CompVis14 — различия между версиями
Строка 34: | Строка 34: | ||
На видео (Ettlinger Tor, http://i21www.ira.uka.de/image_sequences/) сдетектировать точки детектором Харриса и отследить пирамидальным методом Лукаса-Канаде, используя OpenCV реализации этих методов. Сдетектировать точки детектором FaST и также отследить Лукасом-Канаде. | На видео (Ettlinger Tor, http://i21www.ira.uka.de/image_sequences/) сдетектировать точки детектором Харриса и отследить пирамидальным методом Лукаса-Канаде, используя OpenCV реализации этих методов. Сдетектировать точки детектором FaST и также отследить Лукасом-Канаде. | ||
Срок: 20.12.14 | Срок: 20.12.14 | ||
+ | |||
+ | == Домашнее задание 6 == | ||
+ | Бонус на зачете | ||
+ | |||
+ | Необходимо по коллекции рукописных цифр NIST сделать бинарный классификатор 0 vs 1 на базе HOG-SVM с использованием OpenCV. Обучить на 50 изображениях из каждого класса, затем на полной тренировочной выборке, проверить каждый вариант на тестовой выборке. Сравнить результаты и быть готовым проанализировать с точки зрения переобучения (overfitting). |
Версия 22:23, 16 декабря 2014
Преподаватель: Александр Вахитов (alex@divisionlabs.com)
Содержание
Лекции
Введение (часть об отчетности не смотреть) Файл:Intro.pdf
Линейные фильтры Файл:Linfilters.pdf
Фурье и дискретизация Файл:Fourier sampling.pdf
Детекция особенностей Файл:Feature detection.pdf
Геометрия [1]
Машинное обучение Файл:Ml.pdf
Домашнее задание 1
Необходимо определить местонахождение текста на изображении, то есть построить изображение, в котором пиксель равен 255, если этот пиксель занят текстом, и 0 - если не занят. Детектировать текст необходимо с помощью оператора Лапласа, предварительно смазав изображение оператором Гаусса. Параметры операторов подобрать наилучшим подходящим для задачи образом. Выполнять задание на Python с использованием OpenCV (http://docs.opencv.org/trunk/doc/py_tutorials/py_setup/py_setup_in_windows/py_setup_in_windows.html#install-opencv-python-in-windows).
- Картинка с текстом: Media:Text.bmp.zip
Домашнее задание 2
По бинарному изображению, являющемуся результатом задания 1, с помощью морфологических операций dilate, erode получить бинарные компонеты связности, соответствующие отдельным словам текста. Отрисовать объемлющие прямоугольники для каждой полученной бинарной компоненты связности.
Домашнее задание 3
Выполнить фильтр высоких частот (т.е. выделить высокие частоты, удалить низкие) с изображения (http://se.math.spbu.ru/SE/Members/avakhitov/mandril.bmp). Для этого выполнить преобразование Фурье изображения, обнулить необходимые его элементы и выполнить обратное преобразование. Применить к тому же самому изображению оператор Лапласа. Срок: 20.12.14 Срок: 20.12.14
Домашнее задание 4
Изображение из задания 3. Сдетектировать особенные точки методом SIFT, затем повернуть изображение на 45 градусов, уменьшить в 2 раза, снова сдетектировать точки и выполнить сопоставление (matching) с использованием flann. Посчитать процент точек первого изображения, верно сопоставленных. Для этого вычислить правильные сопоставления по известным трансформациям картинки. Срок: 20.12.14
Домашнее задание 5
На видео (Ettlinger Tor, http://i21www.ira.uka.de/image_sequences/) сдетектировать точки детектором Харриса и отследить пирамидальным методом Лукаса-Канаде, используя OpenCV реализации этих методов. Сдетектировать точки детектором FaST и также отследить Лукасом-Канаде. Срок: 20.12.14
Домашнее задание 6
Бонус на зачете
Необходимо по коллекции рукописных цифр NIST сделать бинарный классификатор 0 vs 1 на базе HOG-SVM с использованием OpenCV. Обучить на 50 изображениях из каждого класса, затем на полной тренировочной выборке, проверить каждый вариант на тестовой выборке. Сравнить результаты и быть готовым проанализировать с точки зрения переобучения (overfitting).