Guía de la Asignatura:


RECONOCIMIENTO DE FORMAS




(del Currícula impartido por la Facultad de Informática)


Las Palmas, Septiembre de 1995


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 Diseño 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


    • Tema 1: Introducción y Conceptos Básicos en Reconocimiento de Formas

    • Introducción
    • Formas y Clases de Formas
    • Conceptos Básicos
    • Aproximaciones en el Reconocimiento de Formas
    • Postulados de Niemann
    • Aproximación de Teoría de la Decisión
    • Aproximación Estructural
    • Algunas Aplicaciones del Reconocimiento de Formas
    • Referencias
      •

      MODULO I: APROXIMACION DE TEORIA DE LA DECISION EN RF

    • Tema 2: Reglas de Decisión

    • Introducción
    • Funciones Discriminantes y Superficies de Decisión
    • Discriminante Lineal Biclásico
    • Discriminación Lineal Multiclásica
    • Funciones Discriminantes Generalizadas
    • Clasificación por Funciones de Distancia
    • Similaridad y Distancia
    • Regla de la Distancia Mínima
    • Regla del Vecino Más Próximo
    • La Clasificación como Problema Estadístico Paramétrico
    • Decisión en Base a Probabilidades a Priori y a Posteriori
    • Clasificación y Teoría de Juegos
    • Clasificador Bayesiano de Mínimo Riesgo
    • a) Análisis del Clasificador Bayesiano Biclásico
    • b) Análisis del Clasificador Bayesiano Multiclásico
    • Estudio de Caso: Distribución Normal
    • a) Distribución Normal Univariante
    • b) Distribución Normal Multivariante
    • c) Funciones Discriminantes y Densidad de Probabilidad Normal
    • Referencias


    • Tema 3: Aprendizaje Supervisado de Clasificadores Deterministas

    • Introducción.
    • Aprendizaje de Funciones de Decisión. Planteamiento
    • Procedimiento Basado en el Concepto de Descenso según el Gradiente
    • Procedimiento Perceptrón
    • Función Criterio
    • Aprendizaje por Premio-Castigo
    • Convergencia
    • Variaciones de Procedimiento
    • Clasificador Multiclásico
    • Procedimientos de Error Cuadrático Mínimo
    • Procedimiento Ho-Kashyap
    • Comentarios al Procedimiento Ho-Kashyap
    • Método de las Funciones Potenciales
    • Procedimiento de Aprendizaje Biclásico
    • Generación de Funciones Potenciales
    • Funciones Potenciales de Tipo 1
    • Funciones Potenciales de Tipo 2
    • Procedimiento de Aprendizaje Multiclásico
    • Perceptrón Multicapa. Red Feedforward y Aprendizaje por Retropropagación
    • Descripción y Propiedades.
    • Aprendizaje por Retropropagación.
    • Procedimiento de Aprendizaje.
    • Comentarios Adicionales.
    • Referencias


    • Tema 4: Técnicas de Análisis de Agrupamientos

    • Introducción. Aprendizaje no Supervisado y Análisis de Agrupamientos
    • Clasificación de los Métodos de Análisis de Agrupamientos
    • Procedimientos Heurísticos Directos
    • Procedimiento LEADER
    • Procedimiento MAXIMIN
    • Métodos de Reagrupamiento por Optimización Iterativa de Función Criterio
    • Procedimientos Tipo KMEDIA
    • Funciones Criterio
    • Evaluación de Resultados
    • Métodos de Cuantización Vectorial
    • Métodos Jerárquicos
    • Nociones Generales
    • Estrategias. Descripción y Estudio. Análisis Comparativo
    • Método de Ward. Optimización
    • Métodos Tipológicos
    • Estimación de la Característica Más Discriminante
    • Endograma Discriminante
    • Procedimientos de Estratificación Bietápica y Análisis de Varianza
    • Referencias


    • Tema 5: Selección y Transformación de Características

    • Introducción
    • Selección de Características
    • Concepto de Relevancia
    • Criterios para la Determinación de la Relevancia
    • Selección mediante Procedimientos de Búsqueda
    • Evaluación.
    • Transformación de Características
    • Análisis de Componentes Principales
    • Análisis Canónico
    • Ordenación por Análisis de Agrupamientos
    • Referencias.


      • MODULO II: TECNICAS DE VISION ARTIFICIAL

    • Tema 6: Conceptos Básicos en Visión Artificial

    • Introducción
    • Sistemas de Visión Artificial. Objetivos y Definiciones
    • Esquema de Procesos en un Sistema de Visión Artificial
    • Algunos Datos Sobre Percepción Visual Biológica
    • Referencias


    • Tema 7: Formación y Adquisición de Imágenes

    • Introducción
    • Proceso de Formación de las Imágenes
    • Geometría de Formación de las Imágenes
    • Conceptos de Fotometría y Colorimetría
    • Estructura de los Sistemas de Adquisición en VA
    • Fuentes de Luz y Técnicas de Iluminación
    • Sensores
    • Sistemas de Digitalización de Imágenes
    • Imágenes Digitales, Distorsiones y Homotecias
    • Referencias


    • Tema 8: Segmentación de Imágenes

    • Introducción
    • Definición Formas de Segmentación
    • Estructuras de Datos en Segmentación
    • Grafo de Adyacencia de Regiones
    • Grafo de Adyacencia de Líneas
    • Pirámides de Resolución
    • Aproximaciones en Segmentación
    • Segmentación por Clasificación en Espacio de Propiedades de los Puntos
    • Umbralizado en Histogramas
    • Segmentación Cromática
    • Segmentación por División y Fusión
    • Segmentación por Crecimiento de Regiones
    • Segmentación por Relajación
    • Referencias


    • Tema 9: Detección de Contornos

    • Introducción
    • Métodos de Detección de Contornos
    • Operadores Locales Gradiente y Laplaciana
    • Métodos de Ajuste Funcional. Operador de Hueckel
    • Método del Cruce por Cero de Marr-Hildreth
    • Detección de Contornos Específicos. Transformada de Hough
    • Referencias


    • Tema 10: Representación de Estructuras Geométricas 2D

    • Introducción
    • Compactación de Imágenes. Códigos de Longitud de Recorrido
    • Representación de Regiones
    • Representación por Bloques. Quadtrees
    • Representación por Transformación al Eje Medio
    • Adelgazamiento y Esqueletos
    • Representación de Contornos
    • Códigos de Cadena
    • Firmas: Polar, Función de Curvatura y Arco-ángulo
    • Interpolaciones Polinomiales B-Spline
    • Referencias


    • Tema 11: Caracterización y Discriminación de Formas 2D. Sistemas

    • Introducción
    • Discriminación a Nivel Icónico: Técnicas de Comparación con Máscara
    • 11.2.1.- Concepto
    • 11.2.2.- Medidas de Comparación
    • Técnicas de Discriminación a partir de Caracterización Global de Regiones
    • Características Geométricas Simples: Topológicas y Métricas
    • Características Analíticas.
    • Momentos
    • Expansiones
    • Estudio de Casos
    • Caracterización de Contornos
    • Caracterizaciones Derivadas de los Angulos
    • Caracterizaciones Derivadas de la Forma
    • Referencias


    • Tema 12: Técnicas de Análisis de Texturas

    • Introducción. Aproximación Estadística
    • Estadísticos de Niveles de Gris de Primer Orden
    • Matrices de Coocurrencias. Estadísticos de Niveles de Gris de Segundo Orden.
    • Estadísticos de Propiedades Locales
    • Autocorrelación y Espectro de Potencia
    • Referencias


    • Tema 13: Análisis de Secuencias e Imágenes

    • Introducción
    • Métodos Elementales
    • Diferencias de Imágenes
    • Detección de Contornos en Movimiento
    • Método del Flujo Optico
    • Descripción y Formulación Analítica
    • Restricciones Adicionales
    • Determinación del Foco de Expansión
    • El Análisis de Movimiento como Problema Espacio-Temporal
    • Referencias


    • Tema 14: Introducción a la Adquisición y Representación de Información 3D

    • Introducción.
    • Adquisición de la Información de Profundidad
    • Triangulación Pasiva: Estereovisión
    • Triangulación Activa: Luz Estructurada
    • Técnicas Telemétricas
    • Métodos Indirectos: Shape from
    • Métodos de Representación de Estructuras Tridimensionales.
    • Referencias


      • MODULO III: APROXIMACIONES ESTRUCTURALES EN RF

    • Tema 15: Método Sintáctico I: Gramáticas y Lenguajes

    • Introducción
    • Gramáticas y Lenguajes de Cadena
    • Conceptos y Definiciones
    • Tipos de Gramáticas
    • Gramáticas, Lenguajes y Autómatas
    • Gramáticas Especiales de Formas
    • Gramática Ledley para Cromosomas
    • Gramática Shaw para Descripción de Escenas (PDG)
    • Introducción a las Gramáticas de Dimensiones Superiores para Representación de Formas
    • Gramáticas de Arbol
    • Gramáticas Webb
    • Gramáticas Estocásticas
    • Referencias


    • Tema 16: Métodos Sintácticos II: Análisis Sintáctico y Reconocimiento

    • Introducción
    • Análisis en Gramáticas de Cadena
    • Análisis Ascendente y Descendente
    • Algoritmo de Earley
    • Análisis Corrector de Errores por Mínima Distancia en Gramáticas de Cadena
    • Referencias


    • Tema 17: Métodos Relacionales

    • Introducción
    • Modelos de Objetos y Representación de Imágenes
    • Técnicas de Análisis Relacional por Comparación de Grafos
    • Tipos
    • Comparaciones Basadas en el Grafo de Asociación. Procedimientos
    • Técnicas de Etiquetado de Primitivas y Relaciones Basadas en Restricciones
    • Uso de Relajación
    • Uso de Programación Lógica
    • Referencias



    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


    Fco. Mario Hernández Tejera
    Despacho: 3-4
    Tfn: 45 87 44/58
    FAX: 45 87 11
    Email: mhernandez@dis.ulpgc.es
    		 J. Modesto Castrillón Santana
    Despacho: S-5
    Tfn: 45 87 47/58
    FAX: 45 87 11
    Email: mcastrillon@dis.ulpgc.es



    5. Método de Evaluación


    1. A efectos de evaluación, la asignatura se divide en dos partes. Cada parte se evalúa ponderadamente entre la calificación obtenida en examen y la obtenida en trabajos prácticos.

    2. Los trabajos prácticos a realizar serán de dos tipos:

    3. Trabajos de naturaleza obligatoria, que serán uno por parte de la asignatura, y como su nombre indica, deberan realizarlos todos los alumnos.

    4. Trabajos de naturaleza optativa, de realización voluntaria, y definidos, a petición del alumno o alumnos interesados, por el profesor.


    5. Los trabajos se realizarán, o bien individualmente por cada alumno, o bien por grupos de dos alumnos, lo que le será comunicado en cada caso al profesor antes de la realización de los mismos.

    6. Cada trabajo llevará asociada la realización de una parte práctica consistente en la implementación de procedimientos;as relativos al programa de la asignatura y su verificación suficiente en base a pruebas de los procedimientos.

    7. Como resultado del trabajo práctico se entregará al profesor el software desarrollado y una memoria que incluirá una descripción suficientemente clara del trabajo realizado, de las metodologías empleadas y de las pruebas efectuadas, así como de los resultados obtenidos. Se exige además que el alumno o alumnos incluyan en dicha memoria un análisis razonado de los resultados obtenidos, asi como un listado del software desarrollado.

    8. Así mismo, se efectuará una defensa del trabajo en presencia del profesor, que consistirá en una demostración del software desarollado y una explicación de lo que se ha realizado. El profesor podrá en su caso solicitar de los alumnos aquellas aclaraciones que considere necesarias.

    9. Será condición necesaria para que se evalúe cada parte de la asignatura, la entrega del resultado del trabajo obligatorio correspondiente (entendido como tal lo especificado en los puntos 5 y 6), antes de la realización del examen.

    10. La calificación de cada una de las dos partes de la asignatura se establece en base a la media ponderada de las calificaciones obtenidas entre el trabajo obligatorio, el examen y, en su caso, el trabajo optativo. La ponderación que se establece es la siguiente:

      PARCIAL QUE INCLUYE EL MÓDULO
      TÉCNICAS DE VISIÓN ARTIFICIAL:      		 Nota(%)
      Examen 60%
      Trabajo Obligatorio 40%
      Trabajo Optativo 10% (*)
      (*) Esta cantidad en su caso se decrementará de la correspondiente al examen, con lo cual este quedará con 50%


      PARCIAL QUE INCLUYE EL RESTO: Nota(%)
      Examen 80%
      Trabajo Obligatorio 20%
      Trabajo Optativo 10% (**)
      (**) Como en el caso anterior, esta cantidad se decrementará de la correspondiente al examen, quedando este en su caso con 70%


    11. Cada parte de la asignatura se considerará aprobada si, tras su calificación según se establece en el punto 8, se obtiene una nota igual o superior a cinco.

    12. Todo alumno que consiga una calificación de aprobado, o superior, en los dos parciales resultará automáticamente propuesto para aprobar por curso.

    13. Así mismo, los exámenes parciales son de naturaleza liberatoria sólo hasta la convocatoria de junio, con lo cual, un alumno con un parcial aprobado, se tendrá que presentar en la convocatoria de junio sólamente con el parcial suspendido.

    14. No obstante a lo anterior, todo alumno que no supere algún parcial tras la evaluación que se indica en el punto 8, pero que hayan obtenido calificación de aprobado en los trabajos prácticos, se considerará que los tienen aprobados hasta la convocatoria de septiembre, debiéndo efectuar sólamente el examen correspondiente.



    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