|
|
Zvýrazňování statických obrazů pomocí vlnkové transformace
Candrák, Matúš ; Rajmic, Pavel (oponent) ; Smékal, Zdeněk (vedoucí práce)
Pri tomografickom a ultrazvukovom spracovaní signálov je vnášaný do spracovania šum. Bakalárska práca sa zaoberá zvýrazňovaním statických obrazov, pomocou odšumovania za použitia waveletovej transformácie a detekcie hrán pomocou základných operátorov. V tejto práci sú popísané niektoré typy waveltov na odšumovanie obrazu a základné operátory k detekcii hrán v obraze. Posledná časť sa zaoberá vlastnou aplikáciou na spracovanie obrazov, ktorá bola vytvorená v MATLABE.
|
|
|
Photo Noise Reduction Using Deep Neural Networks
Tichý, Jonáš ; Juránek, Roman (oponent) ; Španěl, Michal (vedoucí práce)
Image noise is a fundamental problem in digital photography. The goal of this thesis is to study the use of deep neural networks in denoising of digital photographs. Two different denoising methods based on deep neural networks, DnCNN and BRDNet, were implemented and their performance was measured in several experiments. Additionally, a user testing experiment was designed and carried out to evaluate the perceived image quality of the studied methods by the general public. The experiments have shown that while both methods achieve state-of-the-art denoising results in metrics such as PSNR and SSIM, the perceived visual quality does not always correlate with the numerical metrics. The results presented in this thesis highlight the importance of proper training datasets and image quality metrics in digital photography denoising.
|
|
|
Redukce obrazového šumu s využitím vlnkové transformace
Holiš, Michal ; Přinosil, Jiří (oponent) ; Malý, Jan (vedoucí práce)
Tato bakalářská práce obsahuje teoretické pojednání o šumech vyskytujících se v digitálních obrazových datech, jejich klasifikaci a možnosti odstranění. V další části je věnována teorii vlnek, vlnkové transformací a jejím využití v práci s jednorozměrnými, ale především dvourozměrnými signály. Hlavně pak s obrazovými daty se zaměřením na odstraňování poruch v těchto datech přítomných. Poslední částí práce je implementace demonstračního programu. Program je vytvořen tak, že na základě uživatelsky zvolených proměnných provede odstranění šumu ze zvolených obrazových dat.
|
|
|
Redukce šumu audionahrávek pomocí hlubokých neuronových sítí
Talár, Ondřej ; Galáž, Zoltán (oponent) ; Harár, Pavol (vedoucí práce)
Práce se zabývá možností použití hluboké rekurentní neuronové sítě typu Long Short-Term Memory pro robustní odšumování zarušeného signálu. LSTM je v současnosti velice lákavá architektura díky své vlastnosti pamatovat si předchozí váhy, a nebo je upravovat nejen dle použitých algoritmů, ale také zkoumáním změn v sousedních buňkách. V práci je popsán výběr výchozího datasetu a použitých šumů spolu s vytvořením optimálních testovacích dat. Pro trénování sítě je zvolen framework KERAS pro jazyk Python a jsou prozkoumány a popsány kandidátní sítě pro možné řešení.
|
|
|
Využití analýzy hlavních komponent (PCA) ke zpracování obrazových dat
Solnický, Jan ; Archalous, Tomáš (oponent) ; Rychtárik, Milan (vedoucí práce)
Tato práce se zabývá využitím analýzy hlavních komponent (PCA) ke zpracování obrazových dat a jejím cílem je seznámit se s matematickým aparátem analýzy hlavních komponent a možnostmi jejího využiti pro zpracovaní obrazu. Dále obsahuje návod jak PCA využít ke kompresi obrazových dat a k převodu barevného obrazu na šedotónový. Ukazuje také možnosti PCA při odstraňování šumu ve vlnkové oblasti. Práce zahrnuje také výsledky kompresních a odšumovacích operací a jejich zhodnocení.
|
|
|
Odstraňování šumu v obraze pomocí metod hlubokého učení
Strejček, Jakub ; Jakubíček, Roman (oponent) ; Vičar, Tomáš (vedoucí práce)
Tato práce se zabývá srovnáním metod odstranění šumu pomocí hlubokého učení a jejich implementací. V posledních letech se ukázalo, že k trénování konvolučních neuronových sítí není nutně potřeba mít párová data, tedy zašuměné a bezšumové obrázky, ale pro některé aplikace stačí pro odstranění šumu pouze ty zašuměné. Metodami uvedenými v této práci lze účinně odstranit např. aditivní Gaussovský šum a lze dosáhnout lepších výsledků než užitím některých statistických metod, které se pro odstranění šumu aktuálně používají.
|
|
|
Noise reduction in high resolution computed tomography data
Tkadlecová, Markéta ; Chmelík,, Jiří (oponent) ; Zikmund, Tomáš (vedoucí práce)
Due to the complexity of the computed tomography (CT) data acquisition process, the noise in captured X-ray images is inevitable and can distort acquired information. Therefore, the noise should be controlled. Noise reduction in CT data has primarily been studied in low-dose medical CT, and there is little known about the properties of noise in sub-micron CT and its suppression. The denoising strategies can take place in the X-ray images, CT slices, or during the reconstruction process. This work primarily focuses on the reduction of noise in X-ray images and CT slices. The first step to finding a complex denoising methodology is to determine the distribution and mathematical model of the noise in the X-ray images. The model was established using bright field images taken under different exposure times. With the estimated model, the artificial noise in a phantom dataset could be simulated. Selected algorithms were tested in the X-ray images and the tomogram slices of the phantom and compared subjectively and objectively, through visual inspection and image quality metrics. The denoising strategies with the best outcomes were further evaluated on measured submicron CT datasets from the CT system Rigaku nano3DX, and their advantages, limitations, and possible usage were described.
|
|
|
Analýza vlivu odstranění šumu v diffuzně vážených MR obrazech
Coufal, Petr ; Kudlička, Petr (oponent) ; Vojtíšek, Lubomír (vedoucí práce)
Tato bakalářská práce se zabývá zobrazováním magnetickou rezonancí (MRI) a analýzou vlivu odstranění šumu (tzv. denoising) na výslednou kvalitu obrazu. Zejména se práce zaměřuje na difuzně vážené zobrazování (DWI), což je technika používaná k vizualizaci difuze ve tkáni. Úvodem je popsán základní princip magnetické rezonance a přehled důležitých pojmů. Dále je uveden princip difuzně váženého zobrazování s důrazem na potlačení šumu, korekci artefaktů a hodnocení kvality obrazu pomocí vybraných parametrů. Na konci teoretické části je přehled aktuálních softwarových nástrojů pro zpracování difuzně vážených dat či přímo pro denoising. V praktické části byla na skupině dobrovolníků naměřena difuzní data, na kterých poté byla provedena analýza vlivu potlačení šumu na kvalitu obrazu.
|
|
|
Audio signal restoration using the Plug-and-Play method
Švento, Michal ; Rajmic, Pavel (oponent) ; Mokrý, Ondřej (vedoucí práce)
The topic of this thesis is the reconstruction of a digital audio signal that is corrupted in two ways, sample dropout and added noise. The classical approach to solving these problems are convex optimization algorithms, which are based on the sparsity of the audio signal. In this thesis, we try a new Plug-and-Play method that embeds a deep network, the denoiser, into conventional algorithms and attempt to solve these two distinct problems using a single algorithm. At the end of the paper, the algorithms are implemented and tested with the most common metrics and these results are evaluated. Modern methods have shown us that they can be more variable in the choice of parameters and offer more balanced solutions.
|
|
|
Photo Noise Reduction Using Deep Neural Networks
Tichý, Jonáš ; Juránek, Roman (oponent) ; Španěl, Michal (vedoucí práce)
Image noise is a fundamental problem in digital photography. The goal of this thesis is to study the use of deep neural networks in denoising of digital photographs. Two different denoising methods based on deep neural networks, DnCNN and BRDNet, were implemented and their performance was measured in several experiments. Additionally, a user testing experiment was designed and carried out to evaluate the perceived image quality of the studied methods by the general public. The experiments have shown that while both methods achieve state-of-the-art denoising results in metrics such as PSNR and SSIM, the perceived visual quality does not always correlate with the numerical metrics. The results presented in this thesis highlight the importance of proper training datasets and image quality metrics in digital photography denoising.
|
host ::
RSS.