معرفی مفاهیم پایه، تئوری و بعلاوه الگوریتم های متداول بینایی ماشین با روی کرد کار برد های عملی. برای پیاده سازی الگوریتم ها از زبان پایتون و نرم افزار OpenCV استفاده میشود. در انتهای درس انتظار میرود دانشجویان دانش کافی تئوری و عملی برای طراحی و پیاده سازی پروژه های صنعتی بینایی ماشین را بدست آورند.

1. مقدمه و کلیات درس
   • مبانی تصاویر دیجیتال، مفاهیم پایه ای درک دیداری، نور و اسپکتروم الکترومغناطیس
2. آنالیز تصاویر باینری، اپراتورهای مورفولوژی
3. روشهای آستانه یابی در نور یکنواخت و غیر یکنواخت
4. روشهای قطعه بندی تصویر، استفاده از حرکت در قطعه بندی
5. مفاهیم و مدل های رنگ. معرفی روش های آماری پایداری رنگ
6. روشهای تجزیه تحلیل بافت و قطعه بندی مبتنی بر بافت
7. توصیف کننده های تصویر
8. کدهای زنجیره ای، امضا، مرز، توصیف کننده های فوریه
9. روشهای شناسایی اشیا مبتنی بر دسته بند ها
10. بازیابی تصویر مبتنی بر محتوا، برچسب گذاری تصویر
11. معرفی و استخراج انواع بردار های ویژگی و روش های مقایسه مشابهت تصاویر با استفاده از آنها
12. معیار های ارزیابی کارآیی روشهای بازیابی تصاویر
13. تشخیص حرکت در ویدیو، بردار های حرکت، محاسبه جریان در تصویر
14. مدل دوربین و کالیبراسیون
15. معادلات لنز و اصلاح اعوجاج لنز
16. تشخیص عمق از تصاویر دو بعدی. مدل پرسپکتیو، بینایی استریو و محاسبه عمق
17. نور ساخت یافته، محاسبات عمق و استخراج مدل سه بعدی اجسام با استفاده از آن
18. ردگیری
    • تصویر مرجع و کاربردهای کنترل ترافیک
    • ردگیری مبتنی بر روش شیفت میانگین
    • ردگیری مبتنی بر Cam-Shift. فیلتر کالمن و کالمن توسعه یافته
19. سیستم بینایی همه جهته: مبانی طراحی، کالیبراسیون و کاربرد های آن در صنعت و روبات های متحرک
20. معرفی چندین کاربرد صنعتی بینایی ماشین

• پایان‌ترم ۶ نمره
• میان‌ترم اول ۳ نمره
• میان‌ترم دوم ۳ نمره
• تمرین‌های برنامه‌نویسی ۵ نمره
• ارایه شفاهی یک مقاله ۱ نمره
• پروژه نهائی ۱/۵ نمره
• گزارش مکتوب پروژه ۰/۵ نمره