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
14. Detección de objetos 15. Detección de objetos usando métodos tradicionales 16. Seguimiento de objetos usando métodos tradicionales	Tarea_4_Deteccion&Seguimiento Fecha de entrega: 06/Nov
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-Ultralytics

Calificaciones:

No. Ctrl.	Tarea_1	Comentarios	Tarea_2	Comentarios
14110000	9	T1_18	8	T2_2
8	0	T1_5	10
777	10	T1_2	10
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		10
19203827	9.5	T1_1	10
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.