وب سایت شخصی جواد راستی
وب سایت شخصی جواد راستی

بینایی ماشین

هدف

  • آشنایی با ویژگی‌های مختلف تصاویر دیجیتال و تکنیک‌های استخراج آن‌ها
  • آشنایی با روش‌های ایجاد توانایی ادراک تصاویر برای کامپیوتر

پیش نیاز: پردازش تصاویر دیجیتال، آشنایی با برنامه‌نویسی MATLAB

سرفصل درس

  • مقدمه‌ای بر بینایی ماشین: جایگاه و ارتباط با سطوح مختلف پردازش تصویر، تاریخچه، تعاریف، کاربردها، اهداف، حوزه‌ها
  • پیش‌پردازش تصاویر: الگوریتم‌های بهبود کیفیت، لبه‌یابی، آستانه‌گذاری، عملیات‌های مورفولوژی
  • تبدیل‌های پیشرفته‌ی تصاویر: Hartley، DCT، DST، Walsh-Hadamard، Slant، Haar، Wavelet، Hough
  • پردازش تصویرهای رنگی: مبانی و مدل‌های رنگ، پردازش تصویرهای شبه‌رنگی و تمام‌رنگی، تبدیل‌های فضای رنگ، فیلترهای رنگی
  • پردازش بافت: تعاریف، نمایش و ارائه، روش‌های آماری، ماتریس‌های هم‌رخداد، بانک فیلترها، الگوهای محلی دودویی، روش‌های حوزه‌ی فرکانس، فیلترهای حلقه/گوه، روش گابور
  • روش‌های استخراج ویژگی‌ها: توصیف و تطبیق ویژگی‌ها، روش‌های پردازش مرزها، استخراج گوشه‌ها، عملگر هریس، روش‌های هرمی، اپراتور هریس-لاپلاس، SIFT
  • تحلیل حرکت: شار نوری، تحلیل و دنبال کردن نقاط، تشخیص کنش، پیش‌بینی کنش/واکنش
  • بخش‌بندی: عناصر اساسی تصویر، روش‌های مبتنی بر مرز، روش‌های مبتنی بر ناحیه، آستانه‌گذاری، رشد/ادغام ناحیه، روش‌های مبتنی بر خوشه‌بندی، برش گراف، روش آبریزان، عنصر حرکت، کانتورهای فعال
  • تشخیص شیء: از ویژگی‌ها تا فهم تصویر، تطبیق الگوها، کلاس‌بندی آماری، شبکه‌های عصبی، یادگیری عمیق، شبکه‌های عصبی کانولوشنی، توصیف گرامری

منابع اصلی

1-       R.C. Gonzalez, R.E. Woods, Digital Image Processing, Pearson, 4th Edition, 2017.

2-       Rick Szeliski, Computer Vision: Algorithms and Applications, Springer, 2010.

3-       Davis A. Forsyth, and Jean Ponce, Computer Vision: A Modern Approach, Pearson, 2nd Edition, 2011.

4-       E.R. Davis, Computer and Machine Vision: Theory, Algorithms, Practicalities, Academic Press, 4th Edition, 2012.

منابع فرعی

1-       M. Nixon, and A. S. Aguado, “Feature Extraction and Image Processing”, Elsevier, 2nd Edition, 2008.

2-       M Petrou, “Image Processing: The Fundamentals”, Willey Pub., 2nd Edition, 2010.

ارزيابي

  • 5 نمره ميان ترم - 8 نمره پايان‌ترم - 5 نمره پروژه عملي و تكاليف كلاسي (کدنویسی باMATLABیاOpenCV) - 2 نمره سمینار (ارائه و پیاده‌سازی)
  • تهیه‌ی مقاله از یک موضوع هماهنگ‌شده مرتبط با بینایی ماشین از 1 تا 3 نمره تشویقی خواهد داشت.
  •  حضور فعال و به موقع در تمام جلسات کلاس باعث درک بهتر درس خواهد شد.
  • · آدرس اينترنتي صفحه اختصاصي اين درس www.jrasti.ir/isf  و کانال تلگرام و بله @rasti_ui مي‌باشد.