Visión computacionalSchaeffer / ITS / FIME / UANL

Todo lo que se programa en esta unidad, se hace en Python (usando OpenCV)

Tareas

1. Detección de bordes2. Detección de formas3. Detección de líneas4. Detección de círculos5. Detección de elipses6. Detección de agujeros

Seis tareas individuales.Máximo de cinco puntos cada una.

Semanas de entrega indicadas en la página web.

Proyecto individual• Se plantea en la semana 7

• 10 puntos• Presentación en clase (las puras diapositivas en el blog)

• Se entrega en la semanas 14 & 15• 10 + 10 + 10 puntos• Reporte en el blog• Presentación en clase (diapositivas en el blog)• Código en un control de versiones en la nube

• Uso obligatorio durante todo el semestre

Exámenes★ Cada examen vale 15 puntos

★ 30 en total

★ Por computadora

★ Libro abierto

★ Aplicadas

Temario• Introducción & aplicaciones

• Herramientas

• Análisis de formas

• Análisis de bordes

• Detección de líneas

• Detección de círculos

• Transformada Hough

• Detección de elipses

• Detección de agujeros

• Detección de polígonos y esquinas

• Detección de movimiento

Libro de texto principal

E.R. Davies: Machine VisionTheory, Algorithms, Practicalities. Morgan Kaufmann. Tercera edición.

Introducción & aplicaciones Semana 1

http://www.cs.iit.edu/~agam/cs512/front/5_1280x1024.jpg

Reconocimiento•Componente fundamental de visión computacional•El proceso de observar un patrón e identificarlo (más bien, clasificarlo)•En realidad un proceso bastante complejo que requiere entrenamiento •La identificación de características relevantes es la clave• Simplificación, regularización

Ubicación•Teniendo un objeto dentro del campo de visión, para poder reconocerlo, primero debemos ubicarlo• Identificar la posición dentro de la imágen• Distinguir entre diversos objetos y el fondo• Darnos cuenta si un objeto parcialmente tapa a otro objeto

•Si sabemos qué es lo que estamos buscando, podemos comparar formas con plantillas• Aún así, combinatorialmente se pone difícil: son demasiados

los posibles lugares y tamaños

Aplicaciones•Numerosos, por lo general cayendo en dos categorias•Detección

• De intrusión, por ejemplo

• Inspección• Para aseguramiento de calidad, por ejemplo

•Como ya es de costumbre, harémos resúmenes a partir de Google Scholar por puntos extra durante el clase de hoy

Para la semana que viene

• Traigan todos instalado Python (2.6 o 2.7 de preferencia) con una instalación funcional de las siguientes librerías

•numpy•PIL•TkInter•OpenCV