Visión por Computador

Créditos
6
Tipos
  • MIRI: Optativa
  • MDS: Optativa
  • MEI: Optativa
Requisitos
Esta asignatura no tiene requisitos , pero tiene capacidades previas
Departamento
ESAII
La visión por computador es una disciplina de la informática que se encarga de extraer información relevante a partir de imágenes o secuencias de imágenes. Sus campos de aplicación crecen día a día e incluyen el reconocimiento facial, el diagnóstico precoz de enfermedades, la detección y localización de objetos y personas, la interacción gestual con sistemas, la navegación de robots y la conducción autónoma.

Al finalizar la asignatura, el estudiante será capaz de analizar, diseñar, programar y evaluar métodos y técnicas de análisis de imágenes, cumpliendo con los requisitos de tiempo de respuesta, fiabilidad y eficiencia/coste.

Profesorado

Responsable

Competencias

Competencias Transversales

Transversales

  • CTR6 - Capacidad de razonamiento crítico, lógico y matemático. Capacidad para resolver problemas dentro de su área de estudio. Capacidad de abstracción: capacidad de crear y utilizar modelos que reflejen situaciones reales. Capacidad de diseñar y realizar experimentos sencillos, y analizar e interpretar sus resultados. Capacidad de análisis, síntesis y evaluación.

    • Objetivos

    1. Entender las limitaciones y capacidades de los algoritmos de la visión por computador.
      Competencias relacionadas: CTR6,

    Contenidos

    1. Fundamentos de la imagen digital
      Tipos de imágenes según diferentes zonas. Imágenes de intensidad. Imágenes en color. Imágenes 3D mediante tomografía, resonancia magnética, ecografía, etc. Espacios de color.
    2. Procesado digital de imágenes
      Transformaciones de nivel de gris. Operadores lineales. Convolución. Realzado y suavizado de la imagen. Detección de contornos. Operadores no lineales. Filtros morfológicos. Transformaciones geométricas.
    3. Segmentación de imágenes.
      Binarización de imágenes: global, local. Segmentación de imágenes: watershed, k-means, agrupación por color.
    4. Descriptores de imágenes
      Descriptores numéricos de formas, regiones, histogramas de colores, descriptores de Fourier, puntos singulares, Haar.
    5. Reconocimiento de imágenes mediante Machine Learning
      Reconocimiento y clasificación de imágenes mediante vectores descriptores. Hash perceptual de imágenes.
    6. Reconocimiento de imágenes mediante aprendizaje profundo (Deep Learning)
      Principales redes neuronales profundas para detección y localización de objetos en imágenes.

    Actividades

    Actividad Acto evaluativo


    Desarrollo del tema 1 de la asignatura



    Teoría
    0h
    Problemas
    4h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    8h

    Desarrollo del tema 2 de la asignatura



    Teoría
    0h
    Problemas
    8h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    12h

    Desarrollo del tema 3 de la asignatura



    Teoría
    0h
    Problemas
    4h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    8h

    Desarrollo del tema 4 de la asignatura



    Teoría
    0h
    Problemas
    8h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    12h

    Desarrollo del tema 5 de la asignatura



    Teoría
    0h
    Problemas
    4h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    8h

    Desarrollo del tema 6 de la asignatura



    Teoría
    0h
    Problemas
    4h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    8h

    Desarrollo de un proyecto real de visión por computador


    Objetivos: 1
    Teoría
    0h
    Problemas
    16h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    40h

    Presentación del proyecto de visión por computador



    Teoría
    0h
    Problemas
    4h
    Laboratorio
    0h
    Aprendizaje dirigido
    0h
    Aprendizaje autónomo
    1.9h

    Metodología docente

    La metodología docente será a todos los efectos de carácter deductivo. Se intentará huir del método expositivo/ Lección magistral.
    El planteamiento será en base a:
    - proponer un problema
    - intentar resolverlo
    - añadir las piezas de teoría necesarias para poder solucionar el problema de forma adecuada.

    Durante las prácticas se trabajará también el aprendizaje cooperativo para la resolución del problema en equipo.

    Método de evaluación

    La asignatura se evaluará de forma continuada. A lo largo del curso, se pedirán una serie de ejercicios que servirán para evaluar al alumno. No se hará examen final.

    La nota final de la asignatura (NF) se obtendrá a partir de las prácticas realizadas obligatoriamente en clase de forma presencial (LAB) y de las entregas de las prácticas que el alumno tendrá que trabajar en casa (HW). Algunos ejercicios se resolverán en grupo y algunos de forma individual. En los ejercicios en grupo la nota será única para todos sus componentes.

    La nota final se calculará de la siguiente manera:

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

    Donde, HW y LAB representa el vector de notas de los trabajos realizados en casa y en el laboratorio respectivamente.

    Bibliografía

    Básico

    Capacidades previas

    Estadística básica, programación elemental, álgebra.