Διδασκόμενα Προπτυχιακά Μαθήματα

Ψηφιακή Επεξεργασία Σήματος ΤΗΛ 301

  • Δειγματοληψία, ανακατασκευή και αλλαγή συχνότητας δειγματοληψίας.
  • Επεξεργασία αναλογικού σήματος με διακριτά συστήματα.
  • Χαρακτηρισμός και ανάλυση διακριτών συστημάτων στο πεδίο της συχνότητας.
  • Συστήματα γραμμικής και ελάχιστης φάσης.
  • Μετασχηματισμός Ζ και σχέση με μετασχηματισμό Fourier διακριτού χρόνου.
  • Δομές φίλτρων διακριτού χρόνου. Σχεδίαση και υλοποίηση αναδρομικών και μη αναδρομικών φίλτρων.
  • Μέθοδοι μετασχηματισμού και παραθυροποίησης στη σχεδίαση φίλτρων πεπερασμένου μήκους.
  • Υλοποίηση DFT και επίδραση στην κυκλική συνέλιξη.

Ψηφιακή Επεξεργασία Εικόνας ΤΗΛ 411

  •  Γενικές αρχές και μαθηματική περιγραφή ψηφιακής εικόνας.
  • Αντίληψη εικόνας και αναπαράσταση χρώματος.
  • Δειγματοληψία.
  • Μετασχηματισμός Fourier και άλλοι μετασχηματισμοί δύο διαστάσεων.
  • Περιγραφή εικόνας με χρήση ανυσμάτων και τελεστών.
  • Μέθοδοι βελτίωσης εικόνας: ιστόγραμμα, ομαλοποίηση και αύξηση contrast, χαμηλοπερατά και υψιπερατά φίλτρα 2 διαστάσεων.
  • Ανακατασκευή εικόνας με αλγεβρικές και στοχαστικές μεθόδους.
  • Βέλτιστα φίλτρα, σύγκριση και εφαρμογές.
  • Αρχές συμπίεσης και κωδικοποίησης εικόνας.
  • Αρχές ανάλυσης εικόνας και μέθοδοι τμηματοποίησης.

Στατιστική Μοντελοποίηση και Αναγνώριση Προτύπων ΤΗΛ 311

  • Εισαγωγή στη στατιστική.
  • Θεωρία απόφασης Bayes, μέθοδοι εκμάθησης με μεγιστοποίηση πιθανότητας (maximum likelihood), εκτίμηση πιθανότητας με την μέθοδο Bayes, expectation maximization algorithm, κρυφά μοντέλα Markov.
  • Γραμμικοί Ταξινομητές, Επιλογή και μετασχηματισμοί χαρακτηριστικών μοντελοποίησης, ανάλυση πρωτευόντων συνιστωσών (PCA).
  • Εκμάθηση χωρίς επίβλεψη, ομαδοποίηση και μη παραμετρικοί ταξινομητές.
  • Ο αλγόριθμος k-means και ο αλγόριθμος απόφασης κοντινότερου γείτονα.
  • Γραμμικοί ταξινομητές.
  • O αλγόριθμος Perceptron και μηχανές διανυσμάτων υποστήριξης (SVM).
  • Γραμμική παλινδρόμηση (linear regression).
  • Μη γραμμικοί ταξινομητές και τεχνητά νευρωνικά δίκτυα (ANNs)
  • Πολυστρωματικά νευρωνικά δίκτυα (Deep Neural Networks).
  • Μη μετρικές μέθοδοι ταξινόμησης, δέντρα ταξινόμησης (classification and regression trees).
  • Μοντέλα γράφων (Bayesian networks), μη παραμετρικές μέθοδοι (Parzen windows).
  • Μέθοδοι εκτίμησης απόδοσης, cross-validation και καμπύλες ROC.

Μηχανική Όραση ΠΛΗ 417

  • Βασικές αρχές και μεθοδολογία της μηχανικής όρασης με έμφαση σε αλγορίθμους και εφαρμογές της μηχανικής όρασης. 
  • Σχηματισμός εικόνας (image formation), μαθηματικό, γεωμετρικό, χρωματικό, συχνοτικό, διακριτό μοντέλο.
  • Βασικές τεχνικές επεξεργασίας εικόνας (φιλτράρισμα, ενίσχυση, ομαλοποίηση).
  • Υπολογισμός ακμών (edge detection), τελεστές πρώτης και δευτέρας παραγώγου.
  • Κατάτμηση εικόνας (image segmentation), μέθοδοι κατάτμησης περιοχών και ακμών, ενίσχυση ακμών και περιοχών, τεχνικές κατωφλίου.
  • Προχωρημένες τεχνικές κατάτμησης (συγχώνευση και διάσπαση περιοχών και ακμών, χαλαρωτική ταξινόμηση, τεχνική Hough).
  • Τεχνικές επεξεργασίας δυαδικών (binary) εικόνων, μετασχηματισμοί απόστασης, μορφολογικοί τελεστές, ταυτοποίηση περιοχών (labeling).
  • Ανάλυση, αναπαράσταση και αναγνώριση εικόνων.
  • Παραστάσεις χρώματος, υφής ακμών και περιοχών, παράσταση και αναγνώριση σχημάτων, παράσταση και αναγνώριση δομικού περιεχομένου εικόνων.
  • Ανάλυση και αναγνώριση υφής, δομικές και στατιστικές μέθοδοι.
  • Δυναμική όραση, υπολογισμός κίνησης, οπτικής ροής και τροχιές.
  • Βασικές τεχνικές επεξεργασίας και ανάλυσης στατικής και κινούμενης εικόνας (video) σε πληροφοριακά συστήματα.
  • Τεχνικές συμπίεσης (compression) jpeg, πρότυπα mpeg-1,2,4,7.