Guía docente de Visión por Computador (M51/56/3/28)

1. Introducción los sistemas de visión por computador
2. Preprocesamiento de Imágenes
3. Segmentación
4. Aplicaciones

El alumno/a debería tener conocimientos en :

1. Lenguaje de programación Python
2. Abstracción

• Conocer el objetivo de la Visión por Computador discutiendo las diferentes aproximaciones a la resolución de los problemas que le son propios.

• Entender las componentes básicas de un sistema de captación de imágenes a través de la descripción de sus elementos y su utilización real en diferentes condiciones de observación.

• Comprender los diferentes espacios de representación del color, sus ventajas e inconvenientes y sus correspondientes áreas de utilización en problemas de Visión por Computador.

• Conocer y valorar el preprocesamiento de imágenes dentro de la Visión por Computador, analizando y proporcionando solución a diferentes problemas. Utilizar diferentes técnicas de preprocesamiento sobre problemas reales.

• Dado un conjunto de característica extraídas de un conjunto de imágenes, bien a través del preprocesamiento de las imágenes , conocer como extraer los patrones de interés en dichas imágenes. Analizar su utilización en diferentes áreas de aplicación.

• Conocer diferentes ejemplos de aplicación de técnicas de Visión por Computador en problemas reales.

1. Introducción los sistemas de visión por computador.
   • 1.1. Elementos de la percepción visual.
   • 1.2. Percepción de imágenes.
   • 1.3. Espacios de color.
   • 1.4. El proceso de formación de imágenes
   • 1.5. Representación de imágenes digitales
   • 1.6. Dispositivos de captura
   • 1.7. Formatos de almacenamiento
   • 1.8. Etapas en el procesamiento de imágenes.
   • 1.9. Componentes de un sistema de procesamiento de imágenes.
2. Preprocesamiento de Imágenes
   • 2.1. Procesamiento global de imágenes.
     • Tipos de operaciones. Histogramas.
     • Operaciones elementales con píxeles.
     • Transformaciones del histograma.
     • Combinación de imágenes.
     • Transformaciones de color.
   • 2.2. Transformaciones geométricas.
     • Interpolación y transformaciones básicas.
     • Transformaciones afines.
     • Transformación bilineal y perspectiva.
     • Transformaciones de mapeo.
   • 2.3 Filtros y transformaciones locales.
     • Filtros y convoluciones.
     • Filtros paso bajo
     • Filtros paso alto.
   • 2.4. Suavizado, perfilado y bordes.
     • Operadores de suavizado
     • Operadores de bordes.
   • 2.5 Filtros no lineales.
   • 2.6. Morfología
   • 2.7. Procesamiento en el dominio frecuencial.
     • La Transformada de Fourier
     • Propiedades del dominio frecuencial.
     • Aplicaciones de la DFT.
   • 2.8. Otras transformadas
     • Transformada PCA
     • Transformada Wavelet.Compresión.
     • Transformadas coseno
3. Redes Neuronales de Convolución
   • 3.1. Esquema de una CNN
   • 3.2. Capas: Convolución. Agregación, Normalización
   • 3.3. AlexNet,VGG, ResNet,Xception, otras arquitecturas.
   • 3.4 Vision Transformers
4. Segmentación
   • 4.1. Segmentación Clásica
     • Umbralización
     • Basada en el histograma
     • Basada en Regiones. División-Fusión
     • Transformada de Hough
     • Algoritmo Watershed
   • 4.2. Segmentación Semántica.
     • Redes neuronales autocodificadores.
     • U-net
     • DeepLabv3+
     • MaskFormer
     • Métricas

Las prácticas se llevarán a cabo usando  Python y librerias como OpenCV.

1. Introducción.
2. Espacios de Color. Histograma
3. Transformaciones y Operaciones con Imágenes
4. Filtrado Espacial. Aristas y Puntos Esquinas
5. Morfología.
6. Transformadas de Fourier, PCA y Wavelet.
7. Redes Neuronales de Convolución. Clasificación, detección y segmentación.

• PAJARES, G. DE LA CRUZ, J. Visión por Computador. Rama. 2001.
• JAIN, A.K. Fundamentals of Digital Image Processing. Prentice-Hall, Englewood Cliffs, 1989.
• GONZALEZ, R.C. y  WOODS,  R.E.  Digital Image Processing. Prentice-Hall, 2001.
• GONZALEZ, R.C. y WOODS, R.E. . Digital Image Processing, Global Edition, Pearson Education; 2017
• HOWSE, J  y MINICHINO, J. Learning OpenCV 4 Computer Vision with Python 3. 3rd Edition. ‎ Packt Publishing,2020

• SONKA, M., HLAVAC, V., BOYLE, R. Image Processing, Analysis and Machine Vision. Brooks/Cole-Thomsom Publish. 2000.
• PLANCH, B y  ELIOT A. Hands-On Computer Vision with TensorFlow 2. Packt Publishing,  2019
• FERNANDEZ VILLAN, A. Mastering OpenCV 4 with Python. ‎ Packt Publishing,2019

• Web del máster
• Procesamiento de imágenes con OpenCV
• Primeros pasos con OpenCV
• CNN con tensorflow+keras

La metodología de evaluación por defecto según la normativa de la Universidad de Granada es la evaluación continua, que en el caso de esta asignatura se compone de los siguientes elementos:

• Evaluación de la Parte Teórica: exámenes finales o parciales, sesiones de evaluación y entregas de ejercicios sobre el desarrollo y los resultados de las actividades propuestas.
• Evaluación de la Parte Práctica: se realizarán prácticas de laboratorio, resolución de problemas y desarrollo de proyectos (individuales o en grupo), y se valorarán las entregas de los informes/memorias realizados por los alumnos, o en su caso las entrevistas personales con los alumnos y las sesiones de evaluación.
• Evaluación de los Seminarios y otras actividades: se tendrá en cuenta la asistencia, los problemas propuestos que hayan sido resueltos y entregados por los alumnos, en su caso, las entrevistas efectuadas durante el curso y la presentación oral de los trabajos desarrollados.

La evaluación extraordinaria final se realizará en un solo acto académico. Dicha prueba (evaluada de 0 a 10) incluirá pruebas tanto de tipo teórico como práctico que garanticen que el alumno/aha adquirido la totalidad de las competencias descritas en esta guía docente.

El alumno/a puede optar por la evaluación única final según lo dispuesto en la normativa de evaluación y de calificación de los estudiantes de la Universidad de Granada (http://secretariageneral.ugr.es/pages/normativa/ugr/ncg7121). Para acogerse a la evaluación única final, el estudiante, en las dos primeras semanas de impartición de la asignatura, lo solicitará al Coordinador del Máster, quienes darán traslado al profesorado correspondiente, alegando y acreditando las razones que le asisten para no poder seguir el sistema de evaluación continua.

La evaluación extraordinaria final se realizará en un solo acto académico. Dicha prueba (evaluada de 0 a 10) incluirá pruebas tanto de tipo teórico como práctico que garanticen que el alumno/aha adquirido la totalidad de las competencias descritas en esta guía docente.

• La asistencia a las clases teóricas no será obligatoria, aunque la participación activa en clase y la entrega de ejercicios planteados por el profesor se tendrá en cuenta dentro del sistema de evaluación continua de la asignatura.
• La asistencia a las clases prácticas no será obligatoria. En cualquier caso, la asistencia y participación activa en clase se tendrá en cuenta dentro del sistema de evaluación continua de la asignatura.

A pesar de la citada no obligatoriedad, el alumno/a deberá tener en cuenta que la asistencia y participación activa a las clases teóricas y prácticas es de crucial importancia para la adquisición de los conocimientos y competencias de esta asignatura, por lo que se recomienda un seguimiento activo de dichas clases.

Web Prado