一、课程基本信息
课程名称 |
基于opencv的计算机视觉 |
总学时 |
48 |
理论学时 |
32 |
实践学时 |
16 |
预备知识 |
python程序设计、机器学习 |
二、课程简介
计算机视觉是人工智能主要的研究领域,同时也是医药科学、生物科学等交叉学科的组成部分,本课程主要培养学生如何使用opencv开发库来完成视觉领域关键任务,课程中涵盖了图像处理与加工、图像特征提取、计算摄影学、分类与识别等多个课程模块。课程遵循理实一体的授课风格,在算法理论的基础上增加了更多编程实验以及作业任务,目标是提高学生理论水平与实践能力。
三、课程目标
1. 知识目标
1.1 理解计算机视觉领域的常见任务的处理方法
1.2 掌握opencv常用的开发接口以及原理
1.3 掌握如何通过机器学习算法完成图像分类、物体识别等常见任务
1.4 了解物体跟踪、图像前景分离等视频处理任务的解决方法
2. 技能目标
2.1 掌握opencv开发环境的搭建,了解opencv相关包的版本特性
2.2 掌握opencv常用的api接口与接口调参的方式
2.3 掌握图像分隔、图像分类、物体检测等常见任务的实现方法
2.4 能够独立完成实验任务以及作业任务
3. 素质目标
3.1 具备一定的分析和排错能力,能够通过多种方式查找和解决应用程序中的问题
3.2 建立国产自主可控和信创的初步意识
3.3 养成初步的技术文档查询、阅读和自学能力
四、课程内容
序号 |
章 |
节 |
学时 |
教学方法 |
1 |
openCV基础 |
opencv简介 |
1 |
讲解 |
图像数字化转换 |
1 |
讲解+演示 |
视频操作基础 |
1 |
图像计算 |
1 |
实验1-1:图片与视频的读取与写入 |
1 |
上机实验 |
实验1-2:图像处理基础 |
1 |
上机实验 |
实验1-3:基于位运算的图像增加水印处理 |
1 |
上机实验 |
2 |
图像处理 |
颜色空间 |
1 |
讲解+演示 |
图像的平面变换 |
图像阈值 |
2 |
图像平滑 |
1 |
形态转换 |
图像梯度 |
实验2-1:图像处理第1部分 |
1 |
上机实验 |
canny边缘检测 |
1 |
讲解+演示 |
图像金字塔 |
1 |
实验2-3:基于金字塔的图像融合 |
1 |
上机实验 |
直方图 |
2 |
讲解+演示 |
实验2-4:基于直方图的背景分离 |
2 |
上机实验 |
轮廓识别 |
1 |
讲解+演示 |
模板匹配 |
1 |
霍夫变换 |
1 |
分水岭算法 |
1 |
实验2-2:分隔与识别 |
1 |
上机实验 |
3 |
特征检测 |
理解图像特征 |
1 |
讲解+演示 |
角点检测 |
实验3-1-角点识别 |
1 |
上机实验 |
SIFT特征检测 |
1 |
讲解+演示 |
SURF特征检测 |
1 |
FAST特征检测 |
1 |
BRIEF特征点描述算法 |
1 |
ORB特征检测 |
1 |
实验3-2-特征检测 |
1 |
上机实验 |
特征匹配 |
1 |
讲解+演示 |
特征匹配与单应性查找 |
1 |
实验3-3-特征匹配 |
1 |
上机实验 |
4 |
视频分析 |
背景分离 |
1 |
|
物体追踪 |
1 |
|
光流 |
1 |
|
实验4-1-视频的背景分离 |
1 |
|
5 |
机器学习算法 |
KNN算法 |
1 |
讲解+演示 |
SVM算法 |
1 |
KMEANS算法 |
1 |
级联分类器 |
实验5-1: 基于kmeans的背景替换 |
2 |
上机实验 |
作业1:基于机器学习的手写英文字母识别 |
|
实践作业 |
6 |
计算摄影学 |
图像去噪 |
1 |
讲解+演示 |
图像修复 |
高动态范围 |
1 |
实验6-1: 图像去噪与图像修补 |
1 |
上机实验 |
实验6-2: 高动态范围 |
1 |
上机实验 |
作业2:图像修复工具 |
|
实践作业 |
课时合计: |
48 |
|
五、课程考核
本课程考核方式包括理论考核(占50%)和实践考核(占50%)两部分:
理论考核采用笔试考试(或在线答题),满分100分,采用选择、填空、判断、问答等题型,从配套题库中抽取。
实践考核采用两次作业的得分的平均值【作业1:基于机器学习的手写英文字母识别】以及【作业2:图像修复工具】的成绩,满分100分。评分方法参考任务书。
六、参考书
计算机视觉-算法与应用(第1版),Richard Szeliski,清华大学出版社,2020年11月19日