Ρομποτική Όραση

Γενικά

• Κωδικός: Ρ104
• Εξάμηνο: 1o
• Επίπεδο Σπουδών: Μεταπτυχιακό
• Τύπος μαθήματος: Κορμού
• Γλώσσα διδασκαλίας και εξετάσεων: Ελληνικά
• Το μάθημα διατίθεται σε φοιτητές Erasmus
• Μονάδες ECTS: 7.5
• Διδάσκοντες: Νικολαΐδης Αθανάσιος

Περιεχόμενα μαθήματος

1. Εισαγωγή στη ρoμποτική όραση. Δομή του μαθήματος.
2. Ψηφιακή πρόσκτηση εικόνας. Δειγματοληψία και κβαντισμός εικόνας. Χωρική ανάλυση και ανάλυση χρώματος.
3. Το μοντέλο της κάμερας. Παράμετροι της κάμερας. Μετασχηματισμοί εικόνας.
4. Φως και χρώμα. Χρωματικό διάγραμμα. Χρωματικοί χώροι: RGB, HSI.
5. Βελτιστοποίηση εικόνας. Φίλτρα μέσης τιμής, μεσαίου, Gauss. Ιστόγραμμα.
6. Χαρακτηριστικά εικόνας (image features). Ακμές και γωνίες.
7. Ανιχνευτές ακμών. Ανίχνευση γραμμών. Μετασχηματισμός Hough. Ανίχνευση γωνιών και ακμών κατά Harris και Stephens.
8. Αναλλοίωτα χαρακτηριστικά. Πολυκλιμάκωση της εικόνας. DoG (Difference of Gaussians), Εξαγωγή χαρακτηριστικών.
9. Περιγραφείς χαρακτηριστικών. Αντιστοίχιση χαρακτηριστικών σημείων (Feature matching). Αναγνώριση αντικειμένων.
10. Στερεοσκοπική όραση. Επιπολική γεωμετρία.
11. Οπτική ροή. Ιχνηλάτηση χαρακτηριστικών (tracking) και ανίχνευση κίνησης.
12. Ανίχνευση προσώπου. Αναγνώριση προσώπου, αναγνώριση αντικειμένων, αναγνώριση κλάσης, αναγνώριση εννοιών.

Μαθησιακοί Στόχοι

Παρουσιάζονται οι βασικές αρχές της πρόσληψης και αποθήκευσης ψηφιακής εικόνας, των χρωματικών χώρων, γεωμετρικών μετασχηματισμών εικόνας, γραμμικών και μη γραμμικών φίλτρων, ακμών, γωνιών και χαρακτηριστικών εικόνας, μοντέλου κάμερας και στερεοσκοπίας, ανίχνευσης και αναγνώρισης αντικειμένων. Στο εργαστηριακό μέρος, οι φοιτητές αποκτούν πρακτική δεξιότητα στη χρήση του λογισμικού MATLAB για την εφαρμογή αλγορίθμων ψηφιακής επεξεργασίας εικόνας και υπολογιστικής όρασης της θεωρίας.

Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής / τρια θα είναι σε θέση να:

• Κατανοεί τον τρόπο πρόσκτησης μιας ψηφιακής εικόνας.

• Επεξεργάζεται μια ψηφιακή εικόνα με διάφορους τρόπους, όπως μετατροπή χρωματικού χώρου, γεωμετρικοί μετασχηματισμοί, αποθορυβοποίηση, βελτίωση αντίθεσης.

• Εφαρμόζει αλγορίθμους ανίχνευσης ακμών και γωνιών.

• Εφαρμόζει αλγορίθμους ανίχνευσης, εξαγωγής και αντιστοίχισης χαρακτηριστικών εικόνας.

• Χρησιμοποιεί περιγραφείς χαρακτηριστικών για την αντιστοίχιση σημείων και εύρεση χάρτη βάθους.

• Υπολογίζει τον χάρτη παράλλαξης και διορθώνει μη βαθμονομημένες στερεοσκοπικές εικόνες.

Γενικές Ικανότητες

• Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών

• Αυτόνομη και Ομαδική εργασία

• Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης

Μέθοδοι Διδασκαλίας

Θεωρητική διδασκαλία – ανάπτυξη της ύλης στον πίνακα.

Εργαστηριακή εξάσκηση με χρήση λογισμικού MATLAB.

Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών

Υποστήριξη της μαθησιακής διαδικασίας με χρήση πλατφόρμας ασύγχρονης και σύγχρονης τηλεκπαίδευσης.

Οργάνωση Διδασκαλίας

Αξιολόγηση Φοιτητών

Ο τελικός βαθμός του μαθήματος διαμορφώνεται κατά 75% από τους βαθμούς τριών εργασιών και κατά 25% από τον βαθμό της γραπτής εξέτασης.

Συνιστώμενη Βιβλιογραφία

1. “Computer Vision: A Modern Approach”, Second edition, D. Forsyth and J. Ponce, Prentice, Hall, 2011
2. “Computer Vision: Models, Learning and Inference”, S. Prince, Cambridge University Press, 2012
3. “Digital Image Processing”, R. Gonzales, R. Woods, Pearson, Third Edition.
4. “Computer Vision: Algorithms and Applications”, R. Szeliski, Springer (szeliski.org/Book/drafts/SzeliskiBook_20100903_draft.pdf)
5. “Ψηφιακή Επεξεργασία και Ανάλυση εικόνας”, Ν. Παπαμάρκος, 3η Έκδοση (αυτοέκδοση)
6. “Introductory techniques for 3-D Computer Vision”, E. Trucco and A. Verri, Prentice Hall.
7. “Machine Vision, Theory, Algorithms, Practicalities”, E. R. Davies, 3rd Edition, Morgan Kaufman.