Type | Durée |
---|---|
Cours | 4:00 |
TD | 12:00 |
Type | Coefficient |
---|---|
TP | 0.5 |
TP | 0.5 |
Enseignant | Type |
---|---|
Mille Julien | Responsable |
UE | Semestre | Module |
---|---|---|
Mathématiques et Informatique 1 | 5 | Programmation orientée objet C++ |
Sciences de l'ingénieur | 8 | Programmation Orientée Objet avancée |
Analyse | 9 | Traitement d'images |
• Aperçu des tâches principales de la vision par ordinateur : détection, reconnaissance, segmentation, appariement • Détection de points d’intérêts pour l’appariement d’images (détecteur de coins, représentations multi-échelle, points SIFT) • Segmentation d’images par graph cuts : champs de Markov aléatoires, problème du flot maximum, méthode de Ford-Fulkerson, coupe de graphes La programmation se fait en C++ avec la bibliothèque OpenCV
Deux TP évalués : 50%, 50%
Computer vision : models, learning and inference. S.J. Prince, Cambridge University Press, 2012.
Ref. | Verbe | Description | Niveau |
---|---|---|---|
C2_1 | analyser | Maîtriser les principaux opérateurs différentiels sur les images (gradient, hessienne, Laplacien) et comprendre leurs rôles dans la détection des coins | 2 |
C2_1 | analyser | Savoir construire une représentation multi-échelle d’une image et détecter les extrema locaux qui serviront de points d’intérêts | 2 |
C2_1 | analyser | Comprendre le rôle des termes classiques (attache aux données, régularisation) dans un problème d’optimisation pour le traitement d’images, et en particulier pour la segmentation | 2 |
C2_1 | analyser | Maitriser une des transformations possibles d’une image en un graphe, maximiser un flot sur un graphe, et en extraire une segmentation | 2 |