Los trabajos prácticos se orientan a familiarizar a el/la alumno/a con las funcionalidades más comunes de sistemas de operación sobre imágenes digitales, con proyección a los sistemas de visión por computador. El/la alumno/a conocerá las propiedades de los operadores elementales y su combinación. El/la alumno/a se familiariza con la estructura general de los sistemas de visión por computador pudiendo determinar configuraciones específicas para problemas concretos. El/la alumno/a adquiere una visión general de los campos de aplicación que le permitirá determinar la viabilidad o utilidad de un proyecto de visión por computador. El alumno entrará en contacto directo con un grupo de investigación consolidado para orientar su trabajo y líneas de desarrollo personal en el ámbito de la investigación.



COMPETENCIAS ESPECÍFICAS:

1. Analizar los requerimientos software de un sistema basado en visión por computador

2. Establecer la interoperabilidad de sistemas de visión con otros sistemas software

3. Análisis crítico de soluciones basadas en visión en computador para su evaluación.

4. Definir el estado del arte para la solución de problemas utilizando visión por computador.



COMPETENCIAS GENERALES

Además de las competencias de la asignatura, se trabajarán las competencias generales C4, C8 y C9, C10 así como las competencias RI6 y RI15 de la rama común informática, tal y como aparecen en el documento http://www.ehu.es/documents/340468/516505/Lista+de+competencias.pdf

1- Introducción y motivación

2- Formulaciones básicas de la imagen digital.

3- Geometría de la captura de la imagen.

4- Nociones radiométricas de captura de la imagen.

5- Espacios de color.

6- Transformaciones de la imagen y filtrado.

7- Binarización y procesos sobre las imágenes binarias.

8- Preproceso de la imagen y eliminación de ruido.

9- Segmentación de imagen. Extracción de bordes y regiones.

10- Métodos morfológicos de proceso de la imagen.

11- Segmentación de video. Extracción de background. Flujo óptico

12- Técnicas de aprendizaje automático para reconocimiento visual.

13- Técnicas de aprendizaje profundo (deep learning)

El trabajo se desarrolla en el laboratorio, por lo que se requiere constante interacción con las herramientas computacionales tanto en las clases magistrales como en las prácticas, dado que parte de la docencia magistral incluye la demostración in situ y on line de imágenes, procesos y resultados. La docencia se organiza en torno a aplicaciones especifica como demostradores de técnicas y resultados en relación directa con las líneas de trabajo del grupo de investigación.



La dedicación del alumno supone un total de 60 horas presenciales y 60 horas de trabajo personal. Las clases se organizan en breves presentaciones magistrales de los fundamentos y propuesta de trabajos (desafios) a resolver por el/la alumno/a sobre datos (imágenes o videos) proporcionados por el profesor.

Los sistemas de evaluación que se contemplan son el sistema de evaluación continua y el sistema de

evaluación final. El sistema de evaluación continua es el que se utilizará de forma preferente, según se indica en la normativa actual de la UPV/EHU.



El alumnado que, cumpliendo las condiciones para continuar en el sistema de evaluación continua,

decidiese optar por la evaluación global, deberá informar al profesorado responsable de la asignatura en los plazos y forma indicados a continuación: mediante escrito, en un plazo de 10 semanas antes del examen final.



A continuación se presenta, en forma resumida, el peso de los diferentes aspectos a considerar en las dos formas alternativas de evaluación.



Evaluación de Conjunto

Exámenes escritos en las fechas señaladas para las convocatorias ordinaria y extraordinaria con entrega previa de un trabajo práctico obligatorio: 100%



Evaluación continua

Pruebas orales asociadas al seguimiento continuo: 30%

Evaluación de trabajos y prácticas: 40%

Evaluación de la participación en actividades presenciales: 30%

CONOCIMIENTOS Y DESTREZAS QUE SE REQUIEREN
Se realizan los trabajos practicos en Matlab, conocimientos previos no son un requisito pero si contribuyen al mejor rendimiento de el/la alumno/a.

Bibliografía básica

1.- B. Horn, Robot Vision,MIT Press

2.- Haralick, Shapiro, Computer and robot vision, Addison Wesley

3.- R.C. Gonzalez, R.E. Woods, Digital image processing, Pearson

4.- Pratt, Digital Image Processing, John Wiley & Sons

Bibliografía de profundización

1.- R Hartley y A Zisserman Multiple View Geometry in Computer Vision, Cambridge University Press
Revistas
2.- Computer Vision: Algorithms and Applications, Richard Szeliski,

Revistas

IEEE Pattern recognition and machine intelligence
IEEE image processing
Acceso a Elsevier, Springer e IEEE.