Machine Learning y Visión Artificial · VA-102

Visión por computador clásica

Detección de características con Harris, MSER, SIFT y ORB, transformada de Hough y segmentación por regiones.

Disponible Avanzado 7 módulos · 33 clases

Formato asíncrono Desarrollo, Ingeniería / Industria Python, OpenCV

INDUSTRIA40

Lo que aprenderás

Detectar esquinas y regiones estables con Harris, Shi-Tomasi y MSER según el tipo de escena
Calcular y emparejar descriptores SIFT, ORB y BRISK entre dos imágenes de la misma escena
Filtrar emparejamientos erróneos con la prueba del vecino más cercano y con RANSAC
Estimar homografías para alinear imágenes y localizar un objeto plano dentro de otra imagen
Detectar líneas y circunferencias con la transformada de Hough ajustando sus parámetros
Segmentar por regiones con crecimiento, watershed y desplazamiento de media
Evaluar la robustez de cada detector frente a cambios de escala, rotación e iluminación

Contenido del curso

7 módulos · 33 clases en vídeo · práctica guiada en cada módulo

Módulo 1 · Características locales 4 clases

Por qué falla la comparación directa de píxeles
Qué es un punto característico y qué lo hace útil
Repaso de gradientes y derivadas de imagen
Conjunto de imágenes de evaluación del curso

Módulo 2 · Detectores 5 clases

Detector de esquinas de Harris
Shi-Tomasi y buenas características para seguir
FAST y detección rápida
MSER y regiones extremas estables
Comparación de detectores sobre la misma escena

Módulo 3 · Descriptores 5 clases

SIFT: escala, orientación e invariancia
ORB y descriptores binarios
BRISK y AKAZE
Coste computacional frente a robustez
Elegir descriptor según el problema

Módulo 4 · Emparejamiento y geometría 5 clases

Emparejamiento por fuerza bruta y por índice aproximado
Prueba del vecino más cercano de Lowe
RANSAC y eliminación de emparejamientos erróneos
Estimación de homografía
Localizar un objeto plano dentro de una escena

Módulo 5 · Formas geométricas 5 clases

Detección de bordes con Canny y ajuste de umbrales
Transformada de Hough para líneas
Hough probabilística y segmentos
Detección de circunferencias
Ajuste de contornos a formas conocidas

Módulo 6 · Segmentación por regiones 5 clases

Crecimiento de regiones y criterios de agregación
Watershed y marcadores
Desplazamiento de media y superpíxeles
Segmentación por color y textura
Evaluación de una segmentación

Módulo 7 · Caso práctico de cierre 4 clases

Localización y medición de una pieza en posición variable
Alineación por homografía con plantilla de referencia
Verificación de tolerancias sobre la imagen alineada
Evaluación de robustez frente a cambios de luz y de posición

Requisitos

Haber trabajado procesamiento de imagen con OpenCV: filtrado, umbralización y morfología
Manejar Python y NumPy con soltura
Álgebra lineal básica: matrices, transformaciones y sistemas sobredeterminados

Descripción

Cuando el objeto cambia de posición, de escala o de iluminación, la comparación directa de píxeles deja de servir. Ahí entran las características locales: puntos que se pueden volver a encontrar en otra imagen de la misma escena y describir de forma que resistan esos cambios. Es lo que sostiene el alineado de imágenes, la localización de una pieza o la reconstrucción de una escena.

El curso recorre la visión clásica con rigor: detectores de esquinas y de regiones, descriptores SIFT, ORB y BRISK, emparejamiento y filtrado con RANSAC, estimación de homografías, transformada de Hough para formas geométricas y segmentación por regiones. Cada método se evalúa frente a rotación, escala y cambios de luz sobre el mismo conjunto de imágenes.

Estas técnicas siguen siendo la opción razonable cuando no hay datos etiquetados suficientes, cuando el sistema debe funcionar en un equipo modesto o cuando hace falta explicar por qué el algoritmo decidió lo que decidió. También son la base para entender qué aportan y qué no las redes profundas.

¿Para quién es este curso?

Desarrolladores de visión que necesitan alinear, localizar o comparar imágenes sin datos etiquetados
Ingenieros que diseñan inspecciones donde hay que justificar por qué el sistema decide lo que decide
Perfiles técnicos que van a entrar en visión profunda y necesitan primero la base clásica