Couvre la détection des bords et des contours dans les images, y compris les méthodes basées sur les gradients, l'opérateur laplacien, et des méthodes plus complexes.
Introduit des bases de traitement d'image en Python, couvrant la manipulation, la conversion à l'échelle grise, la détection des bords et la convolution avec les noyaux.
Explore les techniques de filtrage d'images, y compris les filtres linéaires et non linéaires, pour l'élimination des artefacts et l'amélioration des fonctionnalités.
Explore les concepts de topologie et de détection de bord en vision par ordinateur, mettant en évidence l'importance des contours et des gradients dans l'analyse d'images.
Couvre le potentiel et les limites des techniques de vectorialisation automatique pour numériser des objets à partir de documents ou d'images numérisés.
Introduit des notions fondamentales dans le filtrage numérique, couvrant les approches de filtrage 2D, les filtres linéaires, la stabilité, les filtres FIR et IIR, le filtrage de domaine de fréquence et les filtres gaussiens.
Introduit les bases du traitement d'image, couvrant les images vectoriels vs matrices, le système de couleurs RGB, l'échelle de gris, et les bibliothèques de manipulation d'image.
Explore la moyenne de voisinage, le lissage gaussien, le filtrage médian, l'amélioration du contraste et la détection des bords dans le traitement d'image.
Introduit des techniques de traitement d'image en Python, en se concentrant sur les opérations de manipulation et de convolution à l'aide de NumPy et Pillow.
Introduit les bases de la détection de bord, y compris la mesure du contraste, les images de gradient, l'interprétation de Fourier, les fonctions gaussiennes, le détecteur de bord Canny et les applications industrielles.
Plonge dans les fondements mathématiques et l'importance des indices directionnels dans le traitement de l'image, en explorant les défis informatiques et la sélectivité de l'orientation.
