Prof.Dr. E. López - Visión Computacional

Academia de
Programación

Jefe de Academia
Ing. xxx

Visión computacional (folio 859)

En esta página de internet que corresponde a la materia de Visión computacional se encuentra el temario y actividades del curso. Se incluye también la logística y el método de evaluación. Los exámenes se aplican bajo aviso en la plataforma NEXUS. Las actividades estarán acreditadas solamente si cumplen con los requisitos mínimos de calidad según la rúbrica correspondiente. Deberá entregar en la plataforma Nexus sus reportes de evidencias completos en archivos PDF.

Mi email

francisco.lopezgrr@uanl.edu.mx

NOTAS

Información del curso

Programa escolarizado de clase

Proyecto Innova-Academia

Metodología de evaluación:

Evidencias (30%+15%+15=60%)

Examenes (10%+10%=20%%)

Producto Integrador de Aprendizaje (20%)

Actividades fundamentales, exámenes y PIA se programarán por medio de la plataforma NEXUS (acuerdo de academia):

Diseño del algoritmo bordes (1, 15)

Diseño del algoritmo formas (1, 15)

Programa de detección de formas (2, 15)

Investigación aplicaciones (3, 15)

Tome en consideración que para las actividades fundamentales NO SE DARÁ RETROALIMENTACIÓN INDIVIDUAL por su no-acreditación. Usted podrá -previo a la entrega- despejar sus dudas, hacer preguntar y plantear cuestionamientos como material de discusión en el contenido técnico de la clase, por lo que toda aclaración personalizada a cerca de sus actividades fundamentales ya entregadas no podrá efectuarse.

Actividad fundamental #1
Diseño del algoritmo bordes

Realiza una lectura comprensiva sobre el tema “Edge Detection”.
Ejecuta el código de Python con OpenCV que se te brinda en la seción "Contenido".
Haz cambios en la imagen con un editor (tamaños, rotación de los elementos, etc) con un editor de imágenes y en cada caso ejecuta el algoritmo para que lo uses como reflexión y sacar tus conclusiones.
Altera el código para que lo uses como reflexión y sacar tus conclusiones.
Haz un reporte técnico siguiendo el formato del método científico en Word, con capturas de pantalla, diagramas de los algoritmos y secuencia del procesamiento de datos en las funciones de OpenCV.

Actividad fundamental #2
Diseño del algoritmo formas

Realiza una lectura comprensiva sobre el tema “Line Detection”, posteriormente hace revisión del material brindado por el facilitador y desarrolla las actividades que se le solicitan.
Elabora un diseño el cual se va a presentar de manera de reporte en donde se va a diseñar el algoritmo para realizar el programa que detectará formas en una imagen.
Participa en el foro de discusión

Actividad fundamental #3
Programa de detección de formas

Realiza una lectura comprensiva del material sugerido.
Revisa los videos tutoriales sobre “Procesamiento de imágenes con Octave” y “Procesamiento de imágenes con Python”
Elabora un programa en donde se está solicitando la detección y caracterización de diferentes formas las cuales serán definidas por el programador.

EN CONSTRUCCIÓN

Actividad fundamental #4
Investigación aplicaciones
EN CONSTRUCCIÓN

RÚBRICA DE FORMA para los exámenes, las actividades y el PIA
(Invalida la actividad violar las siguientes reglas de forma):

Más de un archivo por actividad a menos que se solicite

Archivo en formato diferente a PDF

Captura de pantalla / código en modo oscuro (dark mode)

Variable globales en el código o variables declaradas fuera del bloque inicial

Insuficiente identación

Pobre documentación del código con comentarios

El uso de estatutos de código no vistos en clase

Capturas de pantalla ilegibles

Similitud con otros trabajos que a mi juicio infiera copia entre estudiantes

Cualquier acción de deshonestidad académica (link)

Códigos de internet o terceros

No resolver el problema como se plantea

Ejemplos del curso que el estudiante completará:
EN CONSTRUCCIÓN

Conversión de imagen a archivo de texto conteniendo los valores de tono (link)

Algoritmo de Canny (link)

Detección de líneas (link)

Detección de bordes (link)

Evaluación

Revise el reglamento de exámenes de la UANL: LINK

La evaluación de los aprendizajes: Enfoque en la educación a distancia (Link)

Se aplican en fecha oficial de escolar FIME

No olvide traer su portafolio de evidencias para el registro de las actividades acreditadas

Al final del curso debe entregar un archivo PDF con el portafolio de evidencias 100%

Formato de reporte

Formato para el reporte técnico (Word)

Aplicaciones recomendadas

OpenCV - microscopia

Visual - calibracion de taladradora/torno

ImageJ - mimics organos 3D

LabView - imagenes afines (image google)

MatLab - mask face

Direcciones de internet de utilidad en la asignatura

ImageJ (Link)

Broad Bioimage Benchmark Collection (Link)

Curso de ImaJ / Fiji (Link)

IrfanView (Link)

The computer vision HomePage (Link)

Procesamiento Digital de Imágenes con Python y OpenCV (Video)

Getting Started: Python Image Processing (Video)

Haar Cascade Object Detection Face & Eye - OpenCV with Python for Image and Video Analysis 16 (Video)

Machine Vision - Lecture notes (Link)
MIT OPEN COURSEWARE
Instructor(s): Prof. Berthold Horn
MIT Course Number: 6.801 / 6.866

Computer Vision - Lecture notes (Link)
Faisal Qureshi
Visual Computing Lab, Faculty of Science
Ontario Tech University (formerly UOIT)

Computer Vision - Lecture notes (Link)
CMU 16-385, Spring 2021
(Remote) Instructor: Matthew O'Toole

Fichas bibliográficas adicionales a las del programa de clase

Davies, E. R. (2012). Machine Vision: Theory, Algorithms, Practicalities (4.ª ed.). Morgan Kaufmann. ISBN-13: 978-0123869449

Parker, J. R. (2010). Algorithms for image processing and computer vision (2.ª ed.). Wiley. ISBN-13: 978-0470543399

Terzidis, K. (2009). Algorithms for visual design: Using the Processing language. Wiley Publishing, Inc. ISBN-13 978-0470387481

Gonzalez, R. C., Woods, R. E., & Eddins, S. L. (2020). Digital Image Processing Using MATLAB (3ra ed.). Gatesmark Publishing. ISBN-13: 978-1524116408

Chityala, R., & Pudipeddi, S. (2014). Image Processing and Acquisition using Python. Chapman and Hall/CRC. ISBN-13: 978-1466583757

McBride, M. (2020). Image Processing in Python. Independently published. ISBN-13: 979-8650345039

Saff, E. B., & Snider, A. D. (2026). Matrix Fundamentals: From Equation Solving to Signal Processing (2.ª ed.). CRC Press. ISBN-13: 978-1032766324

Howse, J., Joshi, P., & Beyeler, M. (2016). OpenCV: Computer Vision Projects with Python. Packt Publishing. ISBN-13: 978-1786467126

Joshi, P. (2015). OpenCV with Python By Example. Packt Publishing. ISBN-13: 978-1785283932

Dadhich, A. (2018). Practical Computer Vision: Extract insightful information from images using TensorFlow, Keras, and OpenCV. Packt Publishing. ISBN-13: 978-1788297684

Solem, J. E. (2012). Programming Computer Vision with Python: Tools and algorithms for analyzing images. O'Reilly Media. ISBN-13: 978-1449316549

Ramesh Jain, Rangachar Kasturi, Brian G. Schunck. Machine vision. Published by McGraw-Hill, Inc., ISBN 0-07-032018-7, 1995 (Link)

PLAN DE TRABAJO PARA LA CLASE VISIÓN COMPUTACIONAL (folio 859)
1. El plan de trabajo por semanas que a continuación se muestra se irá depurando y detallando conforme transcurra el tiempo. 2. Las actividades deberán entregarse en tiempo y forma exclusivamente por medio de la plataforma NEXUS. Cada estudiante deberá entregar sus reportes en forma digital PDF de manera individual. Evidencia de copia invalida a los entregables involucrados. El nombre del archivo PDF del portafolio de evidencias deberá ser la matrícula del estudiante; ejemplo: 1724407.PDF 3. En caso de no aprobar en ordinario, para tener derecho a examen extraordinario, el estudiante deberá haber entregado con calidad mínima cuando menos el 70% de las actividades fundamentales. 4. Los exámenes de medio curso y ordinario se aplicarán en Nexus de manera programada y quien no presente tendrá cero. 5. Las sesiones de MicroSoft Teams en línea no son obligatorias para los estudiantes y no deberán ser grabadas ni retransmitidas. Quien desee participar, deberá estar en minuta del departamento de escolar de FIME así como también registrarse y comprobar su registro en el grupo MS-Teams de clase. 6. Exámenes se aplican para el grupo 003 a las 9:30 hrs y para el grupo 004 a las 10:30 hrs por medio de NEXUS. Vea el calendario de la FIME: LINK.

PLAN DE TRABAJO PARA LA CLASE VISIÓN COMPUTACIONAL (folio 859)

1. El plan de trabajo por semanas que a continuación se muestra se irá depurando y detallando conforme transcurra el tiempo.

2. Las actividades deberán entregarse en tiempo y forma exclusivamente por medio de la plataforma NEXUS. Cada estudiante deberá entregar sus reportes en forma digital PDF de manera individual. Evidencia de copia invalida a los entregables involucrados. El nombre del archivo PDF del portafolio de evidencias deberá ser la matrícula del estudiante; ejemplo: 1724407.PDF

3. En caso de no aprobar en ordinario, para tener derecho a examen extraordinario, el estudiante deberá haber entregado con calidad mínima cuando menos el 70% de las actividades fundamentales.

4. Los exámenes de medio curso y ordinario se aplicarán en Nexus de manera programada y quien no presente tendrá cero.

5. Las sesiones de MicroSoft Teams en línea no son obligatorias para los estudiantes y no deberán ser grabadas ni retransmitidas. Quien desee participar, deberá estar en minuta del departamento de escolar de FIME así como también registrarse y comprobar su registro en el grupo MS-Teams de clase.

6. Exámenes se aplican para el grupo 003 a las 9:30 hrs y para el grupo 004 a las 10:30 hrs por medio de NEXUS. Vea el calendario de la FIME: LINK.

PLAN DE TRABAJO DE LA CLASE VISIÓN COMPUTACIONAL
FECHA	TEMA	MATERIAL ONLINE (Clase asíncrona)	SESIÓN ONLINE (Requisito su registro en grupo MS-Teams)	ACTIVIDAD DEL ESTUDIANTE (Fundamentales + Complementarias)
(01) 19 ene - 23 ene	FASE I Introducción y propiedades de las imágenes ¿Qué es la Visión Computacional? Definición, objetivos (imitación de la visión humana) y su relación con la Inteligencia Artificial y el Procesamiento Digital de Imágenes. Fases de un sistema de visión computacional: Captura, Preprocesamiento, Extracción de Características, Análisis e Interpretación.	Link Focal Length (mm) influence in a face (gif) and a car (gif) Real-time depth visualization and depth of field simulation (link)	N/A	01) El estudiante demostrará que tiene las herramientas computacionales del curso operando en una computadora para su uso. En el caso del uso de equipo del laboratorio, comprobará la operabilidad de éste.
(02) 26 ene - 30 ene	FASE I Introducción y propiedades de las imágenes Fundamentos de las imágenes digitales Representación: Una imagen como una función 2D (intensidad I(x, y)). Píxeles: La unidad fundamental de la imagen digital. Muestreo y cuantificación. Tipos de Imágenes: Binarias, en escala de grises (8-bit, 256 niveles), e imágenes a color (RGB, CMYK, HSV).	Detección de bordes (link)	N/A	02) Actividad fundamental #1 Diseño del algoritmo bordes Realiza una lectura comprensiva sobre el tema “Edge Detection”. Ejecuta el código de Python con OpenCV que se te brinda en la columna "Material OnLine ". Haz cambios en la imagen con un editor (tamaños, rotación de los elementos, etc) con un editor de imágenes y en cada caso ejecuta el algoritmo para que lo uses como reflexión y sacar tus conclusiones. Altera el código para que lo uses como reflexión y sacar tus conclusiones. Haz un reporte técnico siguiendo el formato del método científico en Word, con capturas de pantalla, diagramas de los algoritmos y secuencia del procesamiento de datos en las funciones de OpenCV.
(03) 02 feb - 06 feb	FASE I Introducción y propiedades de las imágenes Propiedades y operaciones básicas Geometría de la Imagen: Coordenadas, vecindad de píxeles (4-vecinos, 8-vecinos). Histograma: Distribución de intensidades, herramienta esencial para el contraste. Operaciones Puntuales: Transformaciones de intensidad (negativo, umbralización, ajuste de contraste). Filtros espaciales (Convolución): Introducción a las operaciones de vecinos, la máscara o kernel.	Detección de líneas (link)	N/A	03) Actividad fundamental #2 Diseño del algoritmo formas Realiza una lectura comprensiva sobre el tema “Line Detection”, posteriormente hace revisión del material brindado por el facilitador y desarrolla las actividades que se le solicitan. Elabora un diseño el cual se va a presentar de manera de reporte en donde se va a diseñar el algoritmo para realizar el programa que detectará formas en una imagen. Participa en el foro de discusión
(04) 09 feb - 13 feb	FASE II Detección de bordes Fundamentos matemáticos Un borde representa un cambio abrupto en la intensidad de los píxeles Uso de la Derivada (Gradiente) para detectar estos cambios El vector Gradiente (∇I) magnitud (fuerza del cambio) y dirección (orientación del borde)	Link	N/A	04)
(05) 16 feb - 20 feb	FASE II Detección de bordes Operadores clásicos de primer orden Operadores de Roberts, Prewitt y Sobel: Máscaras de convolución simples y su aplicación para aproximar la derivada	Link	N/A	05)
(06) 23 feb - 27 feb	FASE II Detección de bordes Operadores clásicos de segundo orden Laplaciano: Detección de cruces por cero. Sensible al ruido. Laplaciano de Gaussiana (LoG): Suaviza (Gaussiana) y luego detecta (Laplaciano) para reducir el ruido.	Link	N/A	06)
(07) 02 mar - 06 mar	FASE II Detección de bordes El detector de bordes Canny Suavizado Gaussiano. Cálculo de la Magnitud y Dirección del Gradiente. Supresión No Máxima: Adelgazamiento de los bordes. Umbralización con Histéresis: Conexión de segmentos de borde	Canny, John. A Computational Approach to Edge Detection (PDF) Detección de formas (link)	N/A	07) Actividad fundamental #3 Programa de detección de formas Realiza una lectura comprensiva del material sugerido. Revisa los videos tutoriales sobre “Procesamiento de imágenes con Octave” y “Procesamiento de imágenes con Python” Elabora un programa en donde se está solicitando la detección y caracterización de diferentes formas las cuales serán definidas por el programador.
05 mar	EXAMEN DE MEDIO TÉRMINO NO ESCOLARIZADO (MS-TEAMS)	EXAMEN DE MEDIO TÉRMINO NO ESCOLARIZADO (MS-TEAMS)	EXAMEN DE MEDIO TÉRMINO NO ESCOLARIZADO (MS-TEAMS)	EXAMEN DE MEDIO TÉRMINO NO ESCOLARIZADO (MS-TEAMS)
09 mar - 20 mar	PERIODO DE EXAMENES DE MEDIO TÉRMINO ESCOLARIZADOS	PERIODO DE EXAMENES DE MEDIO TÉRMINO ESCOLARIZADOS	PERIODO DE EXAMENES DE MEDIO TÉRMINO ESCOLARIZADOS	PERIODO DE EXAMENES DE MEDIO TÉRMINO ESCOLARIZADOS
(08) 23 mar - 27 mar	FASE II Detección de líneas Limitaciones de la detección de bordes Los detectores de bordes devuelven píxeles aislados; es necesario agruparlos en formas coherentes	Link	N/A	08)
01 abr - 12 abr	RECESO ACADEMICO	RECESO ACADEMICO	RECESO ACADEMICO	RECESO ACADEMICO
(09) 13 abr - 17 abr	FASE III Detección de líneas La transformada de Hough Principio: Un punto en el espacio de la imagen (x, y) corresponde a una familia de líneas en el espacio de parámetros (m, c) o (\rho, \theta). Espacio de parámetros: La transformación de la representación cartesiana a la representación normal polar Acumulador: Votación en el espacio de parámetros. Los picos en el espacio acumulador indican la presencia de una línea fuerte en la imagen.	Link	N/A	09)
(10) 20 abr - 24 abr	FASE III Detección de líneas Detección de líneas rectas. Algoritmo: Detección de bordes Votación en el espacio de Hough para cada punto de borde. Búsqueda de máximos locales en el acumulador. Transformación inversa para obtener las ecuaciones de las líneas detectadas.	Link	N/A	10)
(11) 27 abr - 01 may	FASE III Detección de líneas Extensiones y aplicaciones Detección de círculos y otras formas mediante extensiones de la transformada de Hough.	Link	N/A	11)
(12) 04 may - 08 may	FASE IV Aplicaciones Visión en la Industria Control de Calidad: Detección de defectos en líneas de producción Robótica: Sistemas de guiado de robots (pick and place), soldadura, y navegación.	Link	N/A	12)
(13) 11 may - 15 may	FASE IV Aplicaciones Visión en la seguridad y la vigilancia Detección y Reconocimiento de objetos: Uso de redes neuronales convolucionales (CNN) como YOLO (You Only Look Once) y R-CNN para identificar múltiples objetos en tiempo real. Reconocimiento facial: Identificación de individuos. Análisis de comportamiento: Detección de actividades sospechosas o anomalías en espacios públicos.	Link	N/A	13)
(14) 18 may - 22 may	FASE IV Aplicaciones Visión en la Medicina y la Salud Diagnóstico asistido: Análisis de imágenes médicas (radiografías, resonancias, tomografías) para la detección de tumores o enfermedades. Segmentación de imágenes: Delimitación de órganos o estructuras biológicas para análisis.	Link	N/A	14)
22 may	EXAMEN ORDINARIO NO ESCOLARIZADO (MS-TEAMS)	EXAMEN ORDINARIO NO ESCOLARIZADO (MS-TEAMS)	EXAMEN ORDINARIO NO ESCOLARIZADO (MS-TEAMS)	EXAMEN ORDINARIO NO ESCOLARIZADO (MS-TEAMS)
25 may - 04 jun	PERIODO DE EXAMENES ORDINARIOS ESCOLARIZADOS	PERIODO DE EXAMENES ORDINARIOS ESCOLARIZADOS	PERIODO DE EXAMENES ORDINARIOS ESCOLARIZADOS	PERIODO DE EXAMENES ORDINARIOS ESCOLARIZADOS
05 jun - 17 jun	EXAMEN EXTRAORDINARIO NO ESCOLARIZADO	EXAMEN EXTRAORDINARIO NO ESCOLARIZADO	EXAMEN EXTRAORDINARIO NO ESCOLARIZADO	EXAMEN EXTRAORDINARIO NO ESCOLARIZADO

Academia de Programación Jefe de Academia Ing. xxx	Visión computacional (folio 859) En esta página de internet que corresponde a la materia de Visión computacional se encuentra el temario y actividades del curso. Se incluye también la logística y el método de evaluación. Los exámenes se aplican bajo aviso en la plataforma NEXUS. Las actividades estarán acreditadas solamente si cumplen con los requisitos mínimos de calidad según la rúbrica correspondiente. Deberá entregar en la plataforma Nexus sus reportes de evidencias *completos* en archivos PDF. Mi email francisco.lopezgrr@uanl.edu.mx	NOTAS
Información del curso	Programa escolarizado de clase Proyecto Innova-Academia Metodología de evaluación: Evidencias (30%+15%+15=60%) Examenes (10%+10%=20%%) Producto Integrador de Aprendizaje (20%) Actividades fundamentales, exámenes y PIA se programarán por medio de la plataforma NEXUS (acuerdo de academia): Diseño del algoritmo bordes (1, 15) Diseño del algoritmo formas (1, 15) Programa de detección de formas (2, 15) Investigación aplicaciones (3, 15) Tome en consideración que para las actividades fundamentales NO SE DARÁ RETROALIMENTACIÓN INDIVIDUAL por su no-acreditación. Usted podrá -previo a la entrega- despejar sus dudas, hacer preguntar y plantear cuestionamientos como material de discusión en el contenido técnico de la clase, por lo que toda aclaración personalizada a cerca de sus actividades fundamentales ya entregadas no podrá efectuarse. Actividad fundamental #1 Diseño del algoritmo bordes Realiza una lectura comprensiva sobre el tema “Edge Detection”. Ejecuta el código de Python con OpenCV que se te brinda en la seción "Contenido". Haz cambios en la imagen con un editor (tamaños, rotación de los elementos, etc) con un editor de imágenes y en cada caso ejecuta el algoritmo para que lo uses como reflexión y sacar tus conclusiones. Altera el código para que lo uses como reflexión y sacar tus conclusiones. Haz un reporte técnico siguiendo el formato del método científico en Word, con capturas de pantalla, diagramas de los algoritmos y secuencia del procesamiento de datos en las funciones de OpenCV. Actividad fundamental #2 Diseño del algoritmo formas Realiza una lectura comprensiva sobre el tema “Line Detection”, posteriormente hace revisión del material brindado por el facilitador y desarrolla las actividades que se le solicitan. Elabora un diseño el cual se va a presentar de manera de reporte en donde se va a diseñar el algoritmo para realizar el programa que detectará formas en una imagen. Participa en el foro de discusión Actividad fundamental #3 Programa de detección de formas Realiza una lectura comprensiva del material sugerido. Revisa los videos tutoriales sobre “Procesamiento de imágenes con Octave” y “Procesamiento de imágenes con Python” Elabora un programa en donde se está solicitando la detección y caracterización de diferentes formas las cuales serán definidas por el programador. *EN CONSTRUCCIÓN* Actividad fundamental #4 Investigación aplicaciones *EN CONSTRUCCIÓN* RÚBRICA DE FORMA para los exámenes, las actividades y el PIA (Invalida la actividad violar las siguientes reglas de forma): Más de un archivo por actividad a menos que se solicite Archivo en formato diferente a PDF Captura de pantalla / código en modo oscuro (dark mode) Variable globales en el código o variables declaradas fuera del bloque inicial Insuficiente identación Pobre documentación del código con comentarios El uso de estatutos de código no vistos en clase Capturas de pantalla ilegibles Similitud con otros trabajos que a mi juicio infiera copia entre estudiantes Cualquier acción de deshonestidad académica (link) Códigos de internet o terceros No resolver el problema como se plantea Ejemplos del curso que el estudiante completará: *EN CONSTRUCCIÓN* Conversión de imagen a archivo de texto conteniendo los valores de tono (link) Algoritmo de Canny (link) Detección de líneas (link) Detección de bordes (link)
Evaluación		Revise el reglamento de exámenes de la UANL: LINK La evaluación de los aprendizajes: Enfoque en la educación a distancia (Link) Se aplican en fecha oficial de escolar FIME No olvide traer su portafolio de evidencias para el registro de las actividades acreditadas Al final del curso debe entregar un archivo PDF con el portafolio de evidencias 100%
Formato de reporte	Formato para el reporte técnico (Word)
Aplicaciones recomendadas	OpenCV - microscopia Visual - calibracion de taladradora/torno ImageJ - mimics organos 3D LabView - imagenes afines (image google) MatLab - mask face
Direcciones de internet de utilidad en la asignatura	ImageJ (Link) Broad Bioimage Benchmark Collection (Link) Curso de ImaJ / Fiji (Link) IrfanView (Link) The computer vision HomePage (Link) Procesamiento Digital de Imágenes con Python y OpenCV (Video) Getting Started: Python Image Processing (Video) Haar Cascade Object Detection Face & Eye - OpenCV with Python for Image and Video Analysis 16 (Video) Machine Vision - Lecture notes (Link) MIT OPEN COURSEWARE Instructor(s): Prof. Berthold Horn MIT Course Number: 6.801 / 6.866 Computer Vision - Lecture notes (Link) Faisal Qureshi Visual Computing Lab, Faculty of Science Ontario Tech University (formerly UOIT) Computer Vision - Lecture notes (Link) CMU 16-385, Spring 2021 (Remote) Instructor: Matthew O'Toole
Fichas bibliográficas adicionales a las del programa de clase	Davies, E. R. (2012). Machine Vision: Theory, Algorithms, Practicalities (4.ª ed.). Morgan Kaufmann. ISBN-13: 978-0123869449 Parker, J. R. (2010). Algorithms for image processing and computer vision (2.ª ed.). Wiley. ISBN-13: 978-0470543399 Terzidis, K. (2009). Algorithms for visual design: Using the Processing language. Wiley Publishing, Inc. ISBN-13 978-0470387481 Gonzalez, R. C., Woods, R. E., & Eddins, S. L. (2020). Digital Image Processing Using MATLAB (3ra ed.). Gatesmark Publishing. ISBN-13: 978-1524116408 Chityala, R., & Pudipeddi, S. (2014). Image Processing and Acquisition using Python. Chapman and Hall/CRC. ISBN-13: 978-1466583757 McBride, M. (2020). Image Processing in Python. Independently published. ISBN-13: 979-8650345039 Saff, E. B., & Snider, A. D. (2026). Matrix Fundamentals: From Equation Solving to Signal Processing (2.ª ed.). CRC Press. ISBN-13: 978-1032766324 Howse, J., Joshi, P., & Beyeler, M. (2016). OpenCV: Computer Vision Projects with Python. Packt Publishing. ISBN-13: 978-1786467126 Joshi, P. (2015). OpenCV with Python By Example. Packt Publishing. ISBN-13: 978-1785283932 Dadhich, A. (2018). Practical Computer Vision: Extract insightful information from images using TensorFlow, Keras, and OpenCV. Packt Publishing. ISBN-13: 978-1788297684 Solem, J. E. (2012). Programming Computer Vision with Python: Tools and algorithms for analyzing images. O'Reilly Media. ISBN-13: 978-1449316549 Ramesh Jain, Rangachar Kasturi, Brian G. Schunck. Machine vision. Published by McGraw-Hill, Inc., ISBN 0-07-032018-7, 1995 (Link)