DESCRIPCIÓN DE LA ASIGNATURA

Transcripción

1 DESCRIPCIÓN DE LA ASIGNATURA ASIGNATURA: Procesamiento de señales e imágenes Nombre en Inglés: Signal and image processing Código UPM: MATERIA: Procesamiento de señales e imágenes CRÉDITOS ECTS: 5 CARÁCTER: Optativa TITULACIÓN: MASTER UNIVERSITARIO EN INGENIERÍA DE PRODUCCIÓN TIPO: ÓPTATIVA CURSO: SEMESTRE: SEGUNDO CURSO ACADÉMICO PERIODO IMPARTICION Septiembre - Enero Febrero - Junio IDIOMA IMPARTICIÓN Sólo castellano Sólo inglés Ambos GUÍA DE APRENDIZAJE Página 1 de 9

2 DEPARTAMENTO ELECTRÓNICA, AUTOMÁTICA E INFORMÁTICA INDUSTRIAL (EUITI), FÍSICA APLICADA (EUITI) COORDINADOR CARLOS PLATERO DUEÑAS PROFESORADO NOMBRE Y APELLIDO DESPACHO Correo electrónico EDUARDO FALEIRO eduardo.faleiro@upm.es CARLOS PLATERO DUEÑAS C-305 carlos.platero@upm.es CONOCIMIENTOS PREVIOS REQUERIDOS PARA PODER SEGUIR CON NORMALIDAD LA ASIGNATURA ASIGNATURAS SUPERADAS OTROS RESULTADOS DE APRENDIZAJE NECESARIOS GUÍA DE APRENDIZAJE Página 2 de 9

3 OBJETIVOS DE APRENDIZAJE COMPETENCIAS Y NIVEL ASIGNADAS A LA ASIGNATURA Código COMPETENCIA NIVEL CE1 CE2 CE3 CE4 CE5 CE6 CE7 Capacidad de clasificar las señales con arreglo al valor de los indicadores usados en su caracterización. Adquirir capacidad para plantear una modelización de la señal acorde con su clasificación Capacidad para predecir los valores futuros de la señal y/o actuar sobre el sistema generador de acuerdo al modelo seleccionado. Capacidad para diseñar e implementar estrategias para el filtrado de señales e imágenes mediante ecuaciones en derivadas parciales y transformadas wavelets. Capacidad para el registro de imágenes. Capacidad para diseñar e implementar estrategias para la segmentación de imágenes empleando teoría de grafos, marco de Bayes y métodos variacionales Capacidad para diseñar y aplicar procedimientos de búsqueda de patrones en señales e imágenes. Código RA-01 RA-03 RA-04 RA-05 RA-06 RA-07 RESULTADOS DE APRENDIZAJE DE LA ASIGNATURA Saber distinguir entre señales deterministas, estocásticas y caóticas. Conocer los diferentes tipos de modelos de series temporales. Aprender a caracterizar las señales y las imágenes. Conocer las diversas técnicas de procesamiento de imágenes basadas en ecuaciones en derivadas parciales y en wavelets. Aprender a registrar imágenes Aprender las técnicas de segmentación de imágenes basado en la minimización de energías. Conocer los métodos de búsqueda y reconocimiento de patrones en señales e imágenes. GUÍA DE APRENDIZAJE Página 3 de 9

4 CONTENIDOS Y ACTIVIDADES DE APRENDIZAJE CONTENIDOS ESPECÍFICOS (TEMARIO) TEMA / CAPÍTULO Tema 1: Caracterización y propiedades de las series temporales APARTADO Variables aleatorias. Procesos estocásticos. Propiedades estadísticas de las series temporales. Clasificación de las series temporales. Indicadores de logro relacionados LO-01 a LO-03 Tema 2: Modelización de series temporales Tema 3: Técnicas de procesamiento basada en procesamiento disperso Tema 4: Técnicas de eliminación del ruido en señales e imágenes. Tema 5: Problema inverso: variacional versus disperso Tema 6: Segmentación de imágenes basada en métodos variacionales Tema 7: Registro de imágenes Modelos estacionarios (AR,MA, ARMA), y no estacionarios (ARIMA), clásicos. Modelos estocásticos diferenciables. Modelos discretos. Previsión de futuros. Introducción al procesamiento de señales e imágenes. Descomposición de señales e imágenes en base ortogonales. Procesamiento de Fourier. Procesamiento wavelet. Aproximaciones de señales e imágenes con bases ortogonales. Eliminación del ruido en imágenes con procesamiento disperso. Eliminación del ruido con métodos basados en las ecuaciones en derivadas parciales. Optimización numérica. Problema inverso (variacional & disperso). Descomposición textura + cartoon Geometría diferencial. Contornos activos: Snakes versus Level Set. Interpolación. Registro rígido. Registro no rígido. LO-04 a LO-07 LO-08 a LO-09 LO-10 a LO-11 LO-12 LO-13 LO-14 Tema 8: Segmentación de imágenes basada en cortes en grafos. Atlas probabilístico. Segmentación multiatlas. Minimización de energías. Cortes en grafos. Geodesia versus flujos. LO-15 GUÍA DE APRENDIZAJE Página 4 de 9

5 Tema 9: Reconocimiento de patrones en señales e imágenes. Análisis de datos. Clasificación. LO-16 BREVE DESCRIPCIÓN DE LAS MODALIDADES ORGANIZATIVAS UTILIZADAS Y METODOS DE ENSEÑANZA EMPLEADOS CLASES DE TEORIA CLASES PROBLEMAS Exposición oral del profesor con participación activa del alumno (2 horas a la semana). Realización de colección de problemas con participación activa del alumno (1 horas a la semana). PRÁCTICAS Sesiones de laboratorio para realizar prácticas de procesamiento de señales e imágenes empleando Matlab (1 horas a la semana). TRABAJOS INDIVIDUALES Desarrollo de las cuestiones de los temas de la asignatura y de las memorias de las prácticas. TRABAJOS EN GRUPO En grupos de dos alumnos, se realizará y expondrá un trabajo sobre el procesamiento de señales e imágenes. TUTORÍAS Resolución de dudas en el despacho. GUÍA DE APRENDIZAJE Página 5 de 9

6 RECURSOS DIDÁCTICOS BIBLIOGRAFÍA RECURSOS WEB Bibliografía básica: Uriel,E., Peiró, A. Introducción al análisis de series temporales. Ed. AC. Madrid (2000) Brockwell, P.J., Davis, R.A. Introduction to Time Series and Forecasting. Springer. New York (1996) Peyre, Advanced Signal, Image and Surface Processing ( Bronstein, Numerical Geometry of Non-Rigid Shapes, Springer Theodoridis, S., Koutroumbas, K., Pattern Recognition. Academic Press Bibliografía para profundizar: Abarbanel, H.D.I., Analysis of Observed Chaotic Data. Springer. New York (1996) Kloeden, P.E., Platen, E. Numerical Solution of Stochastic Differential Equations. Springer-Verlag Berlin (1999) R. Kimmel, Numerical Geometry of Images: Theory, Algorithms, and Applications, Springer 2004 Gilles Aubert, Pierre Kornprobst, Mathematical Problems in Image Processing: Partial Differential Equations and the Calculus of Variations, Springer 2006 Guillermo Shapiro, Geometric Partial Differential Equations and Image Analysis, Cambridge University Press, 2006 Tony Chan, Jianhong Shen, Image Processing And Analysis: Variational, Pde, Wavelet, And Stochastic Methods Society for Industrial and Applied Mathematic, 2005 Jan Modersitzki, FAIR: Flexible Algorithms for Image Registration Society for Industrial and Applied Mathematic, 2009 Colección de problemas de clase, examen y prácticas de laboratorio con sus soluciones. Publicados y actualizados en la página web del Departamento ELAI: EQUIPAMIENTO Dos laboratorios, con 12 puestos de ordenadores cada uno y cañón de proyección. Aulas con capacidad para el grupo completo, con cañón de proyección y otros medios audiovisuales. GUÍA DE APRENDIZAJE Página 6 de 9

7 CRONOGRAMA DE TRABAJO DE LA ASIGNATURA MES QUINCENA ACTIVIDADES AULA LABORATORIO TRABAJO INDIVIDUAL TRABAJO EN GRUPO ACTIVIDADES EVALUACIÓN OTROS Febrero Marzo Abril Mayo 1ª(sólo una semana) Temas 1 y 2 (2h30 h) 2ª Temas 3 (3 h) Temas 3 (2 h) Prueba en laboratorio: Temas 3 (0.25 h) 1ª Tema 4 (3 h) Temas 4 (2 h) Prueba en laboratorio: Temas 4 (0.25 h) 2ª Tema 5 (3 h) Tema 5 (2 h) Prueba en laboratorio: Temas 5 (0.25 h) 1ª Temas 6 (3 h) Tema 6 (2 h) Prueba en laboratorio: Temas 6 (0.25 h) 2ª Temas 7 (3 h) Temas 7 (2 h) Prueba en laboratorio: Temas 7 (0.25 h) 1ª Tema 8 (3 h) Temas 8 (3 h) Prueba en laboratorio: Temas 8 (0.25 h) 2ª Tema 9 (3 h) Exposiciones en tutoría Ejercicio final en aula (2 h) GUÍA DE APRENDIZAJE Página 7 de 9

8 SISTEMA DE EVALUACIÓN DE LA ASIGNATURA Ref EVALUACIÓN INDICADOR DE LOGRO Relacionado con RA: LO-01 El alumno sabe caracterizar el determinismo y la variabilidad a partir se series de tiempo RA-01,RA-03 LO-02 El alumno sabe extraer las propiedades mas relevantes de los procesos estocásticos RA-01,RA-03 LO-03 El alumno es capaz de clasificar adecuadamente las series temporales según sus propiedades RA-01,RA-03 LO-04 El alumno conoce los tipos de modelos mas utilizados en series temporales LO-05 El alumno es capaz de encontrar los parámetros de los modelos AR, MA y ARMA a partir de los datos de una serie temporal. LO-06 El alumno sabe calcular los términos estocástico y determinista de una ecuación diferencial estocástica LO-07 El alumno es capaz de estimar la dimensionalidad y propiedades mas relevantes de un modelo caótico para las series temporales LO-08 El alumno es capaz de descomponer las imágenes en diferentes niveles empleando la transformadas de Haar RA-04 LO-09 El alumno maneja la eliminación de ruido de imágenes empleando transformadas wavelets. RA-04 LO-10 El alumno conoce la implementación y el funcionamiento del procesamiento mediante difusión no lineal. RA-04 LO-11 El alumno maneja el numérico de los filtros de realce. RA-04 LO-12 El alumno conoce las técnicas numéricas de Level Set e implementa funcionales de detección de bordes y de homogeneización de las RA-06 regiones. LO-13 El alumno se inicializa en insertar las formas a priori en la evolución de los contornos activos. RA-06 y RA-07 LO-14 El alumno maneja las técnicas de registro rígido y no rígido entre imágenes. RA-06 LO-15 El alumno tiene un conocimiento ligero sobre la segmentación empleando grafos RA-06 y RA-07 LO-16 El alumno es capaz de implementar un clasificador estadístico RA-07 GUÍA DE APRENDIZAJE Página 8 de 9

9 EVALUACIÓN SUMATIVA (ACUMULATIVA) BREVE DESCRIPCIÓN DE LAS PESO EN LA MOMENTO LUGAR ACTIVIDADES EVALUABLES CALIFICACIÓN Prueba Temas (cuarto hora) 2ª quincena febrero Laboratorio 3% Prueba Tema (cuarto hora) 1ª quincena marzo Laboratorio 6% Prueba Tema (cuarto hora) 2ª quincena marzo Laboratorio 6% Prueba Tema (cuarto hora) 1ª quincena abril Laboratorio 6% Ejercicio final (cuarto hora) 2ª quincena abril Laboratorio 9% Prueba final (dos horas) 2ª quincena mayo Aula 40% Trabajo en grupo 2ª quincena mayo Despacho 30% CRITERIOS DE CALIFICACIÓN 0. Las siguientes actividades configurarán la nota de Evaluación del alumno: Una prueba escrita final, de dos horas de duración, sobre el temario. Supondrá el 40% de la calificación. La resolución de las cuestiones de cada tema con una ponderación del 15% de la evaluación. Ocho prácticas con ordenador en el laboratorio, de una hora de duración. Habrá una memoria escrita por cada práctica y un ejercicio final en la última práctica. Estas actividades supondrán el 15% de la nota final. Una presentación de trabajo en grupo de dos alumnos. Esta actividad será el 30% restante de la calificación. 1. El alumno superará la asignatura si logra al menos 5 puntos en la evaluación, siempre y cuando: Tenga superada las pruebas de laboratorio y el trabajo de curso (ambas al menos con 5 puntos sobre 10). La prueba escrita final deberá de tener al menos 3 puntos sobre La asistencia a las prácticas será obligatoria. GUÍA DE APRENDIZAJE Página 9 de 9