Online kurz Computer Vision | Nauč se zpracování obrazu | robot_dreams Czech
  • < živý online kurz >
  • < 17 lekcí >
  • < 9 týdnů >

Jakub Klus

Fyzik
Thermo Fisher Scientific

Computer vision

Získej praktické znalosti počítačového
vidění na reálném projektu

Rezervuj si místo

O kurzu Computer Vision:

Začni online kurz Computer vision a 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.

  • Personalizovaný feedback
    od špičkových lektorů
  • Real use cases
    Praktická cvičení
  • Certifikát
    Doživotní záznamy
  • Discord komunita

Kurz je vhodný pro:

Začínající profesionály v oblasti IT
  • Naučíš se pracovat s nástroji a knihovnami, jako je OpenCV.
  • Zvládneš načítat a analyzovat obrázky s jejich metadaty.
  • Umíš provádět geometrické transformace i detekci vzorů.
Vývojáře a programátory
  • Naučíš se kombinovat metody pro registraci, segmentaci a prolínání obrazů.
  • Osvojíš si pokročilé techniky, jako je integrální transformace či stereovize.
  • Zvládneš použít počítačové vidění pro 3D rekonstrukci.
Nadšence a samouky
  • Naučíš se efektivně manipulovat s obrazovými daty v OpenCV a Pythonu.
  • Osvojíš si metody pro úpravu a analýzu obrázků.
  • Naučíš se pokročilé techniky počítačového vidění pro řešení složitých úkolů.

PŘIPRAVUJEME

Chci se přihlásit

Kurzem tě provede

Jakub Klus

  • Aktuálně působí jako fyzik ve společnosti Thermo Fisher Scientific, kde se věnuje vývoji nových metod a hardwaru pro energiově disperzní rentgenovou spektroskopii – obor, kterému se věnuje již 10 let.
  • Dříve vedl softwarový tým ve firmě AtomTrace, zaměřený na zpracování dat z experimentů spektroskopie laserem buzeného mikroplazmatu (LIBS).
  • Pracoval také jako image processing engineer ve společnosti Innovatrics, kde řešil evaluační výzvu SlapSeg, pořádanou NIST, a později se stal team leaderem oddělení vizuální inspekce.
  • Je autorem nebo spoluautorem více než deseti vědeckých publikací v oblasti LIBS a machine learningu, a patří mezi 1 % nejlepších programátorů na platformě codingame.

Program

    • Lekce 1

    Úvod do počítačového vidění

    —> 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.

    • Lekce 2

    Číslicová (digitální) reprezentace obrazových dat

    —> 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.

    • Lekce 3

    Snímání obrazu, digitální kamery a fotoaparáty

    —> 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.

 
    • Lekce 4

    Workshop

    —> Dotazy na předchozí učivo, revize materiálů
    —> Otevření souboru s videozáznamem, práce s klíčovými obrázky
    —> Úprava obrazové informace v RAW formátu
    —> Desaturace obrazu
    —> Komprese obrazu

    • Lekce 5

    Geometrické transformace obrazových dat

    —> 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.

Zobrazit celý program Skrýt program
    • Lekce 6

    Morfologické operace

    —> 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.

    • Lekce 7

    Spektrální transformace

    —> 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.

    • Lekce 8

    Integrální transformace

    —> 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).

    • Lekce 9

    Hledání vzorů

    —> 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.

    • Lekce 10

    Workshop

    —> 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

    • Lekce 11

    Registrace obrazu

    —> 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.

    • Lekce 12

    Segmentace obrázku

    —> 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.

    • Lekce 13

    Prolnutí obrázků

    —> 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.

    • Lekce 14

    Nelineární algoritmy

    —> 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.

    • Lekce 15

    Workshop

    —> 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.

    • Lekce 16

    Stereovize

    —> 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.

    • Lekce 17

    Pokročilé aplikace

    —> 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.

Získej více informací o kurzu Computer vision

Vyplň registrační formulář a připoj se k nám!
Náš r_d tým se s tebou spojí co nejdříve, abys získal*a všechny potřebné detaily
o obsahu kurzu Computer vision a jeho ceně.

Povinné pole
ZÍSKAT VÍCE INFORMACÍ