Computer Vision

templated: generated from UmbrellaLeaf5/template_python_usual

Описание

Это репозиторий с моими домашними и семинарскими работами по этому курсу, который в 2025 году читался в четвертом семестре на ПИШ ФАЛТ МФТИ.

Вы когда-нибудь задумывались, как роботы могут ориентироваться в пространстве и выполнять свои задачи, как поисковые системы могут индексировать миллиарды изображений и видео, как алгоритмы могут диагностировать медицинские изображения на предмет заболеваний, как автомобили с автоматическим управлением могут видеть и управлять автомобилем безопасно, или как Instagram создает фильтры?

В основе этих современных приложений ИИ лежат технологии компьютерного зрения, которые могут воспринимать, понимать и реконструировать сложный визуальный мир. Computer Vision – одна из самых быстрорастущих и захватывающих дисциплин искусственного интеллекта в современной академии и промышленности. Курс предназначен для того, чтобы познакомить студентов с постановками основных задач и основополагающих принципов на примерах частей реальных кейсов. В рамках программы будут рассмотрены классические подходы Computer Vison, знание которых является неотъемлемой частью и основой Computer Vision in Deep Learning.

Программа курса:

1. Формирование изображений. Основные понятия:

   • введение в задачи компьютерного зрения;
   • представление изображений в компьютере;
   • работа с цветом;
   • аффинные преобразования;
   • знакомство с библиотеками cv2, skimage.
   • домашнее задание №1.

2. Введение в обработку сигналов:

   • частотная область, преобразование Фурье;
   • спектральный анализ;
   • свертки, фильтры;
   • кросс-корреляция;
   • домашнее задание №2.

3. Введение в обработку изображений:

   • гистограммы изображений;
   • цветовая коррекция;
   • пороговое выделение;
   • морфологические операции;
   • пирамиды изображений;
   • домашнее задание №3.

4. Глобальные признаки изображений:

   • выделение границ и контурные признаки;
   • матрица смежности и текстурные признаки;
   • практическая работа;
   • домашнее задание №4.

5. Локальные признаки изображений:

   • локализация особых точек (Harris, Shi-Tomasi);
   • дескрипторы особых точек (SIFT);
   • домашнее задание №5.

6. Сегментация на изображениях:

   • Задача сегментации;
   • Иерархическая класетризация;
   • Mean-Shift;
   • домашнее задание №6.

7. Параметрические модели

   • гистограммы ориентированных гридентов (HOG)
   • RANSAC
   • сопоставление изображений

8. Распознавание образов

   • Постановка задачи, метрики
   • HOG, Dalal-Triggs
   • Deformable parts model

9. Оптический поток

   • постановка задачи
   • метод Лукас-Канады
   • метод Horn-Schunk

10. Трекинг объектов

• постановка задачи, метрики
• Kalman filter
• SORT

Установка

0. Клонирование репозитория:

   Перед тем как начать, вам необходимо клонировать репозиторий с исходным кодом проекта.

   git clone https://github.com/UmbrellaLeaf5/math_statistics.git

   Перейдите в директорию, куда был клонирован репозиторий:

   cd math_statistics

1. Создание виртуального окружения:

   Откройте терминал или командную строку в корневой директории вашего проекта (там, где находится файл requirements.txt) и выполните следующую команду для создания виртуального окружения с именем .venv:

   python3 -m venv .venv

   или

   python -m venv .venv

   • Если у вас установлена только версия Python 3, можете использовать python вместо python3.
   • Если виртуальное окружение уже существует (вы его создавали ранее), пропустите этот шаг.

2. Активация виртуального окружения:

   Активируйте виртуальное окружение, чтобы Python использовал библиотеки, установленные внутри него:

   • Linux/macOS:

     source .venv/bin/activate

   • Windows (Command Prompt):

     .venv\Scripts\activate

   • Windows (PowerShell):

     .venv\Scripts\Activate.ps1

   После активации вы увидите (.venv) в начале строки терминала, указывающее на то, что виртуальное окружение активно.

3. Установка зависимостей из requirements.txt:

   Установите все библиотеки, перечисленные в файле requirements.txt, выполнив следующую команду:

   ./.venv/Scripts/pip install -r requirements.txt

   или просто:

   pip install -r requirements.txt