Jakub Klus
Fyzik
Thermo Fisher Scientific
Získej praktické skills v oblasti zpracování obrazu a počítačovém vidění. Nauč se analyzovat obrazová data pomocí OpenCV a Pythonu.
V kurzu Computer vision prohloubíš své dovednosti v pokročilých technikách zpracování obrazu, jako jsou morfologické operace a frekvenční analýza, a aplikuješ je na reálné úlohy.
V kurzu vytvoříš vlastní aplikaci pro detekci a klasifikaci objektů. Získané znalosti využiješ při práci na reálných projektech, na nichž ukážeš, co umíš.
Start kurzu
2. 9. 2024
Kurzem tě provede
—> Praktické cvičení: Vygeneruj obrázek podle předlohy, předlohou je obrázek natočené funkce sinus cardinalis.
—> Výstupy z lekce: Ovládám VSCode pro vědecké účely a umím pracovat s OpenCV, včetně otevírání, zobrazování a úprav pixelů obrázků.
—> Dotazy na předchozí učivo, revize materiálů
—> Reprezentace obrázku v počítači
—> Bitové reprezentace
—> Barvy, barevné prostory
—> Interaktivní část lekce
Praktické cvičení: Vygeneruj obrázek podle předlohy, předlohou je obrázek natočené funkce sinus cardinalis.
Výstupy z lekce: Ovládám VSCode pro vědecké účely a umím pracovat s OpenCV, včetně otevírání, zobrazování a úprav pixelů obrázků.
—> Dotazy na předchozí učivo, revize materiálů
—> Akvizice obrázku
—> Kamery – druhy, způsob vyčítání
—> Interaktivní část
Praktické cvičení: Implementuj gamma korekci a aplikuj ji na úpravu intenzity podexponovaného obrázku.
Výstupy z lekce: Rozlišuji mezi CCD a CMOS, zpracovávám videa a RAW obrázky v OpenCV, používám demosaicing, metody hodnocení kvality jako PSNR a vyvažuji histogramy pro lepší vizuální kvalitu.
—> Dotazy na předchozí učivo, revize materiálů
—> Otevření souboru s videozáznamem, práce s klíčovými obrázky
—> Úprava obrazové informace v RAW formátu
—> Desaturace obrazu
—> Komprese obrazu
—> Geometrické transformace
—> Maticová reprezentace
—> Polární souřadnice
—> Interaktivní část
Praktické cvičení: Použij rohové body QR kódu na fotce k vyrovnání obrazu tak, aby QR kód byl vzpřímený, tj. jednotlivé čtverečky rovnoběžné se souřadným systémem.
Výstupy z lekce: Ovládám otáčení, změnu velikosti a kombinaci transformací obrázků v OpenCV, včetně řešení problémů a důvodů pro její využití.
—> Základní morfologické operace
—> Složené morfologické operace
—> Flood fill
—> Interaktivní část
Praktické cvičení: Hledej rohy pomocí hit and miss. Cvičení najdeš na codingame.com.
Výstupy z lekce: Dokážu zpracovat šedotónové obrázky na binární mapy a upravuji struktury v těchto mapách. Efektivně vyplňuji mezery a odstraňuji artefakty v obrázcích.
—> Fourierova transformace
—> Vlnková transformace
—> Interaktivní lekce
Praktické cvičení: Odeber vysoké frekvence a pásovou propust implementuj pomocí FFT a iFFT.
Výstupy z lekce: Umím převádět obrázky do frekvenční oblasti a transformovat je pro zdůraznění struktury čar, rozumím vztahům v reciprokém prostoru.
—> Radonova transformace
—> Inverzní Radonova transformace
—> Houghova transformace
—> Interaktivní lekce
Praktické cvičení: Najdi hrany ohraničující pokladní účtenky na fotce z mobilu.
Výstupy z lekce: Umím extrahovat strukturní faktory z obrázku a rekonstruovat obrázek z průmětového sinogramu. Rozumím základním principům výpočetní tomografie (CT).
—> Konvoluce
—> Využití Dekonvoluce
—> Detektory
—> Interaktivní část
Praktické cvičení: Vyzkoušej Robertsův detektor hran.
Výstupy z lekce: Vyhlazuji a zvýrazňuji hrany v obrázcích pomocí konvolučních filtrů, přiřazuji hodnoty pixelům na hranách a rozumím významu konvoluce pro zpracování obrazu.
—> Geometrické operace, maticový počet a kombinování operací
—> Vzorová implementace transformace rotací
—> Použití morfologických operací pro vyčištění obrázku
—> Morfologické operace pro zvýraznění struktury
—> Implementace flood fill algoritmu
—> Fourierova transformace hledání významných frekvencí
—> Fourierova transformace – manipulace s frekvencemi v reciprokém prostoru versus konvoluce
—> Implementace Houghovy transformace pro detekci čar a její optimalizace pro užší rozsah řešení
—> Hledání klíčových bodů
—> Hledání homografie
—> Interaktivní část
Praktické cvičení: Najdi klíčové body na dvou obrázcích, přiřaď klíčové body mezi obrázky a proveď zarovnání jednoho obrázku na druhý.
Výstupy z lekce: Extrahuji klíčové body z obrázků a přiřazuji je mezi snímky. Zvládám najít projekční transformaci pro převod souřadnic a vizualizuji celý proces s identifikací nedostatků.
—> Prahování
—> Semiautomatická segmentace
—> Superpixely
—> Interaktivní část
Praktické cvičení: Implementuj algoritmus, který přiřadí informaci o typu povrchu (voda, les, ostatní) v barevné mapě.
Výstupy z lekce: Umím rozdělit obraz na spojité, soběpodobné části, rychle oddělit části na základě barevné rozdílnosti a efektivně oddělit pozadí od popředí.
—> Jak kombinovat dva obrázky?
—> Kombinování obrázku součtem intenzit
—> Použití strukturní informace v obrázku k získání bezešvé kombinace
—> Interaktivní část
Praktické cvičení: Implementuj feathering blending a slovně porovnej výsledek proti transformaci s použitím poisson image editing metodou cv2.seamlessClone.
Výstupy z lekce: Umím implementovat prolínání dvou obrázků a přenést objekty z jednoho obrázku na pozadí druhého. Dále umím prohazovat, přidávat a měnit objekty v obraze tak, aby byly správně propojeny s pozadím.
—> Složení několika obrázků do jednoho (15 min)
—> Image carving
—> Detekce pomocí korelace
—> Interaktivní část
Praktické cvičení: Převeď fotografii na čtvercový rozměr při zachování důležitých částí obrázku.
Výstupy z lekce: Umím kombinovat obrázky s rozdílnou intenzitou či expoziční dobou, detekovat vzorové tvary na neznámých obrázcích a přizpůsobovat jejich rozměry, aniž bych ztratil důležité informace.
—> Hledání klíčových bodů – různé deskriptory a extraktory a jejich vlastnosti
—> Hledání klíčových bodů – filtrování bodů, hledání korespondencí
—> Registrace obrazu – implementace RANSAC
—> Segmentace obrazu pomocí SLICO
—> Panoramatická fotka
—> Detekce automobilu na fotce
—> Dynamické změny rozměrů obrázku
Praktické cvičení: Ve svém závěrečném projektu vytvoříš algoritmus pro našeptávání druhů ovoce na pokladní váze, přiřazující tři nejpravděpodobnější typy k obrázkům. Body se udělují za správné přiřazení: 5 bodů za první místo, 3 body za druhé a 1 bod za třetí. Hodnotí se 5 druhů ovoce s čtyřmi vzorky každého, s maximálním ziskem 100 bodů.
—> Optical flow
—> Určování hloubky pomocí dvou i více kamer
—> 3D rekonstrukce z bodových mračen
—> Závěrečný projekt – zadání
Výstupy z lekce: Umím zpracovávat prostorovou informaci získanou ze dvou či více kamer. Dokážu převést bodová mračna na 3D objekty a vyvodit fundamentální matici kamerového systému pomocí registrace obrazových částí.
—> Zpracovávání dokumentů
—> Rozpoznávání obličejů
—> Samořiditelná auta
—> Závěr – hodnocení projektů, řešení úloh, obecné dotazy
Výstupy z lekce: Umím aplikovat získané poznatky na analýzu formulářů, rozeznávat ovoce na fotografiích a implementovat funkci našeptávání druhu ovoce. Dále umím efektivně detekovat obličeje na fotografiích.
Vyplň registrační formulář a připoj se k nám!
Náš robot_dreams tým se s tebou spojí co nejdříve,
abys získal*a všechny potřebné detaily o obsahu kurzu a jeho ceně.