Home

Objetivo

La visión por computador es el estudio de las métodos que permiten que un computador 'vea', es decir, que pueda extraer información de la información visual que recibe. El objetivo del curso es estudiar los métodos fundamentales que hacen que esto sea posible. El curso se divide en dos partes principales: el procesamiento de imágenes y el análisis e interpretación de imágenes. El procesamiento de imágenes involucra diferentes técnicas que permiten la transformación y mejoramiento de imágenes y la extracción de información de bajo nivel a partir de las mismas. El análisis e interpretación de imágenes aborda el problema de extraer información de alto nivel (semántica) a partir de la información de bajo nivel. 

Programa 


Tema        Material y RecursosTareas y evaluaciones
Parte I:
Procesamiento de Imágenes
 Introducción a la Visión por Computador [slides] 
1. Adquisición y representación de imagen y video Sistema Visual Humano [slides]
2. Preprocesamiento
2.1 Eliminación de ruido
2.2 Realce
2.3 Mejora
  
3. Transformación
3.1 Filtrado espacial
3.2 Filtrado en el dominio de la frecuencia
Filtrado lineal y detección de bordes [slides]
Deteccion de Bordes [slides] 
Filtros de Gabor para detección de texto [paper]
Análisis de textura usando filtros de Gabor [slides]
Introducción a las Wavelets [slides]
 
4. Segmentación
4.1 Umbralización
4.2 Basada en regiones
Segmentación por clustering [slides]
Segmentación por clustering de grafos [slides] 
Segmentación usando eigenvectors [slides]
 
Parte II:
Análisis e Interpretación de Imágenes
  
5. Extracción y descripción de características
5.1 Globales
5.2 Locales
Fei-Fei Li. Feature Detectors and Descriptors
CS 223B: Introduction to Computer Vision
Stanford University Winter 2009-2010 [slides]

Svetlana Lazebnik. Bag-of-feature Models. 
COMP 776: Computer Vision. Spring 2009 [slides]

Angel Cruz. Visual Mining in Histology Images Using Bag of Features. Bioingenium Seminar 2010 [slides]
 
6. Análisis y preprocesamiento de datos
6.1 Reducción de la dimensionalidad
6.2 Selección de características
A tutorial on Principal Components Analysis
Face recognition using Eigenfaces (slides)
Matlab PCA Tutorial
 
7. Reconocimiento de patrones y aprendizaje
7.1 Aprendizaje supervisado
7.2 Aprendizaje no supervisado
7.3 Medidas de desempeño
Brief Introduction to MLTrabajo Final
8. Clasificación y anotación de imágenes  
9. Detección y reconocimiento de objetos  
 

Bibliografía

  • [Bradski08] Bradski G, Kaehler A. Learning OpenCV: Computer Vision with the OpenCV Library. O'Reilly Media; 2008.
  • [Gonzalez09] Gonzalez RC, Woods RE, Eddins SL. Digital Image Processing Using MATLAB, 2nd ed. Gatesmark Publishing; 2009. 
  • [Gonzalez07] Gonzalez RC, Woods RE. Digital Image Processing (3rd Edition). Prentice Hall; 2007. 

Otros Recursos