معرفی مفاهیم پایه، تئوری و به علاوه الگوریتم‌های متداول بینایی ماشین با روی‌کرد کاربرد‌های عملی. برای پیاده سازی الگوریتم‌ها از زبان پایتون و نرم‌افزار OpenCV استفاده می‌شود. در انتهای درس انتظار می‌رود دانشجویان دانش کافی تئوری و عملی برای طراحی و پیاده سازی پروژه‌های صنعتی بینایی ماشین را به دست آورند.

1. مقدمه و کلیات درس
   • مبانی تصاویر دیجیتال، مفاهیم پایه‌ای 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 مدل‌های رنگ. معرفی روش‌های آماری پایداری رنگ
6. روشهای تجزیه تحلیل بافت و قطعه بندی مبتنی بر بافت
7. توصیف کننده‌های تصویر
8. کدهای زنجیره‌ای، امضا، مرز، توصیف کننده‌های فوریه
9. روشهای شناسایی اشیا مبتنی بر دسته بند‌ها
10. بازیابی تصویر مبتنی بر محتوا، برچسب گذاری تصویر
11. معرفی و استخراج انواع بردار‌های ویژگی و روش‌های مقایسه مشابهت تصاویر با استفاده از آن‌ها
12. معیار‌های ارزیابی کارآیی روشهای بازیابی تصاویر
13. تشخیص حرکت در ویدیو، بردار‌های 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 کاربرد‌های آن در صنعت و روبات‌های 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