در این صفحه می‌توانید مطالب ارائه شده را در قالب‌ PDF دریافت کنید.

  • جلسه اول
    در این جلسه برخی کاربردهای پردازش تصویر و بینایی ماشین معرفی می‌شوند و برنامه درس ارائه می‌شود.
  • جلسه دوم
    نحوه ثبت و تشکیل تصویر در این جلسه توضیح داده می‌شود. مباحثی مانند Global Shutter و Rolling Shutter توضیح داده می‌شوند.
  • جلسه سوم
    مدل دوربین Pinhole و استفاده از لنز برای ثبت تصویر در این جلسه مطرح می‌شوند.
  • جلسه چهارم
    در این جلسه روش‌های بهبود تصویر در حوزه مکانی از جمله روش‌های مبتنی بر هیستوگرام مانند کشش هیستوگرام، برش هیستوگرام و متعادل‌سازی هیستوگرام بحث می‌شوند.
  • جلسه پنجم
    در این جلسه روش تطبیق هیستوگرام و مزایای آن بحث می‌شود. همچنین، روش CLAHE برای ارتقاء محلی تصویر توضیح داده می‌شود.
  • جلسه ششم
    در این جلسه فیلتر کردن تصویر با استفاده از عملگر کانوولوشن بحث می‌شود.
  • جلسه هفتم
    در این جلسه نحوه محاسبه مشتق و لاپلاسین تصویر با استفاده از کانوولوشن برای برجسته‌سازی جزئیات تصویر بحث می‌شود. همچنین، موضوع تبدیل تصویر و پردازش تصویر در حوزه فرکانس آغاز می‌شود.
  • جلسه هشتم
    در این جلسه نحوه استفاده از فیلترهای فرکانسی برای کاهش نویز (به خصوص نویز متناوب) بحث می‌شود. همچنین، موضوع استخراج شکل از تصویر آغاز می‌شود.
  • جلسه نهم
    در این جلسه لبه‌یاب‌های Sobel و Canny با جزئیات توضیح داده می‌شوند و معادله مربوط به استخراج خط نیز بحث می‌شود.
  • جلسه دهم
    نحوه استخراج خط از تصویر با استفاده از رویکردهای RANSAC و تبدیل Hough در این جلسه ارائه می‌شود. همچنین، چند مثال از لبه‌یاب Canny بررسی می‌شود.
  • جلسه یازدهم

    [PDF]
  • جلسه دوازدهم
    در این جلسه فضاهای رنگی RGB، CMYK، HSI، HSV، HSL و YCbCr بحث می‌شوند. همچنین نحوه ساخت تصاویر شبه‌رنگی بررسی می‌شود.
  • جلسه سیزدهم
    در این جلسه مبحث تناظر و هم‌ترازی تصاویر مطرح می‌شود که کاربردهای زیادی از جمله واقعیت افزوده و موزاییک تصویر دارد. هم‌چنین، آشکارساز Harris به عنوان یکی از روش‌های مشهور در حوزه استخراج نقاط کلیدی بررسی می‌شود.
  • جلسه چهاردهم
    جزئیات آشکارساز Harris در این جلسه بررسی می‌شود. هم‌چنین، نحوه محاسبه توصیف‌گر مستقل از مقیاس و زاویه و نحوه انطباق نقاط کلیدی دو تصویر توضیح داده می‌شود.
  • جلسه پانزدهم
    در این جلسه نحوه محاسبه تابع تبدیل میان دو تصویر بر اساس نقاط انطباق یافته بررسی می‌شود. هم‌چنین، برخی از توابع کاربردی OpenCV در این زمینه معرفی می‌شوند.
  • جلسه شانزدهم
    مبحث ناحیه‌بندی تصویر در این جلسه آغاز می‌شود. روش آستانه‌گذاری سراسری با روش Otsu و هم‌چنین روش آستانه‌گذاری وفقی در این جلسه به صورت مفصل توضیح داده می‌شوند. هم‌چنین، روش استخراج ناحیه‌های متصل از تصویر دوسطحی و رشد ناحیه در تصاویر رنگی بحث می‌شوند.
  • جلسه هفدهم
    در این جلسه رشد ناحیه به روش محلی و سراسری بررسی می‌شوند. هم‌چنین، عملگرهای مورفولوژی گسترش، سایش و باز با ارائه چند مثال کاربردی معرفی می‌شوند.
  • جلسه هجدهم
    عملگرهای مورفولوژی closing و hit-or-miss و استخراج مرز در این جلسه بحث می‌شود.
  • جلسه نوزدهم
    نحوه استخراج اسکلتون تصویر با استفاده از عملگرهای مورفولوژی و محاسبه تبدیل فاصله در این جلسه مطرح می‌شوند. هم‌چنین، عملگرهای مورفولوژی گسترش و سایش برای تصاویر رنگی در این جلسه بررسی می‌شوند.
  • جلسه بیستم
    مسئله دسته‌بندی تصویر در این جلسه طرح و برخی از روش‌های هندسی و رنگی برای استخراج ویژگی معرفی می‌شوند.
  • جلسه بیست و یکم
    در این جلسه دو توصیف‌‌گر بافت تصویر معروف (الگوهای دودویی محلی LBP و هیستوگرام گرادیان‌های جهت‌دار HOG) به طور کامل معرفی می‌شود.
  • جلسه بیست و دوم
    در این جلسه مقدمه‌ی یادگیری ماشین برای دسته‌بندی تصویر، توابع ضرر Hinge و Cross-Entropy بیان می‌شود و یک کد اولیه برای دسته‌بندی کاراکترهای موجود در مجموعه داده MNIST ارائه می‌شود.
  • جلسه بیست و سوم
    لایه‌های کانوولوشنی و استفاده از آن در شبکه‌های عصبی عمیق همراه با دو نمونه کد در این جلسه بحث و بررسی می‌شوند. هم‌چنین، مزایای لایه‌ی کانوولوشنی نسبت به لایه‌های کاملا متصل با جزئیات توضیح داده می‌شود.
  • جلسه بیست و چهارم
    در این جلسه لایه Pooling در شبکه‌های کانوولوشنی معرفی می‌شود. هم‌چنین، نحوه پیاده‌سازی معماری LeNet5 توضیح داده می‌شود. در نهایت، شبکه‌های AlexNet و VGG و GoogLeNet بررسی می‌شوند.
  • جلسه بیست و پنجم
    معماری‌های معروف GoogLeNet و ResNet همراه با تاکید بر مزایا و معایب لایه Global Average Pooling در این جلسه بررسی می‌شوند. هم‌چنین، مفهوم overfitting و underfitting در یادگیری ماشین بحث شده و برای جلوگیری از overfitting، روش‌های Dropout و داده‌افزایی بحث می‌شوند.
  • جلسه بیست و ششم
    روش داده‌افزایی برای آموزش مناسب شبکه‌های عمیق در این جلسه بررسی می‌شود. سپس، نحوه مقداردهی اولیه وزن‌های شبکه‌های عمیق و استفاده از شبکه‌های پیش‌آموخته به صورت کاربردی بحث می‌شود. هم‌چنین، لایه‌های کانوولوشنی با عمق جداپذیر (Depthwise Seperable Convolution)، ادغام میانگین وزن‌دار سراسری (Global Weighted Average Pooling) و Spatial Transformer بررسی می‌شوند.
  • جلسه بیست و هفتم
    پس از بررسی چندین روش مبتنی بر یادگیری عمیق برای دسته‌بندی تصویر، در این جلسه ابتدا موضوع دسته‌بندی و مکان‌یابی مطرح می‌شود. سپس، رویکردهای مهم تشخیص شی (Object Detection) در این جلسه با جزئیات بررسی می‌شوند و مقاله‌های RCNN و Fast RCNN به عنوان دو نمونه از الگوریتم‌های تشخیص شی موفق معرفی می‌شود.
  • جلسه بیست و هشتم
    الگوریتم RCNN و نسخه‌های Fast RCNN و Faster RCNN برای تشخیص شی در این جلسه بررسی می‌شوند. سپس، الگوریتم‌های YOLO و SSD از رویکردهای تشخیص شی یک مرحله‌ای معرفی می‌شوند. در این بخش، نحوه تبدیل لایه‌های کاملا متصل به لایه‌های کانوولوشنی و شبکه‌های کاملا کانوولوشنی (FCN) نیز با جزئیات توضیح داده می‌شوند. علاوه بر این، الگوریتم تطبیق کلیشه به عنوان یک الگوریتم تشخیص شی یک مرحله‌ای، برای تشخیص سریع شی ساده بررسی می‌شود.