{
 "cells": [
  {
   "cell_type": "markdown",
   "id": "819ce420",
   "metadata": {},
   "source": [
    "![Logo 1](img/aitech-logotyp-1.jpg)\n",
    "<div class=\"alert alert-block alert-info\">\n",
    "<h1> Widzenie komputerowe </h1>\n",
    "<h2> 06. <i>Rozpoznawanie i segmentacja obrazów</i> [laboratoria]</h2> \n",
    "<h3>Andrzej Wójtowicz (2021)</h3>\n",
    "</div>\n",
    "\n",
    "![Logo 2](img/aitech-logotyp-2.jpg)"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "a6dc5acc",
   "metadata": {},
   "source": [
    "W poniższych materiałach zobaczymy w jaki sposób możemy klasycznym podejściem rozpoznawać ludzi na zdjęciach, a ponadto w jaki sposób szybko podzielić obraz na elementy znajdujące się na pierwszym planie i w tle obrazu.\n",
    "\n",
    "Na początku załadujmy niezbędne biblioteki."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "e45bb312",
   "metadata": {},
   "outputs": [],
   "source": [
    "import cv2 as cv\n",
    "import numpy as np\n",
    "import sklearn.svm\n",
    "import sklearn.metrics\n",
    "import matplotlib.pyplot as plt\n",
    "%matplotlib inline\n",
    "import os\n",
    "import random"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "5b757675",
   "metadata": {},
   "source": [
    "Naszym głównym celem będzie rozpoznawanie ludzi na zdjęciach przy pomocy klasycznej metody *histogram of oriented gradients* (HOG). Krótko mówiąc, dla danego zdjęcia chcemy uzyskać wektor cech, który będziemy mogli wykorzystać w klasyfikatorze SVM. Szczegóły znajdują się w *6.3.2 Pedestrian detection* R. Szeliski (2022) *Computer Vision: Algorithms and Applications*, natomiast tutaj zobrazujemy techniczne wykorzystanie tej metody.\n",
    "\n",
    "# Klasyfikacja obrazów przy użyciu HOG i SVM\n",
    "\n",
    "Spróbjemy zbudować klasyfikator, który wskazuje czy na zdjęciu znajduje się osoba z okularami czy bez okularów. Rozpakujmy zbiór danych, z którego będziemy korzystali:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "7b953b82",
   "metadata": {},
   "outputs": [],
   "source": [
    "!cd datasets && unzip -qo glasses.zip"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "f4a457f3",
   "metadata": {},
   "source": [
    "Następnie wczytujemy dane i dzielimy je na dwa zbiory w proporcjach 80/20:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "737d95c1",
   "metadata": {},
   "outputs": [],
   "source": [
    "dataset_dir = \"datasets/glasses\"\n",
    "images_0 = os.listdir(f\"{dataset_dir}/with\")\n",
    "images_0 = [f\"{dataset_dir}/with/{x}\" for x in images_0]\n",
    "images_1 = os.listdir(f\"{dataset_dir}/without\")\n",
    "images_1 = [f\"{dataset_dir}/without/{x}\" for x in images_1]\n",
    "images = images_0 + images_1\n",
    "random.seed(1337)\n",
    "random.shuffle(images)\n",
    "\n",
    "train_data = []\n",
    "test_data = []\n",
    "train_labels = []\n",
    "test_labels = []\n",
    "\n",
    "splitval = int((1-0.2)*len(images))\n",
    "\n",
    "for x in images[:splitval]:\n",
    "    train_data.append(cv.imread(x, cv.IMREAD_COLOR))\n",
    "    train_labels.append(x.split(\"/\")[2])\n",
    "    \n",
    "for x in images[splitval:]:\n",
    "    test_data.append(cv.imread(x, cv.IMREAD_COLOR))\n",
    "    test_labels.append(x.split(\"/\")[2])\n",
    "    \n",
    "d_labels = {\"with\": 0, \"without\": 1}\n",
    "    \n",
    "train_labels = np.array([d_labels[x] for x in train_labels])\n",
    "test_labels = np.array([d_labels[x] for x in test_labels])\n",
    "\n",
    "print(f\"Train data: {len(train_data)}, test data: {len(test_data)}\")"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "265147e3",
   "metadata": {},
   "source": [
    "Poniżej znajduje się kilka przykładowych zdjęć."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "e0595915",
   "metadata": {},
   "outputs": [],
   "source": [
    "plt.figure(figsize=(10,2))\n",
    "for i in range(5):\n",
    "    plt.subplot(151 + i)\n",
    "    plt.imshow(train_data[i][:,:,::-1]);"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "e05e27e8",
   "metadata": {},
   "source": [
    "Tworzymy deskryptor HOG przy pomocy funkcji [`cv.HOGDescriptor()`](https://docs.opencv.org/4.5.3/d5/d33/structcv_1_1HOGDescriptor.html). Metodą [`compute()`](https://docs.opencv.org/4.5.3/d5/d33/structcv_1_1HOGDescriptor.html#a38cd712cd5a6d9ed0344731fcd121e8b) tworzymy wektory cech, które posłużą nam jako dane wejściowe do klasyfikatora. Poniżej znajduje się również przykładowa konfiguracja deskryptora:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "f21e8924",
   "metadata": {},
   "outputs": [],
   "source": [
    "hp_win_size = (96, 32)\n",
    "hp_block_size = (8, 8)\n",
    "hp_block_stride = (8, 8)\n",
    "hp_cell_size = (4, 4)\n",
    "hp_n_bins = 9\n",
    "hp_deriv_aperture = 0\n",
    "hp_win_sigma = 4.0\n",
    "hp_histogram_norm_type = 1\n",
    "hp_l2_hys_threshold = 0.2\n",
    "hp_gamma_correction = True\n",
    "hp_n_levels = 64\n",
    "hp_signed_gradient = True\n",
    "\n",
    "hog_descriptor = cv.HOGDescriptor(\n",
    "    hp_win_size, hp_block_size, hp_block_stride, hp_cell_size, \n",
    "    hp_n_bins, hp_deriv_aperture, hp_win_sigma, \n",
    "    hp_histogram_norm_type, hp_l2_hys_threshold, \n",
    "    hp_gamma_correction, hp_n_levels, hp_signed_gradient)\n",
    "\n",
    "train_hog = np.vstack([hog_descriptor.compute(x).ravel() for x in train_data])\n",
    "test_hog = np.vstack([hog_descriptor.compute(x).ravel() for x in test_data])"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "755b8ebe",
   "metadata": {},
   "source": [
    "Do klasyfikacji użyjemy klasyfikatora SVM. Możemy użyć implementacji znajdującej się w module [`cv.ml`](https://docs.opencv.org/4.5.3/d1/d2d/classcv_1_1ml_1_1SVM.html):"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "b46783d4",
   "metadata": {},
   "outputs": [],
   "source": [
    "model = cv.ml.SVM_create()\n",
    "model.setGamma(0.02)\n",
    "model.setC(2.5)\n",
    "model.setKernel(cv.ml.SVM_RBF)\n",
    "model.setType(cv.ml.SVM_C_SVC)"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "d8f47c54",
   "metadata": {},
   "source": [
    "Trenujemy model:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "810f9a1e",
   "metadata": {},
   "outputs": [],
   "source": [
    "model.train(np.array(train_hog), cv.ml.ROW_SAMPLE, train_labels);"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "69d39eee",
   "metadata": {},
   "source": [
    "Sprawdzamy wynik na danych testowych:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "763b6dc7",
   "metadata": {},
   "outputs": [],
   "source": [
    "predictions = model.predict(test_hog)[1].ravel()\n",
    "accuracy = (test_labels == predictions).mean()\n",
    "print(f\"ACC: {accuracy * 100:.2f} %\")"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "2dd04ec5",
   "metadata": {},
   "source": [
    "Możemy również użyć implementacji klasyfikatora znajdującej się w bibliotece [`scikit-learn`](https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html):"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "13b7ba1c",
   "metadata": {},
   "outputs": [],
   "source": [
    "model = sklearn.svm.SVC(C=2.5, gamma=0.02, kernel='rbf')\n",
    "model.fit(train_hog, train_labels)\n",
    "\n",
    "predictions = model.predict(test_hog)\n",
    "accuracy = (test_labels == predictions).mean()\n",
    "print(f\"ACC: {accuracy * 100:.2f} %\")"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "2259c310",
   "metadata": {},
   "source": [
    "# Rozpoznawanie ludzi\n",
    "\n",
    "Powyższą metodykę klasyfikcji możemy zastosować do rozpoznawania obiektów na zdjęciach, np. ludzi. W tym wypadku będziemy chcieli wskazać gdzie na zdjęciu znajduje się dany obiekt lub obiekty.\n",
    "\n",
    "Rozpocznijmy od rozpakowania zbioru danych:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "d8497390",
   "metadata": {},
   "outputs": [],
   "source": [
    "!cd datasets && unzip -qo inria-person-sub.zip"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "30374bad",
   "metadata": {},
   "source": [
    "Wczytujemy dane, które są już podzielone na dwa zbiory:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "978d77cf",
   "metadata": {},
   "outputs": [],
   "source": [
    "dataset_dir = \"datasets/INRIAPerson\"\n",
    "\n",
    "images_train_0 = os.listdir(f\"{dataset_dir}/train_64x128_H96/negPatches\")\n",
    "images_train_0 = [f\"{dataset_dir}/train_64x128_H96/negPatches/{x}\" for x in images_train_0]\n",
    "images_train_1 = os.listdir(f\"{dataset_dir}/train_64x128_H96/posPatches\")\n",
    "images_train_1 = [f\"{dataset_dir}/train_64x128_H96/posPatches/{x}\" for x in images_train_1]\n",
    "\n",
    "images_test_0 = os.listdir(f\"{dataset_dir}/test_64x128_H96/negPatches\")\n",
    "images_test_0 = [f\"{dataset_dir}/test_64x128_H96/negPatches/{x}\" for x in images_test_0]\n",
    "images_test_1 = os.listdir(f\"{dataset_dir}/test_64x128_H96/posPatches\")\n",
    "images_test_1 = [f\"{dataset_dir}/test_64x128_H96/posPatches/{x}\" for x in images_test_1]\n",
    "\n",
    "train_data = []\n",
    "test_data = []\n",
    "train_labels = []\n",
    "test_labels = []\n",
    "\n",
    "for x in images_train_0:\n",
    "    img = cv.imread(x, cv.IMREAD_COLOR)\n",
    "    if img is not None:\n",
    "        train_data.append(img)\n",
    "        train_labels.append(0)\n",
    "\n",
    "for x in images_train_1:\n",
    "    img = cv.imread(x, cv.IMREAD_COLOR)\n",
    "    if img is not None:\n",
    "        train_data.append(img)\n",
    "        train_labels.append(1)\n",
    "    \n",
    "for x in images_test_0:\n",
    "    img = cv.imread(x, cv.IMREAD_COLOR)\n",
    "    if img is not None:\n",
    "        test_data.append(img)\n",
    "        test_labels.append(0)\n",
    "\n",
    "for x in images_test_1:\n",
    "    img = cv.imread(x, cv.IMREAD_COLOR)\n",
    "    if img is not None:\n",
    "        test_data.append(img)\n",
    "        test_labels.append(1)\n",
    "\n",
    "print(f\"Train data: {len(train_data)}, test data: {len(test_data)}\")"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "9bf41d6e",
   "metadata": {},
   "source": [
    "Poniżej znajduje się kilka przykładowych zdjęć ze zbioru:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "f29d47c1",
   "metadata": {},
   "outputs": [],
   "source": [
    "plt.figure(figsize=(10,2))\n",
    "for i in range(3):\n",
    "    plt.subplot(161 + i)\n",
    "    plt.imshow(train_data[i][:,:,::-1]);\n",
    "for i in range(3):\n",
    "    plt.subplot(164 + i)\n",
    "    plt.imshow(train_data[-(i+1)][:,:,::-1]);"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "57cec468",
   "metadata": {},
   "source": [
    "Tworzymy deskryptor i wektory cech:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "d5248df2",
   "metadata": {},
   "outputs": [],
   "source": [
    "hp_win_size = (64, 128)\n",
    "hp_block_size = (16, 16)\n",
    "hp_block_stride = (8, 8)\n",
    "hp_cell_size = (8, 8)\n",
    "hp_n_bins = 9\n",
    "hp_deriv_aperture = 1\n",
    "hp_win_sigma = -1\n",
    "hp_histogram_norm_type = 0\n",
    "hp_l2_hys_threshold = 0.2\n",
    "hp_gamma_correction = True\n",
    "hp_n_levels = 64\n",
    "hp_signed_gradient = False\n",
    "\n",
    "hog_descriptor = cv.HOGDescriptor(\n",
    "    hp_win_size, hp_block_size, hp_block_stride, hp_cell_size, \n",
    "    hp_n_bins, hp_deriv_aperture, hp_win_sigma, \n",
    "    hp_histogram_norm_type, hp_l2_hys_threshold, \n",
    "    hp_gamma_correction, hp_n_levels, hp_signed_gradient)\n",
    "\n",
    "train_hog = np.vstack([hog_descriptor.compute(x).ravel() for x in train_data])\n",
    "test_hog = np.vstack([hog_descriptor.compute(x).ravel() for x in test_data])"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "c6782aa9",
   "metadata": {},
   "source": [
    "Następnie tworzymy klasyfikator:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "8f6108ed",
   "metadata": {},
   "outputs": [],
   "source": [
    "model = cv.ml.SVM_create()\n",
    "model.setGamma(0)\n",
    "model.setC(0.01)\n",
    "model.setKernel(cv.ml.SVM_LINEAR)\n",
    "model.setType(cv.ml.SVM_C_SVC)\n",
    "model.setTermCriteria((cv.TERM_CRITERIA_EPS + cv.TERM_CRITERIA_MAX_ITER, 1000, 1e-3))"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "bbfbde58",
   "metadata": {},
   "source": [
    "Uczymy model:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "afd0bbb4",
   "metadata": {},
   "outputs": [],
   "source": [
    "model.train(np.array(train_hog), cv.ml.ROW_SAMPLE, np.array(train_labels));"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "09626eed",
   "metadata": {},
   "source": [
    "Sprawdzamy jakość klasyfikacji:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "fa3be6b6",
   "metadata": {},
   "outputs": [],
   "source": [
    "predictions = model.predict(test_hog)[1].ravel()\n",
    "accuracy = (test_labels == predictions).mean()\n",
    "print(f\"ACC: {accuracy * 100:.2f} %\")"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "c6df6682",
   "metadata": {},
   "source": [
    "Poniżej znajduje się podejście przy pomocy biblioteki *scikit-learn*:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "7b3de8d1",
   "metadata": {},
   "outputs": [],
   "source": [
    "model2 = sklearn.svm.SVC(C=0.01, gamma='auto', kernel='linear', max_iter=1000)\n",
    "model2.fit(train_hog, train_labels)\n",
    "\n",
    "predictions = model2.predict(test_hog)\n",
    "accuracy = (test_labels == predictions).mean()\n",
    "print(f\"Accuracy:  {sklearn.metrics.accuracy_score(test_labels, predictions) * 100:.2f} %\")\n",
    "print(f\"Precision: {sklearn.metrics.precision_score(test_labels, predictions) * 100:.2f} %\")\n",
    "print(f\"Recall:    {sklearn.metrics.recall_score(test_labels, predictions) * 100:.2f} %\")"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "6e84c568",
   "metadata": {},
   "source": [
    "Mając teraz wyuczony model, chcielibyśmy sprawdzić czy np. na zdjęciu `img/pedestrians.jpg` znajdują się ludzie, tak aby uzyskać ew. obramowania z ich występowaniem. W pierwszej kolejności w naszym deskryptorze HOG ustawiamy współczynniki klasfikatora SVM przy pomocy metody [`setSVMDetector()`](https://docs.opencv.org/4.5.3/d5/d33/structcv_1_1HOGDescriptor.html#a6de5ac55631eed51e36278cde3a2c159). Następnie przy pomocy metody [`detectMultiScale()`](https://docs.opencv.org/4.5.3/d5/d33/structcv_1_1HOGDescriptor.html#a91e56a2c317392e50fbaa2f5dc78d30b) znajdujemy wyszukiwane obiekty (ludzi) w różnych skalach."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "d6458103",
   "metadata": {},
   "outputs": [],
   "source": [
    "image = cv.imread(\"img/pedestrians.jpg\", cv.IMREAD_COLOR)\n",
    "scale = 600 / image.shape[0]\n",
    "image = cv.resize(image, None, fx=scale, fy=scale)\n",
    "\n",
    "support_vectors = model.getSupportVectors()\n",
    "rho, _, _ = model.getDecisionFunction(0)\n",
    "detector = np.zeros(support_vectors.shape[1] + 1, dtype=support_vectors.dtype)\n",
    "detector[:-1] = -support_vectors[:]\n",
    "detector[-1] = rho\n",
    "\n",
    "hog_descriptor.setSVMDetector(detector)\n",
    "\n",
    "locations, weights = hog_descriptor.detectMultiScale(\n",
    "    image, winStride=(8, 8), padding=(32, 32), scale=1.05,\n",
    "    finalThreshold=2, hitThreshold=1.0)\n",
    "\n",
    "for location, weight in zip(locations, weights):\n",
    "    x1, y1, w, h = location\n",
    "    x2, y2 = x1 + w, y1 + h\n",
    "    cv.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), thickness=3, lineType=cv.LINE_AA)\n",
    "    cv.putText(image, f\"{weight[0]:.2f}\", (x1,y1), cv.FONT_HERSHEY_SIMPLEX, 1, (0,0,255), 2, cv.LINE_AA)\n",
    "\n",
    "plt.figure(figsize=(6,6))\n",
    "plt.imshow(image[:,:,::-1]);"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "cd287c92",
   "metadata": {},
   "source": [
    "Coś nam nawet udało się wykryć jak na tak niewielki zbiór danych uczących ;) Z drugiej strony, dwie osoby na pierwszym planie zostały pominięte, a osoba po prawej jest dyskusyjna jeśli chodzi o zakres oznaczenia.\n",
    "\n",
    "W OpenCV dostępny jest domyślny klasyfikator w funkcji [`HOGDescriptor_getDefaultPeopleDetector()`](https://docs.opencv.org/4.5.3/d5/d33/structcv_1_1HOGDescriptor.html#a9c7a0b2aa72cf39b4b32b3eddea78203) i poniżej możemy zobaczyć jak sobie radzi na badanym zdjęciu:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "57a745c9",
   "metadata": {},
   "outputs": [],
   "source": [
    "image = cv.imread(\"img/pedestrians.jpg\", cv.IMREAD_COLOR)\n",
    "scale = 600 / image.shape[0]\n",
    "image = cv.resize(image, None, fx=scale, fy=scale)\n",
    "\n",
    "hog_dflt_descriptor = cv.HOGDescriptor(\n",
    "    hp_win_size, hp_block_size, hp_block_stride, hp_cell_size, \n",
    "    hp_n_bins, hp_deriv_aperture, hp_win_sigma, \n",
    "    hp_histogram_norm_type, hp_l2_hys_threshold, \n",
    "    hp_gamma_correction, hp_n_levels, hp_signed_gradient)\n",
    "\n",
    "detector_dflt = cv.HOGDescriptor_getDefaultPeopleDetector()\n",
    "hog_dflt_descriptor.setSVMDetector(detector_dflt)\n",
    "\n",
    "locations, weights = hog_dflt_descriptor.detectMultiScale(\n",
    "    image, winStride=(8, 8), padding=(32, 32), scale=1.05,\n",
    "    finalThreshold=2, hitThreshold=1.0)\n",
    "\n",
    "for location, weight in zip(locations, weights):\n",
    "    x1, y1, w, h = location\n",
    "    x2, y2 = x1 + w, y1 + h\n",
    "    cv.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), thickness=3, lineType=cv.LINE_AA)\n",
    "    cv.putText(image, f\"{weight[0]:.2f}\", (x1,y1), cv.FONT_HERSHEY_SIMPLEX, 1, (0,0,255), 2, cv.LINE_AA)\n",
    "\n",
    "plt.figure(figsize=(6,6))\n",
    "plt.imshow(image[:,:,::-1]);"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "6c8cf915",
   "metadata": {},
   "source": [
    "# Segmentacja obrazu metodą GrabCut\n",
    "\n",
    "## Zadanie 1\n",
    "\n",
    "W poniższym zadaniu użyjemy algorytmu [GrabCut](https://en.wikipedia.org/wiki/GrabCut), będącego interaktywną metodą segmentacji obrazu, dzielącą obraz na pierwszy i drugi plan. W OpenCV algorytm jest zaimplementowany w funkcji [`cv.grabCut()`](https://docs.opencv.org/4.5.3/d3/d47/group__imgproc__segmentation.html#ga909c1dda50efcbeaa3ce126be862b37f). Dodatkowe informacje o algorytmie znajdują się w [dokumentacji](https://docs.opencv.org/4.5.3/d8/d83/tutorial_py_grabcut.html).\n",
    "\n",
    "Przygotuj interaktywną aplikację, która wykorzystuje algorytm GrabCut. W aplikacji powinna być możliwość zaznaczenia początkowego prostokąta, a następnie elementy maski (zwróć uwagę z jakich elementów może składać się maska). Przykładowe działanie możesz zaprezentować na obrazie `img/messi5.jpg`."
   ]
  },
  {
   "cell_type": "markdown",
   "id": "35f22bca",
   "metadata": {},
   "source": [
    "![GrabCut - wynik](img/grabcut-result.png)"
   ]
  }
 ],
 "metadata": {
  "author": "Andrzej Wójtowicz",
  "email": "andre@amu.edu.pl",
  "kernelspec": {
   "display_name": "Python 3",
   "language": "python",
   "name": "python3"
  },
  "lang": "pl",
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.7.3"
  },
  "subtitle": "06. Segmentacja i rozpoznawanie obrazów [laboratoria]",
  "title": "Widzenie komputerowe",
  "year": "2021"
 },
 "nbformat": 4,
 "nbformat_minor": 5
}