Elaborazione delle immagini
A.A. 2020/2021
Learning objectives
L'insegnamento tratta di problemi e metodi di analisi di immagini singole o video. L'obiettivo è di fornire strumenti concettuali e semplici algoritmi di base che consentano di conoscere i principi della formazione del segnale visivo, la sua codifica, di migliorare la qualità del segnale visivo (immagini o video) e di identificare gli elementi di interesse della scena ritratta.
Expected learning outcomes
Comprensione dei principi alla base della formazione e della codifica delle immagini.
Comprensione e capacità di applicazione di tecniche di base per il miglioramento delle immagini. Comprensione e capacità di applicazione di metodologie per l'analisi delle immagini allo scopo di estrarne descrittori di alto livello e un'interpretazione semantica
Comprensione e capacità di applicazione di tecniche di base per il miglioramento delle immagini. Comprensione e capacità di applicazione di metodologie per l'analisi delle immagini allo scopo di estrarne descrittori di alto livello e un'interpretazione semantica
Periodo: Primo semestre
Modalità di valutazione: Esame
Giudizio di valutazione: voto verbalizzato in trentesimi
Corso singolo
Questo insegnamento non può essere seguito come corso singolo. Puoi trovare gli insegnamenti disponibili consultando il catalogo corsi singoli.
Course syllabus and organization
Edizione unica
Responsabile
Periodo
Primo semestre
Il corso in fase emergenziale verrà erogato a distanza, possibilmente in modalità sincrona usando la piattaforma Zoom. Le lezioni verranno comunque registrate, salvate su Ariel, e resteranno accessibili per l'intero semestre.
Materiali di riferimento:
Il programma e il materiale di riferimento non subiranno variazioni.
Modalità di verifica dell'apprendimento e criteri di valutazione:
La modalità d'esame e i criteri di valutazioni non cambiano rispetto a quanto stabilito nel syllabus (situazione non emergenziale).
Lo svolgimento degli scritti sarà in presenza oppure a distanza (nei casi previsti dall'Ateneo) sulla piattaforma exam.net (modalità illustrate sul portale di Ateneo).
Materiali di riferimento:
Il programma e il materiale di riferimento non subiranno variazioni.
Modalità di verifica dell'apprendimento e criteri di valutazione:
La modalità d'esame e i criteri di valutazioni non cambiano rispetto a quanto stabilito nel syllabus (situazione non emergenziale).
Lo svolgimento degli scritti sarà in presenza oppure a distanza (nei casi previsti dall'Ateneo) sulla piattaforma exam.net (modalità illustrate sul portale di Ateneo).
Programma
- introduzione all'elaborazione delle immagini, nozione di immagine e sua acquisizione
- la luce, il colore e lo spettro elettromagnetico
- formati immagini e compressione JPEG
- miglioramento della qualità delle immagini mediante trasformazioni puntuali
- filtraggio nel dominio spaziale
- clusteting and image binarization
- key point detection e local descriptor
- flusso ottico
- introduzione alla classificazione con reti convolutive
- esempi e simulazioni in Python
- la luce, il colore e lo spettro elettromagnetico
- formati immagini e compressione JPEG
- miglioramento della qualità delle immagini mediante trasformazioni puntuali
- filtraggio nel dominio spaziale
- clusteting and image binarization
- key point detection e local descriptor
- flusso ottico
- introduzione alla classificazione con reti convolutive
- esempi e simulazioni in Python
Prerequisiti
Conoscenze di statistica e algebra lineare
Metodi didattici
Il corso è strutturato in lezioni frontali ed esercitazioni basate su Python.
Materiale di riferimento
La più parte del corso fa riferimento al testo:
Rafael C. Gonzalez & Richard E. Woods, "Digital Image Processing", Pearson
Altro materiale verrà segnalato di volta in volta durante il corso
Rafael C. Gonzalez & Richard E. Woods, "Digital Image Processing", Pearson
Altro materiale verrà segnalato di volta in volta durante il corso
Modalità di verifica dell’apprendimento e criteri di valutazione
L'esame consiste di due parti:
1. una prova scritta con domande aperte su tutti gli argomenti affrontati a lezione (pesa per il 75% del voto finale)
2. una prova pratica di programmazione Python (pesa per il 25% del voto finale)
E' prevista una prova al termine delle lezioni (circa a fine Novembre) con modalità analoghe alle prove d'appello (scritto più prova pratica).
1. una prova scritta con domande aperte su tutti gli argomenti affrontati a lezione (pesa per il 75% del voto finale)
2. una prova pratica di programmazione Python (pesa per il 25% del voto finale)
E' prevista una prova al termine delle lezioni (circa a fine Novembre) con modalità analoghe alle prove d'appello (scritto più prova pratica).
Professor(s)