегментация изображений. Часть 1 (презентация .pptx). Несколько интересных статей по теме лекции можно найти в источнике [18] (ссылка 1, ссылка 2, ссылка 3). Неплохая обзорная видеолекция на тему сегментации изображений и видео может быть найдена в online курсе Guillermo Sapiro "Image and video processing: From Mars to Hollywood with a stop at the hospital" (ссылка). Смотреть нужно лекцию №5, для просмотра нужна регистрация на сайте www.coursera.org. Пример законченного кода для самостоятельного исследования по методу K-средних, а также анализу главных компонент из курса Andrew Ng "Machine Learning" на www.coursera.org (ссылка).
11. Сегментация изображений. Часть 2 (презентация .pptx). Обзорная видеолекция на тему выделения границ и детектирования линий на изображениях может быть найдена в online курсе Guillermo Sapiro "Image and video processing: From Mars to Hollywood with a stop at the hospital" (ссылка). Смотреть нужно лекцию №5, для просмотра нужна регистрация на сайте www.coursera.org. Про детектор Кэнни читаем оригинальную статью здесь. Про детектор линейных сегментов можно найти информацию на сайте научного журнала IPOL (Image Processing On Line) по обработке и анализу изображений (ссылка). Пример заполнения аккумулятора при выполнении преобразования Хафа можно найти здесь. Примеры Matlab-кодов, демонстрирующих работу детектора Кэнни и преобразования Хафа для детектирования прямых и окружностей, можно скачать здесь. Предлагаемые коды используют функции открытой библиотеки по компьютерному зрению OpenCV (ссылка). Для подключения OpenCV в Matlab необходимо ознакомиться с источником [27] в дополнительных материалах ниже.
12. Машинное обучение. Часть 1 (презентация .pptx). Про автономный вертолет читаем здесь. Законченная реализация алгоритма линейной регрессии с одной и несколькими переменными из online курса Andrew Ng "Machine Learning" на www.coursera.org (ссылка). С оригинальным Стэнфордским курсом по машинному обучению Andrew Ng можно ознакомиться здесь или здесь. Неплохо написанную книжку по машинному обучению Stephen Marsland "Machine Learning: An Algorithmic Perspective" можно скачать здесь. Эта книга хорошо подходит для понимания базовых концепций в данной области. В ней есть примеры реализации алгоритмов машинного обучения на языке Python. Рекомендую ознакомиться с книжкой написанной Александром Борисовичем Мерковым (к.т.н., сотрудник Института системного анализа РАН) "Введение в методы статистического обучения" (ссылка). Книга написана просто, доступно и дает хороший обзор современных методов распознавания. Также рекомендуется ознакомиться с отечественным профессиональным информационно-аналитическим ресурсом, который посвящен машинному обучению, распознаванию образов и интеллектуальному анализу данных (ссылка).
13. Машинное обучение. Часть 2 (презентация .pptx). Законченная реализация алгоритма логистической регрессии с регуляризацией и без нее из online курса Andrew Ng "Machine Learning" на www.coursera.org (ссылка).
14. Машинное обучение. Часть 3 (презентация .pptx). Законченная реализация алгоритма логистической регрессии с регуляризацией и нейронной сети прямого распространения для решения задачи многоклассовой классификации на базе данных рукописных цифр MNIST из online курса Andrew Ng "Machine Learning" на www.coursera.org (ссылка). Обращаю внимание на то, что в предложенной реализации по умолчанию используется только 5000 тренировочных примеров (вместо изначальных 60000) из базы данных MNIST, а также на то, что тестирование рассматриваемых алгоритмов осуществляется на примерах, которые использовались на этапе обучения. Поэтому сравнить полученные результаты с уже имеющимися на аналогичной базе данных (ссылка) нельзя! Несколько баз данных для обучение, в том числе MNIST (в удобном, родном для Matlab формате mat) можно найти здесь. Интересно почитать следующую статью про сверточную нейронную сеть LeNet 5 (ссылка).

Темы практических занятий

1. Введение в Matlab. Материалы практического занятия от 21.11.14 (ссылка). Замечание. Обратите внимание на использование Matlab-команды cd, которая позволяет изменять текущую директорию, а также эффективно прописать путь до папки с изображениями. Напоминаю, что для нормальной работы с файлами в Matlab вам необходимо либо все файлы скинуть в одну текущую директорию (подход для дилетантов :)),  либо произвести сортировку файлов в папках и прописать пути до этих папок, используя команду addpath.
2. Реализация операции двумерной свертки в Matlab. Материалы практического занятия от 28.11.14 (ссылка). Замечание. В коде, который был написан на занятии действительно содержал небольшую ошибка! Это было видно из последнего результата, в котором расширение границы с краю происходило с точностью до наоборот. Ошибка была в строчках 21 и 22 (см. выложенный код). В строчке 21 нужно было заменить n_r на n_c, а в строчке 22 - наоборот. Обращаю ваше внимание на то, что написанный и запускающийся код еще не есть успех! Обязательно придумывайте систему тестов, которая позволит выявить проблемные участки в коде, в первую очередь смысловые! В приложенных кодах обратите внимание на оформление функции в Matlab (см. my_conv2.m) и ее вызов из файла problem_2_2.m.
3. Реализация алгоритма цифровой хроматографии в Matlab. Материалы практического занятия от 19.12.14 (ссылка).
4. Реализация простейших алгоритмов анализа бинарных изображений в среде Matlab. Материалы практического занятия от 27.02.15 (ссылка).
5. Смешивание изображений. Материалы практического занятия от (13, 20, 27).03.15 (ссылка). Дополнительные материалы (для лучшего понимания процесса смешивания) из курса Irfan Essa "Computational Photography" на www.coursera.org можно скачать здесь.

Практические задания

1. Фильтрация изображений (описание .pdf, изображения .rar). Сроки решения произвольные.
2. Цифровая хроматография изображений Российской Империи, полученных С.М. Прокудиным-Горским (описание .pdf, изображения .rar). Сроки решения произвольные.
3. Смешивание изображений (описание .rar, изображения .rar). Сроки решения произвольные.
4. Простой алгоритм распознавания номерных знаков (описание, тестовые изображения .rar, изображения эталонов цифр .rar). Сроки решения произвольные.

Тестовые задания

1. Тест № 1 (ссылка). Сроки решения произвольные.
2. Тест № 2 (ссылка). Сроки решения произвольные.
3. Тест № 3 (ссылка). Сроки решения произвольные.
4. Тест № 4 (ссылка). Сроки решения произвольные.
5. Тест № 5 (ссылка). Сроки решения произвольные.
6. Тест № 6 (ссылка). Сроки решения произвольные.
7. Тест № 7 (ссылка). Сроки решения произвольные.
8. Тест № 8 (ссылка). Сроки решения произвольные.
9. Тест № 9 (ссылка). Сроки решения произвольные.
10. Тест № 10 (ссылка). Сроки решения произвольные.

Дополнительные материалы

1. Szelicki R. Computer Vision: Algorithms and Applications. Springer, 2010 (ссылка).
2. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer, 2009 (ссылка).
3. Конушин А. и др. Курс "Введение в компьютерное зрение", 2010. Лаборатория компьютерной графики при ВМК МГУ (ссылка).
4. Конушин А. и др. Курс "Введение в компьютерное зрение", 2011. Лаборатория компьютерной графики при ВМК МГУ (ссылка).
5. Конушин А. и др. Курс "Введение в компьютерное зрение", 2012. Лаборатория компьютерной графики при ВМК МГУ (ссылка).
6. Конушин А. и др. Курс "Введение в компьютерное зрение", 2013. Лаборатория компьютерной графики при ВМК МГУ (ссылка).
7. Конушин А. и др. Курс "Доп. главы компьютерного зрения", 2013. Лаборатория компьютерной графики при ВМК МГУ (ссылка).
8. Kemelmacher I., Rao R., Seitz S., Shapiro L. Computer Vision (CSE 455), 2003 - 2010. University of Washington (ссылка).
9. Lazebnik S. Computer Vision (COMP 776), 2008 - 2011. The University of North Carolina at Chapel Hill (ссылка).
10. Thrun S. Computer Vision / Introduction to Computer Vision (CS 223b), 2004 - 2009. Stanford University (ссылка).
11. Darrell T. Computer Vision (CS 280), 2009. University of California, Berkeley (ссылка).
12. Duraiswami R. Fundamentals of Computer Vision (CMSC 828d), 2000 / Computer Vision (CMSC 426), 2005. UMIACS (ссылка). 
13. Torralba A. Advances in Computer Vision (6.869), 2010. Massachusetts Institute of Technology (ссылка).
14. Ng A. Machine Learning (CS 229), 2009. Stanford University (ссылка 1, ссылка 2).
15. Конушин A. Семантическая классификация изображений (видеолекции), 2010. Сomputer Science клуб при ПОМИ РАН (ссылка).
16. Ерухимов В. Компьютерное зрение и библиотека OpenCV (видеолекции), 2011. Сomputer Science клуб при ПОМИ РАН (ссылка).
17. Конушин А. Курсы "Введение в компьютерное зрение" и "Доп. главы компьютерного зрения" (видеолекции), 2011. Лаборатория компьютерной графики при ВМК МГУ (ссылка).
18. Сетевой журнал "Компьютерная графика и мультимедиа" (ссылка).
19. Efros A. Learning-Based Methods in Vision (16-721), 2009. Carnegie Mellon University (ссылка).
20. Efros A. Computational Photography (15-463 / 15-862), 2010. Carnegie Mellon University (ссылка).
21. Сайт научного журнала IPOL (Image Processing On Line) по обработке и анализу изображений (ссылка).
22. Pattern Analysis, Statistical Modeling and Computational Learning Visual Object Classes Challenge (ссылка).
23. Сайт Российской ассоциации искусственного интеллекта (ссылка).
24. Конушин А. и др. Курс "Введение в компьютерное зрение", 2015. Лаборатория компьютерной графики при ВМК МГУ (ссылка 1, ссылка 2).
25. Васильева Н. Анализ изображений и видео (видеолекции), 2012. Сomputer Science Center (ссылка).
26. Подключение открытой библиотеки по компьютерному зрению VLFeat в Matlab (ссылка).
27. Подключение открытой библиотеки по компьютерному зрению OpenCV в Matlab (ссылка).

Online курсы

Информация по наиболее интересным online курсам приведена в первой презентации. Напоминаю, что с 2011 года ряд западных университетов начал практику создания online курсов (www.coursera.org, www.udacity.org) по различным дисциплинам. Например, "Искусственный интеллект", "Машинное обучение", "Компьютерное зрение" и т.д. Для ознакомления с материалами курсов (видеолекциями, практическими заданиями и т.д.) нужна регистрация! Дополнительно необходимо отметить, что появились online лекции по курсу "Машинное обучение", читаемые сотрудниками ШАД (Школы анализа данных Яндекс). Ссылка на курс здесь.

Руководитель курса: доц. каф. ДЭС Волохов В.А.

Курс "Основы теории информации" 2014

Задачи для самостоятельного решения по курсу "Основы теории информации" 2014 можно скачать здесь. Список литературы доступен по следующей ссылке. Материалы лекции по алгоритму JPEG можно скачать здесь. Вопросы к экзамену можно скачать здесь. С уважением, Владимир Волохов.

Замечание. В задаче № 3 из лекции "Условная вероятность. Правило Байеса (Теорема Байеса)" были внесены изменения. Исправлены ошибки в условии задачи № 1 из лекции "Энтропия связанных источников".

Курс "Цифровая обработка изображений" 2014

Начинает свою работу страница курса "Цифровая обработка изображений" специальности "Радиотехника".

В настоящем разделе размещена единая информация, затрагивающая лекционный материал и задания к практическим работам.

Место проведения: Физический факультет (2-ой учебный корпус), к. 111.

Время: Лекции и практические занятия каждую неделю с 12.00 до 13.35.

Темы лекционных занятий

1. Введение и обзор материала курса (презентация .pptx). Чудеса фотографии "Восстановление фотографического наследия С.М. Прокудина-Горского" (ссылка1, ссылка2).
2. Формирование изображений. Камера и ее основные характеристики  (презентация .pptx). Awareness Test - "тест на внимательность" (ссылка).
3. Цифровая обработка изображений в среде Matlab (презентация .pptx). Seam Carving Algorithm - "контурное вырезание по шву" (описание, презентация .pptx, пример реализации .rar).
4. Фильтрация и улучшение изображений. Часть 1 (презентация .pptx). Hybrid Images - "гибридные изображения" (описание). Дополнительную информацию про Bilateral Filter (билатеральный фильтр) и Non-Local Means Algorithm (алгоритм вычисления нелокальных средних) можно найти здесь и здесь соответственно.
5. Фильтрация и улучшение изображений. Часть 2 (презентация .pptx).
6. Оценка качества цифровых изображений (презентация .pptx, m-файлы .rar). Описание и Matlab-реализацию Structural SIMilarity (SSIM) index - коэффициент структурного подобия (КСП) можно найти здесь. Рекомендации ITU-R BT.500-11 Methodology for the Subjective Assessment of the Quality of Television Pictures - методология для субъективной оценки качества телевизионных изображений (ссылка). Про субъективную оценку качества можно также почитать здесь.
7. Цвет и обработка цветных изображений (презентация .pptx). Awareness Test - "тест на внимательность" (ссылка). Tiny images - "крошки картинки" (ссылка). Смотрим визуальные иллюзии на Planet Perplex (ссылка). Про трекинг глаз читаем здесь. Так же интересно почитать следующую книгу Yarbus Alfred L. Eye Movements and Vision. Plenum Press, 1967 (ссылка). Пример законченного кода для самостоятельного исследования по методу K-средних, а также анализу главных компонент из курса Andrew Ng "Machine Learning" на www.coursera.org (ссылка).
8. Сжатие изображений. Стандарт JPEG (презентация .pptx). Хорошо написанная статья и ссылки для самостоятельного изучения по стандарту JPEG могут быть найдены здесь. Стандарт JPEG (ссылка). Также рекомендуется проанализировать источники [7, 8] в дополнительных материалах.
9. Вопросы к зачету (вопросы .pdf).

Практические задания

1. Фильтрация изображений (описание .pdf, изображения .rar). Срок сдачи задания - 05.11.2014.
2. Цифровая хроматография изображений Российской Империи, полученных С.М. Прокудиным-Горским (описание .pdf, изображения .rar). Срок сдачи задания - 19.11.2014.
3. Смешивание изображений (описание .rar, изображения .rar). Срок сдачи задания - 10.12.2014.

Дополнительные материалы

1. Peters R.A. Image Processing (EECE / CS 253) , 2007. Vanderbilt University School of Engineering (ссылка).
2. Крылов А., Лукин А. Интегральные преобразования в обработке изображений, введение в цифровую обработку мультимедийной информации, 2011. МГУ им. М.В. Ломоносова (ссылка). Примечание: здесь можно послушать аудиозаписи лекторов, посмотреть соответствующие презентация, попробовать выполнить предлагаемые практические задания, ну и понять чему учат в МГУ по аналогичным курсам.
3. Ватолин Д. Методы обработки и сжатия видео, 2010-2011. МГУ им. М.В. Ломоносова (ссылка).
4. Волохов В. Курс "Цифровая обработка изображений" 2012. Лаборатория цифровые цепи и сигналы при физическом факультете ЯрГУ (ссылка).
5. Волохов В. Курс "Цифровая обработка изображений" 2013. Лаборатория цифровые цепи и сигналы при физическом факультете ЯрГУ (ссылка).
6. Волохов В. Курс Компьютерное зрение, 2012/2013 (факультатив). Лаборатория цифровые цепи и сигналы при физическом факультете ЯрГУ (ссылка).
7. Приоров А.Л., Апальков И.В., Хрящев В.В. Цифровая обработка изображений: учебное пособие. - Ярославль: ЯрГУ, 2007 (ссылка).
8. Wallace G.K. The JPEG Still Picture Compression Standard // IEEE Trans. Consumer Electronics. 1992. V. 38, №1. P. xviii - xxxiv (ссылка).
9. Efros A. Computational Photography (15-463 / 15-862), 2013. Carnegie Mellon University (ссылка).

Руководитель курса: доц. каф. ДЭС Волохов В.А.