Ρ104 – Ρομποτική Όραση

/by

Εβδομαδιαίες ώρες διδασκαλίας: 3

Τυπικό εξάμηνο διδασκαλίας: 1ο Εξάμηνο

Διδασκαλίας:

Ενδεικτικά προαπαιτούμενα:

Διδακτικές Μονάδες: 7.5

Σκοπός και στόχοι του μαθήματος:

Το μάθημα εισάγει τους φοιτητές στις βασικές αρχές της μηχανικής όρασης, στους βασικούς αλγόριθμους για εξαγωγή και αντιστοίχιση σημειακών χαρακτηριστικών και στις βασικές αρχές της τρισδιάστατης αναπαράστασης και εξαγωγής του βάθους αντικειμένων. Εμβαθύνει σε αρχές ανάλυσης εικόνας, που χρησιμοποιούνται στην αυτόνομη πλοήγηση και αναγνώριση αντικειμένων.

Τύπος Μαθήματος: Υποχρεωτικό

Κατεύθυνση:

  • Εισαγωγή. Τα στοιχεία της ψηφιακής κάμερας. Ψηφιακή πρόσκτηση της εικόνας.

  • Βασικά χαρακτηριστικά και μετασχηματισμοί της εικόνας

  • Έγχρωμη κάμερα. Τα βασικά του χρώματος. Χρωματικοί χώροι.

  • Βελτιστοποίηση εικόνας. Φίλτρα εικόνας και εξισορρόπηση ιστογράμματος.

  • Χαρακτηριστικά εικόνας (image features). Ακμές, γωνίες, γραμμές. Ανιχνευτές ακμών και γωνιών. Ανίχνευση γραμμών.

  • Αναλλοίωτα χαρακτηριστικά. Εξαγωγή χαρακτηριστικών SIFT.

  • Περιγραφέας χαρακτηριστικών SIFT. Αντιστοίχιση χαρακτηριστικών σημείων (Feature matching).

  • Στερεοσκοπική όραση. Τοπικές μέθοδοι αντιστοίχισης. Καθολικές μέθοδοι αντιστοίχισης.

  • Egomotion, πλοήγηση αυτόνομων οχημάτων.

  • Αναγνώριση προτύπων και αντικειμένων. Απόσταση στο χώρο των χαρακτηριστικών. Αναγνώριση αντικειμένων με χαρακτηριστικά SIFT.

Βιβλιογραφία:

1. “Digital Image Processing”, R. Gonzales, R. Woods, Pearson, Third Edition.
2. “Computer Vision: Algorithms and Applications”, R. Szeliski, Springer
3. “Ψηφιακή Επεξεργασία και Ανάλυση εικόνας”, Ν. Παπαμάρκος, 3η Έκδοση (αυτοέκδοση)
4. “Introductory techniques for 3-D Computer Vision”, E. Trucco and A. Verri, Prentice Hall.
5. “Machine Vision, Theory, Algorithms, Practicalities”, E. R. Davies, 3rd Edition, Morgan Kaufman.
6. “Feature Extraction and Image Processing”, Mark Nixon and Alberto Aguado, 2nd Edition, Elsevier.