Procesado de Imagen y Visión Artificial

Usted está aquí

Inicio » Estudios » Grados » Grado en Ciencia e Ingeniería de Datos » Plan de estudios » Asignaturas » Procesado de Imagen y Visión Artificial
Créditos
6
Tipos
Obligatoria
Requisitos
Esta asignatura no tiene requisitos, pero tiene capacidades previas
Departamento
TSC
Este curso proporciona una perspectiva de las técnicas esenciales de procesado, análisis e interpretación de imágenes. El curso está estructurado en función de la complejidad de la información extraída de las imágenes y del nivel de interpretación de la escena. Los dos primeros bloques presentan los modelos útiles para la extracción inicial de información a partir de una única imagen, en particular los modelos de espacio vectorial, de morfología matemática y de conjuntos de niveles. El proceso de interpretación de las imágenes implica generalmente un paso de agrupamiento de la información previamente extraída. Las técnicas relacionadas con este proceso de visión a nivel medio/alto combinan procesos de segmentación y de detección que son el contenido del tercer y cuarto bloque de la asignatura. Finalmente, el último bloque presenta las herramientas necesarias para analizar la información de secuencias de vídeo.

Profesorado

Responsable

  • Javier Ruiz Hidalgo ( )

Otros

  • Philippe Salembier Clairon ( )

Horas semanales

Teoría
3
Problemas
0
Laboratorio
1
Aprendizaje dirigido
0
Aprendizaje autónomo
6

Competencias

Competencias Técnicas

Competencias técnicas

  • CE5 - Diseñar y aplicar técnicas de procesado de señal, eligiendo entre distintas herramientas tecnológicas, incluidas las de visión Artificial, de reconocimiento del lenguaje hablado y las de tratamiento de datos multimedia.

Competencias Transversales

Transversales

  • CT6 [Avaluable] - Aprendizaje autónomo. Detectar deficiencias en el propio conocimiento y superarlas mediante la reflexión crítica y la elección de la mejor actuación para ampliar dicho conocimiento.
  • CT7 [Avaluable] - Tercera lengua. Conocer una tercera lengua, preferentemente el inglés, con un nivel adecuado oral y escrito y en consonancia con las necesidades que tendrán los titulados y tituladas.

Básicas

  • CB5 - Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía

Competencias Técnicas Genéricas

Genéricas

  • CG1 - Concebir sistemas computacionales que integren datos de procedencias y formas muy diversas, creen con ellos modelos matemáticos, razonen sobre dichos modelos y actúen en consecuencia, aprendiendo de la experiencia.
  • CG2 - Elegir y aplicar los métodos y técnicas más adecuados a un problema definido por datos que representen un reto por su volumen, velocidad, variedad o heterogeneidad, incluidos métodos informáticos, matemáticos, estadísticos y de procesado de la señal.
  • CG4 - Identificar oportunidades para aplicaciones innovadoras orientadas a datos en entornos tecnológicos en continua evolución.
  • CG5 - Poder recurrir a conocimientos fundamentales y metodologías de trabajo sólidas adquiridos durante los estudios para adaptarse a los nuevos escenarios tecnológicos del futuro.

Objetivos

  1. Adquirir los conocimientos básicos de representación frecuencial y filtros avanzados de imágenes.
    Competencias relacionadas: CE5, CT7, CG1, CG5, CB5,
  2. Comprender y saber utilizar las herramientas de procesado geométrico.
    Competencias relacionadas: CE5, CT7, CG2, CB5,
  3. Comprender y saber utilizar las técnicas de segmentación y detección de objetos.
    Competencias relacionadas: CE5, CT6, CT7, CG1, CG2, CG4, CB5,
  4. Adquirir los conocimientos básicos de estimación de movimiento i seguimiento.
    Competencias relacionadas: CE5, CT6, CT7, CG2, CG5, CB5,

Contenidos

  1. Filtrado y Análisis frecuencial
    Representación frecuencial: FT, DFT
    Filtrado avanzado: lineal, no local, bilateral
    Análisis multi-escala
  2. Procesado geométrico
    Morfología matemática
    Filtros por reconstrucción
    Modelos variacionales i conjuntos de nivel
  3. Modelo basado en regiones
    Segmentación basada en transiciones: Detección de contornos, contornos activos
    Segmentación basada en homogeneidad: Classificación, crecimiento de regiones, watershed.
  4. Modelo basado en objetos
    Detección de objetos: descriptores locales, bag of words, propuestas de regiones, regresión.
  5. Análisis de vídeo
    Estimación de movimiento, optical flow
    Seguimiento

Actividades

Actividad Acto evaluativo


Tema 1

Clases de teoría, problemas y laboratorio correspondientes al Tema 1
  • Teoría: Clases de teoría correspondientes al Tema 1
  • Laboratorio: Clases de laboratorio correspondientes al Tema 1
  • Aprendizaje dirigido: Aprendizaje dirigido correspondiente al Tema 1
  • Aprendizaje autónomo: Aprendizaje autónomo correspondiente al Tema 1
Objetivos: 1
Contenidos:
Teoría
9h
Problemas
0h
Laboratorio
3h
Aprendizaje dirigido
0h
Aprendizaje autónomo
17.7h

Tema 2

Clases de teoría, problemas y laboratorio correspondientes al Tema 2
  • Teoría: Clases de teoría correspondientes al Tema 2
  • Laboratorio: Clases de laboratorio correspondientes al Tema 2
  • Aprendizaje dirigido: Aprendizaje dirigido correspondiente al Tema 2
  • Aprendizaje autónomo: Aprendizaje autónomo correspondiente al Tema 2
Objetivos: 2
Contenidos:
Teoría
9h
Problemas
0h
Laboratorio
3h
Aprendizaje dirigido
0h
Aprendizaje autónomo
17.7h

Tema 3

Clases de teoría, problemas y laboratorio correspondientes al Tema 3
  • Teoría: Clases de teoría correspondientes al Tema 3
  • Laboratorio: Clases de laboratorio correspondientes al Tema 3
  • Aprendizaje dirigido: Aprendizaje dirigido correspondiente al Tema 3
  • Aprendizaje autónomo: Aprendizaje autónomo correspondiente al Tema 3
Objetivos: 3
Contenidos:
Teoría
9h
Problemas
0h
Laboratorio
3h
Aprendizaje dirigido
0h
Aprendizaje autónomo
17.7h

Tema 4

Clases de teoría, problemas y laboratorio correspondientes al Tema 4
  • Teoría: Clases de teoría correspondientes al Tema 4
  • Laboratorio: Clases de laboratorio correspondientes al Tema 4
  • Aprendizaje dirigido: Aprendizaje dirigido correspondiente al Tema 4
  • Aprendizaje autónomo: Aprendizaje autónomo correspondiente al Tema 4
Objetivos: 3
Contenidos:
Teoría
9h
Problemas
0h
Laboratorio
3h
Aprendizaje dirigido
0h
Aprendizaje autónomo
17.7h

Tema 5

Clases de teoría, problemas y laboratorio correspondientes al Tema 5
  • Teoría: Clases de teoría correspondientes al Tema 5
  • Laboratorio: Clases de laboratorio correspondientes al Tema 5
  • Aprendizaje dirigido: Aprendizaje dirigido correspondiente al Tema 5
  • Aprendizaje autónomo: Aprendizaje autónomo correspondiente al Tema 5
Objetivos: 4
Contenidos:
Teoría
9h
Problemas
0h
Laboratorio
3h
Aprendizaje dirigido
0h
Aprendizaje autónomo
17.7h

Metodología docente

La asignatura se basa en clases presenciales de teoría y laboratorio. Las clases de teoría siguen el programa definido en esta guía docente. Dentro de las clases de teoría se promociona el diálogo entre los profesores y los estudiantes proponiendo ejercicios y actividades a realizar conjuntamente basados en aspectos particulares del tema que se está tratando. Las clases de laboratorio ejemplifican los contenidos desarrollados en las clases de teoría.

Método de evaluación

La nota final de la asignatura se obtiene a partir de les notes de

- Examen parcial: P (20%)
- Examen final: F (50%)
- Prácticas: L (30%)

Nota = max (0.5F+0.2P+0.3L ; 0.7F+0.3L)

En caso de hacer examen de re-evaluación (R), la nota final es:

Nota = 0.7R+0.3L

Bibliografía

Básica:

Capacidades previas

Los conocimientos adquiridos en las asignaturas del grado en cuatrimestres anteriores.