Τεχνητή όραση

Πληροφορίες Μαθήματος

Εξάμηνο Μαθήματος:
7
Μέρος Μαθήματος:
Θεωρία
Κωδικός Μέρους Μαθήματος:
244707
Εβδομαδιαίες Ώρες Διδασκαλίας:
2
Μονάδες ECTS Μαθήματος:
3
Διαθέσιμο σε σπουδαστές ERASMUS:
Όχι
Προσωπικό Μαθήματος:


Μαθησιακοί Στόχοι

Μετά την παρακολούθηση του μαθήματος ο φοιτητής πρέπει:

  • Να έχει αποκτήσει τις βασικές γνώσεις επεξεργασίας εικόνων με σκοπό την εκμετάλλευσή τους στην τεχνητή όραση.
  • Να έχει κατανοήσει τις τεχνικές χειρισμού και τους βασικούς αλγορίθμους της τεχνητής όρασης και να έχει αποκτήσει τις κατάλληλες δεξιότητες υλοποίησης των μεθόδων αυτών.
  • Να έχει κατανοήσει και να μπορεί να αναπτύξει εφαρμογές σε αυτό το πεδίο.
  • Να έχει αποκτήσει εμπειρία στο λογισμικό και υλικό για την τεχνητή όραση.


Γενικές Ικανότητες

  • Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση των απαραίτητων εργαλείων και ειδικά: Ανάλυση, σχεδίαση και ανάπτυξη αλγορίθμων τεχνητής όρασης.
  • Λήψη Αποφάσεων: Συνδυασμός τεχνικών για σύνθετα προβλήματα.
  • Αυτόνομη εργασία: Γνώση των εργαλείων ανάπτυξης.
  • Ομαδική εργασία: Ικανότητα διαλόγου και συνεργασίας για την ανάπτυξη σύνθετων αλγορίθμων.


Περιγραφή Μαθήματος

  1. Introduction to Computer Vision
  2. Basics
  • Basic Image Processing
  • Load, Display & Save an Image
  • Image Pixels Handling
  • Image Drawing
  • Image Transformations
    • Translation
    • Rotation
    • Resize
    • Flipping
    • Cropping
  • Image Arithmetic Operations
  • Image Logic Operations
  • Color Channels
  • Color Spaces
  • Histograms
  • Histogram Equalization
  • Histogram of a Mask
  • Image Smoothing & Blurring
  • Image Thresholding
  • Image Edge Detection
  1. Object tracking based on color detection
  • Masking
  • Contouring
  1. Motion detection
  2. K-means clustering
  3. Object detection using HOG & SVM
  • Histogram of Oriented Gradients
  • Support Vector Machines
  1. Object detection using HAAR
  2. Texture detection using Local Binary Patterns
  3. k-NN classifier
  4. Convolutional Neural Networks-LENET
  5. 11.  Principles on deep learning

Αξιολόγηση Σπουδαστών

  • Γραπτή τελική εξέταση (70%)
  • Εργασίες εξαμήνου (30%)


Βιβλιογραφία

  • «Εισαγωγή στην αναγνώριση προτύπων με Matlab», THEODORIDIS S., PIKRAKIS A., KOUTROUMBAS K., CAVOURAS D (Κωδικός Ευδόξου: 13256624).
  • Διδακτικές σημειώσεις.