Visió per Computador

Crèdits
6
Tipus
  • MIRI: Optativa
  • MDS: Optativa
  • MEI: Optativa
Requisits
Aquesta assignatura no té requisits , però té capacitats prèvies
Departament
ESAII
La visió per computador és una disciplina de la informàtica que s'encarrega d'extreure informació rellevant a partir d'imatges o seqüències d'imatges. Els seus àmbits d'aplicació són cada cop més amplis i abasten des del reconeixement facial fins al diagnòstic precoç de malalties, passant per la detecció i localització d'objectes i persones, la interacció gestual amb sistemes, la navegació de robots o la conducció autònoma.
En finalitzar l'assignatura, l'estudiant serà capaç d'analitzar, dissenyar, programar i avaluar mètodes i tècniques d'anàlisi d'imatges, complint requisits de temps de resposta, fiabilitat i eficiència/cost.

Professorat

Responsable

Competències

Competències Transversals

Transversals

  • CTR6 - Capacitat de raonament crític, lògic i matemàtic. Capacitat de resoldre problemes en la seva àrea d'estudi. Capacitat d'abstracció: capacitat de crear i utilitzar models que reflecteixin situacions reals. Capacitat de dissenyar i realitzar experiments senzills, i analitzar-ne i interpretar-ne els resultats. Capacitat d'anàlisi, de síntesi i d'avaluació.

    • Objectius

    1. Entendre les limitacions i capacitats dels algoritmes de la visió per computador.
      Competències relacionades: CTR6,

    Continguts

    1. Fonaments de la imatge digital
      Tipus d'imatges segons els diferents àmbits. Imatges d'intensitat. Imatges en color. Imatge 3D per tomografia, RM, imatges ecogràfiques, etc. Espais de Color.
    2. Processat digital d'imatges
      Transformacions de nivell de gris.
      Operadors linials. Convolució. Realçat i suavitzat de la imatge.
      Detecció de contorns.
      Operadors no lineals. Filtres morfològics.
      Transformacions geomètriques.
    3. Segmentació d'imatges.
      Binarització d'imatges: global, local.
      Segmentació d'imatges: watershed, k-means, agrupació per color.
    4. Descriptors d'imatges
      Descriptors numèrics de formes, regions, histogrames de colors, descriptors de Fourier, punts singulars, Haar.
    5. Reconeixement d'imatges mitjançant Machine Learning
      Reconeixement i classificació d'imatges mitjançant vectors descriptors. Hash perceptual d'imatges.
    6. Reconeixement d'imatges mitjançant aprenentatge profund (Deep Learning)
      Principals xarxes neuronals profundes per a detecció i localització d'objectes en imatges.

    Activitats

    Activitat Acte avaluatiu


    Desenvolupament del tema 1 de l'assignatura



    Teoria
    0h
    Problemes
    4h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    8h

    Desenvolupament del tema 2 de l'assignatura



    Teoria
    0h
    Problemes
    8h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    12h

    Desenvolupament del tema 3 de l'assignatura



    Teoria
    0h
    Problemes
    4h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    8h

    Desenvolupament del tema 4 de l'assignatura



    Teoria
    0h
    Problemes
    8h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    12h

    Desenvolupament del tema 5 de l'assignatura



    Teoria
    0h
    Problemes
    4h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    8h

    Desenvolupament del tema 6 de l'assignatura



    Teoria
    0h
    Problemes
    4h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    8h

    Desenvolupament d'un projecte real de visió per computador


    Objectius: 1
    Teoria
    0h
    Problemes
    16h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    40h

    Presentació del projecte de visió per computador



    Teoria
    0h
    Problemes
    4h
    Laboratori
    0h
    Aprenentatge dirigit
    0h
    Aprenentatge autònom
    1.9h

    Metodologia docent

    La metodologia docent serà amb caràcter general de caràcter deductiu. S'intentarà fugir del mètode expositiu/ Lliçó magistral.
    El plantejament serà en base a :
    - proposar un problema
    - intentar resoldre'l
    - afegir les peces de teoria necessàries per poder solucionar el problema de manera adequada.

    Durant les pràctiques es treballarà també l'aprenentatge cooperatiu, per a la resolució del problema en equip.

    Mètode d'avaluació

    L'assignatura s'avaluarà de manera continuada. Al llarg del curs, es demanaran una sèrie d'exercicis que serviran per avaluar l'alumne. No es farà examen final.

    La nota final de l'assignatura (NF) s'obtindrà a partir de les pràctiques fetes obligatòriament a classe de forma presencial (LAB) i de les entregues de les pràctiques que l'alumne haurà de treballar a casa (HW). Alguns exercicis es resoldran en grup i alguns de forma individual. En els exercicis en grup la nota serà única per a tots els seus components.

    La nota final es calcularà de la següent manera:

    NF = Promig(HW) * 0.5 + Promig(LAB) * 0.5

    On, HW i LAB representa el vector de notes dels treballs realitzats a casa i al laboratori respectivament.

    Bibliografia

    Bàsic

    Capacitats prèvies

    Estadística bàsica, programació elemental, àlgebra.