Guía de la Asignatura:

RECONOCIMIENTO DE FORMAS

(del Currícula impartido por la Facultad de Informática)
Las Palmas, Septiembre de 1998
 

INDICE
 

  • 1. Datos de la Asignatura
  • 2. Objetivos
  • 3. Contenidos
  • 3.1 Temario
  • 3.2 Programa
  • 3.3 Exámenes y Trabajos de Curso
  • 4. Planificación
  • 4.1 Prácticas
  • 4.2.- Profesorado
  • 5. Método de Evaluación
  • 6. Referencias Bibliográficas

  • 1. Datos de la Asignatura

    -Denominación: RECONOCIMIENTO DE FORMAS
    - Caracter: Optativa (5º Curso)
    - Periodicidad: Cuatrimestral (Primer Cuatrimestre)
    - Número de Créditos: 6T + 3P
    - Prerrequisitos: NO
     

    2. Objetivos

    La asignatura pertenece al grupo de las optativas de último curso de la titulación superior en Informática, en concreto a aquellas que se vertebran a partir de la Inteligencia Artificial, de la que depende conceptualmente. Estos condicionantes, junto con el carácter básicamente tecnológico, constituyen los elementos básicos que enmarcan sus señas de identidad.

    Como asignatura de último curso no es de corte básico, sino complementario y terminal, autocontenida en si misma, aunque con cierta relación horizontal con otras asignaturas del curricula. La asignatura, en este sentido, se concibe como Teórico-Práctica, orientada a la formación en ingeniería de diseño, realización y evaluación de sistemas de Reconocimiento de Formas.

    En este sentido, las clases teóricas se utilizan para definir el marco conceptual y metodológico de diseño y las pautas de desarrollo y evaluación, establecer las taxonomías de técnicas, y realizar el análisis y descripción de aquellas técnicas tipo que se consideran más significativas, tanto por su aporte pedagógico o metodológico, como por la calidad de au aportación a los diseños finales de sistemas.

    Por su parte, las clases prácticas se orientan a formar al alumno en la realización de proyectos concretos de Reconocimiento de Formas, adecuados al contexto de una asignatura del caracter de esta. Como en toda asignatura de corte tecnológico, la formación práctica es fundamental, tanto para adquirir y fijar conceptos, como para habituarse a resolver problemas reales. Estas clases se orientan, tanto a la explicación de herramientas útiles para la realización del trabajo personal de alumno, como a efectuar la dirección y seguimiento del proceso de desarrollo de los trabajos de curso, desde su etapa inicial de concepción y diseño hasta su evaluación final.

    3. Contenidos

    A efectos docentes, la asignatura está constituida por tres módulos o unidades temáticas, y cada módulo por un conjunto de temas. Al organizarse de esta manera, es posible establecer una cierta flexibilidad en el orden de impartición, además lógicamente de una mayor claridad conceptual de cara al alumno.

    3.1 Temario


    MODULO TEMA TITULO
    1 Introducción y Conceptos Básicos en RF
    I: APROXIMACION DE TEORIA DE LA DECISION EN RF 2 Reglas de Decisión
    3 Dise&ntildeo de Funciones Discriminantes con Aprendizaje no Supervisado
    4 Técnicas de Análisis de Agrupamientos
    5 Selección y Transformación de Características
    II:TECNICAS DE VISION ARTIFICIAL 6 Conceptos Básicos en Visión Artificial
    7 Formación y Adquisición de las Imágenes
    8 Segmentación
    9 Detección de Contornos
    10 Representación de Estructuras Geométricas 2D 
    11 Caracterización y Discriminación de Formas 2D
    12 Técnicas de Análisis de Texturas
    13 Técnicas de Análisis de Secuencias de Imágenes
    14 Introducción a la Adquisición y Representación de Información 3D
     
    III:APROXIMACIONES ESTRUCTURALES EN RF
    15 Método Sintáctico I: Gramáticas y Lenguajes 16 Método Sintáctico II: Análisis Sintáctico y Reconocimiento 17 Método Relacional

     
     

    3.2 Programa

     
     

    3.3 Exámenes y Trabajos de Curso

    La asignatura, a estos efectos, se divide en dos partes. Una primera, constituida por el módulo II y una segunda constituida por los módulos I y III. Cada parte tiene asociada una práctica y un examen. La evaluación se efectúa según se indica en el apartado 5.
     

    4. Planificación

    La Asignatura se Impartirá según el Horario Oficial
     

    4.1 Prácticas

    Las prácticas comenzarán la semana siguiente a la primera de clases. Los trabajos prácticos se entregarán como mínimo una semana natural antes del examen correspondiente.
     

    4.2.- Profesorado

    J. Javier Lorenzo Navarro 
    Despacho: S-5 
    Tfn: 45 87 47/58 
    FAX: 45 87 11 
    Email: jlorenzo@dis.ulpgc.es
    Fco. Mario Hernández Tejera 
    Despacho: 3-4 
    Tfn: 45 87 44/58 
    FAX: 45 87 11 
    Email: mhernandez@dis.ulpgc.es
     
     

    5. Método de Evaluación

     
     

    6. Referencias Bibliográficas

    M. R. Anderberg, Cluster Analysis for Applications, Academic Press, New York, 1973.

    (*) D. H. Ballard, C. M. Brown, Computer Vision, Prentice Hall Inc., Englewood Cliffs, N. J., 1982.

    (*) S. T Bow, Pattern Recognition and Image Processing, Marcel Dekker, Inc., New York, 1992.

    L. Breiman, J. H. Friedman, R. A. Olshen, C. J. Stone, Classification and Regression Trees, Wadsworth & Brooks/Cole Advanced Books & Software, Pacific Grove, California, 1984.

    F. Casacuberta, E. Vidal, Reconocimiento Automático del Habla, Marcombo, Barcelona, 1987.

    C. H. Chen, L. F. Pau, P. S. P. Wang (eds.), Handbook of Pattern Recognition & Computer Vision, World Scientific, Singapore, 1993.

    Y. Chien, Interactive Pattern Recognition, Marcel Dekker, Inc, New York, 1978.

    (*) E. R. Davies, Machine Vision: Theory, Algorithms, Practicalities, Academic Press, London, 1990.

    (*) R. O. Duda, P. E. Hart, Pattern Classification and Scene Analysis, John Wiley & Sons, New York, 1973.

    L. F. Escudero, Reconocimiento de Patrones, Ed. Paraninfo, Madrid, 1977.

    K. S. Fu, Syntactic Pattern Recognition and Applications, Prentice Hall Inc., Englewood Cliffs, N. J., 1982.

    E. L. Grimson, Object Recognition by Computer. The Role of Geometric Constraints, The MIT Press, Cambridge, Mass., 1990.

    (*) R. C. Gonzalez, M. G. Thomason, Syntactic Pattern Recognition. An Introduction, Addison-Wesley Pub. Co., Reading, Mass., 1978.

    (*) R. C. Gonzalez, P. Wintz, Digital Image Processing, Addison-Wesley Pub. Co., Reading, Mass., 1977.

    R. C. Gonzalez, R. C. Woods, Digital Image Processing, Addison-Wesley, 1992.

    A. D. Gordon, Classification, Chapman and Hall. London, 1981.

    D. J. Hand, Discrimination and Classification, John Wiley & Sons, 1981.

    (*) S. Haykin, Neural Networks. A Comprehensive Foundation, McMillan College Pub. Co., New York, 1994.

    (*) R. Hetch-Nielsen, Neurocomputing, Addison-Wesley Pub. Co., Reading, Massachusetts, 1990.

    (*) B. K. P. Horn, Robot Vision, The MIT Press, Cambridge, Mass., 1987.

    A. K. Jain, R. C. Dubes, Algorithms for Clustering Data, Prentice Hall, Englewood Cliffs, New Jersey, 1988.

    (*) R. Jain, R. Kasturi, B. G. Schunck, Machine Vision, McGraw-Hill, Inc., New York, 1995.

    (*) D. Maravall, Reconocimiento de Formas y Visión Artificial, Ed. RA-MA, 1993.

    G. J. McLachlan, Discriminant Analysis and Statistical Pattern Recognition, John Wiley & Sons, New York, 1992.

    (*) H. Niemann, Pattern Analysis and Understanding, 2ª edición, Springer Verlag, Berlin, 1990.

    N. J. Nilsson, The Mathematical Foundations of Learning Machines, Morgan Kaufmann, Pub., San Mateo, California, 1990.

    T. Pavlidis, Structural Pattern Recognition, Springer Verlag, Berlin, 1977.

    (*) T. Pavlidis, Algorithms for Graphics and Image Processing, Springer Verlag, Berlin, 1982.

    (*) A. Rosenfeld, A. C. Kak, Digital Picture Processing (2ª edición, 2 vols.), Academic Press, New York, 1982.

    J. C. Russ, The Image Processing Handbook, CRC Press, Boca Raton, California, 1992.

    (*) R. J. Schalkoff, Digital Image Processing and Computer Vision, John Wiley & Sons Inc., New York, 1985.

    (*) R. Schalkoff, Pattern Recognition: Statistical, Structural and Neural Approaches, John Wiley & Sons, Inc, New York, 1992.

    H. Spath, Cluster Analysis Algorithms for Data Reduction and Classification of Objects, Ellis Horwood Ltd., Chichester, West Sussex, UK, 1980.

    S. Tanimoto., A Klinger (eds.), Structured Computer Vision, Academic Press, New York, 1980.

    (*) J. T. Tou, R. C. Gonzalez, Pattern Recognition Principles, Addison-Wesley Pub. Co., Reading, Mass., 1974.

    D. Vernon, Machine Vision. Automated Visual Inspection and Robot Vision, Prentice Hall, New York, 1991.

    S. M. Weis, C. A. Kulikowski, Computer Systems That Learn, Morgan Kaufmann Pub. Inc., San Francisco, California, 1991.

    (*) Especialmente recomendable en alguno o varios aspectos del temario