Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS | Kredi |
---|---|---|---|---|---|---|
YZM508 | Görüntü İşleme ve Örüntü Tanıma | Seçmeli Ders Grubu | 1 | 1 | 6.00 | 3.00 |
Yüksek Lisans
Öğrencilere dijital görüntü işleme teknikleri ile örüntü tanıma yöntemlerinin temel prensiplerini öğretmek. Görüntü verilerinin işlenmesi, analizi ve sınıflandırılması konusunda uygulamalı beceri kazandırmak. Mühendislik, sağlık, güvenlik ve yapay zeka alanlarında görüntü işleme ve örüntü tanımanın kullanım alanlarını tanıtmak.
1 | Öğrenci, dijital görüntü işleme ve örüntü tanımanın temel kavramlarını ve yöntemlerini açıklayabilir. |
2 | Öğrenci, görüntü verilerini işleyerek özellik çıkarımı, sınıflandırma ve kümeleme analizleri yapabilir. |
3 | Öğrenci, MATLAB veya Python kütüphanelerini (OpenCV, scikit-learn, TensorFlow vb.) kullanarak görüntü işleme uygulamaları geliştirebilir. |
Birinci Öğretim
yok
Dersin uygulamalı kısmında MATLAB, Python (OpenCV, scikit-learn, TensorFlow) gibi yazılımların kullanılması önerilir. Öğrencilerin dönem boyunca küçük projeler veya ödevler yaparak uygulama becerilerini geliştirmeleri faydalıdır.
Görüntü işleme ve örüntü tanımaya giriş Dijital görüntülerin temsil edilmesi Görüntü iyileştirme teknikleri (filtreleme, histogram eşitleme) Kenar, köşe ve bölge tespiti Özellik çıkarımı ve boyut indirgeme Örüntü tanıma temelleri Sınıflandırma yöntemleri (K-en yakın komşu, Naive Bayes, Destek Vektör Makineleri) Kümeleme yöntemleri (K-means, hiyerarşik kümeleme) Yapay sinir ağları ve derin öğrenme ile örüntü tanıma Görüntü işleme uygulamaları (biyometri, tıbbi görüntüleme, güvenlik sistemleri
Hafta | Teorik | [OgretimYontemVeTeknikleri] | [OnHazirlik] |
---|---|---|---|
1 | Görüntü işleme ve örüntü tanımaya giriş | Anlatım, tartışma | Ders kitabı giriş bölümü |
2 | Dijital görüntülerin temsil edilmesi | Anlatım, uygulama | MATLAB/Python kurulumu |
3 | Görüntü iyileştirme teknikleri (filtreleme, histogram eşitleme) | Anlatım, uygulama | Histogram kavramını inceleme |
4 | Kenar tespiti (Sobel, Canny) | Anlatım, uygulama | Örnek kenar bulma algoritmalarını araştırma |
5 | Köşe ve bölge tespiti | Anlatım, uygulama | Köşe tespitine dair okuma |
6 | Özellik çıkarımı ve boyut indirgeme | Anlatım, uygulama | PCA kavramını inceleme |
7 | Örüntü tanıma temelleri | Anlatım, örnek çözümü | Temel örüntü tanıma okuma |
8 | Ara sınav ve tekrar | Sınav, tartışma | Önceki ders notlarının gözden geçirilmesi |
9 | Sınıflandırma yöntemleri (KNN, Naive Bayes, SVM) | Anlatım, uygulama | KNN-SVM algoritmalarını araştırma |
10 | Kümeleme yöntemleri (K-means, hiyerarşik) | Anlatım, uygulama | Kümeleme teknikleri üzerine okuma |
11 | Yapay sinir ağlarına giriş | Anlatım, bilgisayar uygulaması | Yapay sinir ağı kavramı araştırma |
12 | Derin öğrenme ile örüntü tanıma | Anlatım, uygulama | CNN üzerine kaynak okuma |
13 | Görüntü işleme uygulamaları (biyometri, tıbbi görüntüleme, güvenlik) | Vaka analizi, proje çalışması | Uygulama makaleleri inceleme |
14 | Genel tekrar, proje sunumları ve dönem sonu değerlendirme | Tartışma, soru-cevap | Tüm ders notlarının gözden geçirilmesi |
Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
---|---|---|
Ara Sınav | 1 | 100 |
Toplam | 100 | |
Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
Final Sınavı | 1 | 100 |
Toplam | 100 | |
Yarıyıl (Yıl) İçi Etkinlikleri | 40 | |
Yarıyıl (Yıl) Sonu Etkinlikleri | 60 |
Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
---|---|---|---|
Ara Sınav | 1 | 1 | 1 |
Final Sınavı | 1 | 1 | 1 |
Ara Sınav İçin Bireysel Çalışma | 1 | 72 | 72 |
Final Sınavı içiin Bireysel Çalışma | 1 | 76 | 76 |
Toplam İş Yükü (saat) | 150 |
ÖÇ 1 |
ÖÇ 2 |
ÖÇ 3 |