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) 6. Procesamiento de Imágenes (Análisis de objetos en imágenes binarias)     Leer artículo: Bradley, D., & Roth, G. (2007). Adaptive thresholding using the integral image. Journal of graphics tools, 12(2), 13-21.	Tarea_1_Otsu_CompImagenes Fecha entrega: 30/Ene fondo.bmp greenscreen.bmp greenscreenMask.bmp Tarea_2_Bordes Fecha entrega: 06/Feb Tarea_3_UmbralAdaptativo Fecha entrega: 13/Feb
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. Puntos de interés y descriptores 11. Detección de movimiento 12. Estimación de movimiento 13. Substracción de fondo para cámaras en movimiento	Tarea_4_Exposiciones Fecha entrega: 27/Feb Tarea_5 Estimación de movimiento Fecha entrega: 28/Mar
14. Detección de objetos 15. Detección de objetos usando métodos tradicionales 16. Seguimiento de objetos	Tarea_6_Deteccion y seguimiento de rostros Fecha de entrega: 02/May
17. Redes neuronales multicapa       Aproximando funciones usando redes neuronales 18. Redes neuronales convolucionales       Problema MNIST usando una CNN 19. Detección de objetos usando deep learning       Ejemplo usando YOLO (Predicción) con OpenCV 20. YOLO-Darknet 21. Seguimiento de objetos usando deep learning	Tarea_7_Conteo_rostros Fecha de entrega: 20/May

Calificaciones:

Num. Ctrl.

T1

Comentarios

T2

Comentarios

T3

Comentarios

T4

Comentarios

T5

Comentarios

T6

Comentarios

T7

Comentarios

Promedio_T (40%)

Examen_I (30%)

Proyecto (30%)

Calif. Final [0, 100%]

11000836

10

10

10

10

10

T5_1

10

A21214976

10

0

T6_1

0

T6_1

0

T6_1

0

T6_1

0

T6_1

a24216468

10

10

10

10

0

T6_1

0

T6_1

 

Comentarios:

• T1_1: El reporte no consiste en meter todo el código, en el reporte solo describes lo que hiciste en la respectiva tarea, investigando sobre el tema en caso de que no estén claros los conceptos, tratar de decribirlos con tus propias palabras y si quieres puedes poner parte del código para explicar algo. Algo que se espera también es que puedas poner los resultados a los que llegaste y hacer una descripción de estos.
• T1_2: El cálculo de la w_2 no es correcta. Nota que i va a tomar valores desde 0 hasta (255-b)-1. Pero para estimar w_2 necesitamos que i vaya desde (t+1) hasta 255.
  
• T1_3: El cálculo del mu_1 y mu_2 no son correctos. Hay un problema con la jerarquia de operadores. Tienes total = (total)/sum(histograma)*W1 pero W1 debe estar en el denominador, mejor poner: total = (total)/(sum(histograma)*W1). También al estimar w_2 hay un problema con el manejo del indice i.
• T1_4: La implementación del ejercicio 2 es incorrecta. El resultado no es el esperado.
• T1_5: Hay que agregar en el reporte las imágenes que obtuviste en los resultados, también hay que explicar los resultados.
• T1_6: Tus gráficas de los incisos b) y c) están mal programados. Observa que en la formulación que vimos en clase en la opción b) tenemos que minimizar para encontrar el umbral óptimo, mientras en que el inciso c) tenemos que maximizar.
• T1_7: Faltó mencionar en el reporte como se relaciona la implementación que realizaste con las ecuaciones vistas en clase para estimar los promedios y las varianzas correspondientes.
• T1_8: No se entiende el resultado del ejercicio 2. Tampoco hay algo que describa dicho resultado en el reporte. La idea era usar las imágenes proporcionadas en la página del curso o utilizar algunas similares en el sentido de poder observar la combinación de dichas imágenes.
• T1_9: La gráfica que obtienes en el inciso c) del ejercicio 1 es incorrecta, nota que el valor óptimo del umbral es muy diferente al obtenido en la gráfica del inciso b).

• T2_1: El código debe entregarse en formato .c, .cpp, .m, .py o .ipynb. No debe meterse todo el código en el reporte (solo lo más importante). Al final se pueden comprimir los archivos en formato .zip y enviarlos por correo.
• T2_2: La implementación del calculo de los bordes por medio de la magnitud del gradiente es incorrecta. Revisa los tipos de datos con los que estas calculando las derivadas y la magnitud del gradiente, al parecer los estás calculando en tipos de datos uchar o uint8.
• T2_3: La implementación de la magnitud del gradiente no es correcta, pues los resultados muestran que los bordes no se conectan, esto normalmente es por causa de estar usando un tipo de dato uint8 o uchar en lugar de usar int, float o double para obtener los resultados correctos de las derivadas y la magnitud del gradiente. Prueba agregando a tu código lo siguiente: imagen=np.double(imagen_gray).
• T2_4: La implementación de la estimación de los bordes por medio de operadores de morfología matemática es incorrecta. En los resultados que obtienes no se pueden apreciar los bordes de la imagen de entrada.
• T2_5: El reporte no consiste en mostrar solo el resultado y el código. Hay que describir lo que hiciste y también describir los resultados obtenidos.

• T3_1: Faltó describir los resultados en el reporte.
• T3_2: En tu implementación "sin usar la imagen integral" faltó validar los límites del tamaño de la imagen original, ya que los cuadros en donde se realiza la sumatoria se pueden salir de los límites de la imagen. Nota que no puedes crear cuadros más grandes que 3x3 pixeles.
• T3_3: La conclusión en los resultados no es la correcta. Por cualquiera de los dos caminos (con o sin imagen integral) el resultado debería ser el mismo, lo que cambia es el tiempo de procesamiento.
• T3_4: Tus dos implementaciones no dan el mismo resultado ya que tienes una forma diferente de aplicar el umbral. Si cambias <<if image[y, x] < average * (100 - t) / 100:>> por <<if image[y, x] < average - t:>> y aplicas ambas funciones con k=t, entonces puedes obtener el mismo resultado.   
  

• T4_1: Faltó explicar el código.

• T5_1: Nota que en el algoritmo de baker-Matthews puedes realizar el cálculo de la inversa del hessiano afuera del ciclo principal, es decir, calcularlo una sola vez.
  

• T6_1: No entregó la tarea.
  

Proyectos:

   
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.