Temario

Sesiones	Tareas
1. Presentación 2. Procesamiento de imágenes a nivel pixel 3. Procesamiento de imágenes a nivel pixel (parte 2) 4. Procesamiento de imágenes a nivel vecindario 5. Procesamiento de imágenes a nivel vecindario (Morfología matemática)     Leer artículo: Bradley, D., & Roth, G. (2007). Adaptive thresholding using the integral image. Journal of graphics tools, 12(2), 13-21. 6. Procesamiento de imágenes - análisis de objetos en imágenes binarias	Tarea_1_Bordes_UmbralAdaptativo Fecha de entrega: 04/Sep
7. Detección de cambios en video (Substracción de fondo)      Leer artículo: Xu, Y., Dong, J., Zhang, B., & Xu, D. (2016). Background modeling methods in video analysis: A review and comparative evaluation. CAAI Transactions on Intelligence Technology, 1(1), 43-60.     Analizar códigos del bgslibrary: C/C++, Python 8. Transformaciones geométricas 9. Interpolación 10. Características o puntos de interés 11. Detección de movimiento      Ejemplo usando un simple umbral 12. Estimación de movimiento 13. Substracción de fondo para cámaras en movimiento	Tarea_2_Exposiciones Fecha de entrega: 18/Sep SOBS ViBe PBAS CodeBook SACON Tarea_3_EstimacionMovimiento Fecha de entrega: 14/Oct

Calificaciones:

No. Ctrl.	Tarea_1	Comentarios	Tarea_2	Comentarios
14110000	9	T1_18	8	T2_2
8	0	T1_5	7	T2_1
777	10	T1_2	7	T2_1
20216392	9	T1_7, T1_14	10
0	10		10
13003202	8	T1_3, T1_4, T1_16	10
17016259	9	T1_7, T1_14	8	T2_2
1504	8	T1_15	8	T2_2
17	7	T1_10, T1_11, T1_12, T1_13	10
18003412	10		10
20216395	10	T1_17	8	T2_2
18	10	T1_6	10
22216389	10	T1_7	10
18004289	9	T1_7, T1_14	10
29	10		7	T2_1
19203827	9.5	T1_1	7	T2_1
724	9	T1_14	10
1234	10	T1_6, T1_7	8	T2_2
17000558	10	T1_7	10
22216379	8.5	T1_16, T1_19	10
20216370	9.5	T1_8	10

Comentarios:

• T1_1: Faltó mostrar en el reporte los resultados obtenidos usando diferentes valores del umbral.
• T1_2: Muy buen reporte.
• T1_3: Faltó mostrar los resultados de aplicar el umbral adaptativo.
• T1_4: Hay que enviar el .ipynb original para poder ejecutarlo, no envarlo en formato pdf. Una opción es comprimir el archivo y enviarlo en formato .zip. Otra opción es quitarle al archivo la extensión y decirme en el correo la extensión del archivo que me entán enviando, yo se la puedo poner.
• T1_5: No entregó la tarea.
• T1_6: Ojo: El umbral adaptativo no es un detector de bordes, pues lo que obtienes no es el borde de los objetos en la imagen, más bien una segmentación o separación en dos grupos que pueden ser el objeto y el fondo.
• T1_7: Hay que mejorar el reporte y agregar información básica como el nombre de la materia, tu nombre, título de la tarea, la fecha y las posibles referencias.
• T1_8: Faltó normalizar el resultado de la magnitud del gradiente entre [0,255] antes de convertirlo al tipo de dato CV_8U. Prueba con: cv::normalize(magnitude, magnitude, 255, 0, cv::NORM_MINMAX);
• T1_9: Faltó entregar los códigos. Pendiente de calificar...
• T1_10: En la implementación del segundo ejercicio, faltó validar que las variables x1, x2, y1 y y2 no se pasen de los límites de la imagen para no acceder a memoria no definida.
• T1_11: En la condición principal del segundo ejercicio cuando realizas esta multiplicación (imagen1[i,j]*count) dado que la imagen1 es uchar el tipo de dato no soporta valores más grandes que 255, entonces el programa manda un error. Una solución a este problema sería cambiar desde un principio el tipo de dato de la imagen, por ejemplo:   imagen1=imagen1.astype(np.float32).
• T1_12: Cuando realizas la sumatoria con el uso de la imagen integral te faltó validar que cuando x1 o y1 son cero, se puede acceder a memoria no definida en tu variable intImg.
• T1_13: En el cálculo de la imagen integral los límites de tus ciclos "for" llegan hasta filas-2 y columnas-2, estos deberían llegar hasta filas-1 y columnas-1: for i in range (0, filas):, for j in range (0, columnas):
  
• T1_14: Faltó mostrar resultados en el reporte y describirlos.
• T1_15: Faltó entregar el reporte.
• T1_16: Retardo en la tarea, justificado.
  
• T1_17: En la tabla de tiempos que presentas en el reporte hace falta mencionar si la función blur de opencv está usando o no múltiples núcleos, es decir, paralelismo, si es así, entonces no es una comparación justa.
• T1_18: La implementación que tienes sin usar la imagen integral no corresponde al algoritmo de Derek y Gerard, es como bien mencionas el algoritmo de Wellner. Por lo que no es posible comprobar que obtengas el mismo resultado con o sin imagen integral y además comparar los tiempos de procesamiento.
  
• T1_19: En el primer ejercicio, faltó considerar otro tipo de datos que soporte valores negativos.

• T2_1: Faltó entregar la presentación.
• T2_2: Faltó probar la implementación del método.
  

Bibliografía:

• Bovik, Alan C. The essential guide to video processing. Academic Press, 2009.
  
• Corke, Peter. Robotics, vision and control: fundamental algorithms in MATLAB. Vol. 73. Springer Science & Business Media, 2011.
• Sonka, Milan, Vaclav Hlavac, and Roger Boyle. Image processing, analysis, and machine vision. Cengage Learning, 2014.
• Gong, Shengrong, et al. Advanced image and video processing using MATLAB. Vol. 12. Springer, 2018.
• Jiang, Xiaoyue, et al., eds. Deep Learning in object detection and recognition. Singapore: Springer, 2019.
• Liquet, B., Moka, S., & Nazarathy, Y. (2024). Mathematical engineering of deep learning. CRC Press.