FR
EN
Computer VisionDécision (GSI)
Séquencement
Objectifs pédagogiques
• Connaître les grandes tâches de la vision par ordinateur (détection, reconnaissance, segmentation, appariement) • Etudier en détail deux applications différentes : appariement d’images avec points d’intérêts, et segmentation
Pré-requis
| Module | Unité d'enseignement | Semestre |
|---|---|---|
| Programmation orientée objet C++ | Mathématiques et Informatique 1 | S5 |
| Programmation Orientée Objet avancée | Sciences de l'ingénieur | S8 |
| Traitement d'images | Analyse | S9 |
Programme
• 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
Modalités d'évaluation
Deux TP évalués : 50%, 50%
Références bibliographiques
Computer vision : models, learning and inference. S.J. Prince, Cambridge University Press, 2012.
Compétences
4| Réf. | 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 |