|
|
Metody pro zvýšení bitové hloubky fotografií
Záviška, Pavel ; Koldovský, Zbyněk (oponent) ; Rajmic, Pavel (vedoucí práce)
Cílem této bakalářské práce je aplikace problematiky řídkých reprezentací na úlohu zvyšování bitové hloubky fotografií. Jsou popsány základní metody pro zvyšování bitové hloubky a následně je představena metoda využívající řídké reprezentace obrazového signálu. Jednotlivé metody jsou naprogramovány v prostředí Matlab. Výsledky implementovaných metod jsou porovnány pomocí objektivních ukazatelů PSNR, SSIM i subjektivně pomocí online dotazníku.
|
|
|
Interaktivní webové audio aplikace pro podporu výuky
Kratoš, Filip ; Koldovský, Zbyněk (oponent) ; Rajmic, Pavel (vedoucí práce)
Semestrální práce je zaměřena na návrh webových appletů v jazyce javascript. Zabývá se návrhem šesti appletů z oblasti jednorozměrných signálů, především audiosignálů. Konkrétně to jsou applety na téma kombinace signálů, součet funkce sinus a kosinus, filtrace signálu, vliv fáze na audiosignál, aliasing a jeho projevy a lineární a nelineární systémy. Hlavním tématem je souhrn teoretických podkladů, implementace jednoho appletu a návrh rozhraní ostatních.
|
|
|
Adaptive Blind Separation of Instantaneous Linear Mixtures of Independent Sources
Šembera, Ondřej ; Tichavský, Petr ; Koldovský, Zbyněk
In many applications, there is a need to blindly separate independent sources from their linear instantaneous mixtures while the mixing matrix or source properties are slowly or abruptly changing in time. The easiest way to separate the data is to consider off-line estimation of the model parameters repeatedly in time shifting window. Another popular method is the stochastic natural gradient algorithm, which relies on non-Gaussianity of the separated signals and is adaptive by its nature. In this paper, we propose an adaptive version of two blind source separation algorithms which exploit non-stationarity of the original signals. The results indicate that the proposed algorithms slightly outperform the natural gradient in the trade-off between the algorithm’s ability to quickly adapt to changes in the mixing matrix and the variance of the estimate when the mixing is stationary.
|
|
|
Interaktivní webové audio aplikace pro podporu výuky
Kratoš, Filip ; Koldovský, Zbyněk (oponent) ; Rajmic, Pavel (vedoucí práce)
Semestrální práce je zaměřena na návrh webových appletů v jazyce javascript. Zabývá se návrhem šesti appletů z oblasti jednorozměrných signálů, především audiosignálů. Konkrétně to jsou applety na téma kombinace signálů, součet funkce sinus a kosinus, filtrace signálu, vliv fáze na audiosignál, aliasing a jeho projevy a lineární a nelineární systémy. Hlavním tématem je souhrn teoretických podkladů, implementace jednoho appletu a návrh rozhraní ostatních.
|
|
|
Metody pro zvýšení bitové hloubky fotografií
Záviška, Pavel ; Koldovský, Zbyněk (oponent) ; Rajmic, Pavel (vedoucí práce)
Cílem této bakalářské práce je aplikace problematiky řídkých reprezentací na úlohu zvyšování bitové hloubky fotografií. Jsou popsány základní metody pro zvyšování bitové hloubky a následně je představena metoda využívající řídké reprezentace obrazového signálu. Jednotlivé metody jsou naprogramovány v prostředí Matlab. Výsledky implementovaných metod jsou porovnány pomocí objektivních ukazatelů PSNR, SSIM i subjektivně pomocí online dotazníku.
|
|
|
Blind Separation of Mixtures of Piecewise AR(1) Processes and Model Mismatch
Tichavský, Petr ; Šembera, Ondřej ; Koldovský, Zbyněk
Modeling real-world acoustic signals and namely speech signals as piecewise stationary random processes is a possible approach to blind separation of linear mixtures of such signals. In this paper, the piecewise AR(1) modeling is studied and is compared to the more common piecewise AR(0) modeling, which is known under the names Block Gaussian SEParation (BGSEP) and Block Gaussian Likelihood (BGL). The separation based on the AR(0) modeling uses an approximate joint diagonalization (AJD) of covariance matrices of the mixture with lag 0, computed at epochs (intervals) of stationarity of the separated signals. The separation based on the AR(1) modeling uses the covariances of lag 0 and covariances of lag 1 jointly. For this model, we derive an approximate Cram´er-Rao lower bound on the separation accuracy for estimation based on the full set of the statistics (covariance matrices of lag 0 and lag 1) and covariance matrices with lag 0 only. The bounds show the condition when AR(1) modeling leads to significantly improved separation accuracy.
|
|
| |
|
| |
|
| |
|
| |
host ::
RSS.