|
|
Klasifikace obrazů pomocí genetického programování
Jašíčková, Karolína ; Vašíček, Zdeněk (oponent) ; Sekanina, Lukáš (vedoucí práce)
Tato práce se zabývá klasifikací obrazu pomocí genetického programování a koevoluce. Algoritmy genetického programování umožňují generovat spustitelné struktury a navrhovat tak automatizovaně řešení ve formě programů. Použití koevoluce s predikcí fitness snižuje časovou náročnost výpočtu fitness a tím i dobu trvání celého algoritmu. Práce popisuje teoretický základ evolučních algoritmů a zejména kartézské genetické programování. Jsou také popsány vlastnosti koevolučních algoritmů a zejména navržená metoda pro návrh klasifikátoru obrazu s využitím koevoluce fitness prediktorů, jejímž cílem je nalézt kompromis mezi přesností klasifikace, dobou návrhu a složitostí klasifikátoru. Součástí práce je implementace navžené metody, provedení experimentů a srovnání získaných výsledků s ostatními metodami.
|
|
|
Texture modeling applied to medical images
Remeš, Václav ; Haindl, Michal (vedoucí práce)
V práci jsou prezentovány nové deskriptivní mnoharozměrné markovské tex- turní modely aplikované na počítačem podporovanou diagnostiku rentgenových mamogramů. Tyto netriviální matematické modely, aplikovatelné též v široké oblasti modelování mnoharozměrných vzájemně korelovaných dat mimo mamo- grafii, umožňují, oproti standardním diskriminativním modelům, ideální vizuální ověření pomocí syntézy odpovídajících datových prostorů. Veškeré dosažené výsledky byly podrobeny rozsáhlým benchmarkům. Práce prezentuje dvě metody klasifikace hustoty prsní tkáně z rentgenových mamogramů. Obě metody byly testovány na databázích MIAS a INbreast s výsledky srovnatelnými s nejnovějšími špičkovými metodami. Dále je představeno několik metod pro zcela automatické zvýrazňování mamo- grafických textur. Tyto metody jsou založeny na deskriptivních texturních mod- elech vyvinutých v rámci této práce, které se automaticky adaptují na texturu analyzovaného rentgenového snímku, díky čemuž jsou univerzální pro libovolný druh textury bez potřeby ručního nastavování konkrétních parametrů. Výstupy metod zvýrazňují oblasti zájmu detekované jako texturní abnormality. Metody umožňují nastavit zvýraznění na...
|
|
|
Rozpoznání květin v obraze
Jedlička, František ; Kříž, Petr (oponent) ; Přinosil, Jiří (vedoucí práce)
Tato práce se zabývá rozpoznáváním květin v obraze a klasifikaci do tříd. Teoretická část je zaměřena na problematiku hlubokých konvolučních neuronových sítí. Praktická část se zabývá popisem mnou vytvořené databáze květin, se kterou je dále pracováno. Databáze obsahuje celkem 13000 fotek rostlin 26 druhů a to čekanky, fialky, gerbery, heřmánku, chrpy, jaterníku, jestřábníku, jetele, karafiátu, konvalinky, kopretiny, macešky, máku, měsíčku, narcise, pampelišky, pcháče, pomněnky, růže, sasanky, sedmikrásky, slu- nečnice, sněženky, starčku, tulipánu a vlaštovičníku. Dále je v práci popsán a použit model neuronové sítě Inception v3 na klasifikaci obrazu do tříd. Výsledná klasifikační přesnost dosáhla 92%.
|
|
|
Statistická analýza obrazu v kontrole jakosti
Legát, David
Název práce: Statistická analýza obrazu v kontrole jakosti Autor: David Legát Katedra: Katedra pravděpodobnosti a matematické statistiky Vedoucí disertační práce: Prof. RNDr. Jaromír Antoch, CSc. Abstrakt: V současné době výraznou rychlostí narůstá potřeba zpracovávat nestrukturovaná data. Jednou z významných oblastí manipulace s nestrukturo- vanými daty je zpracování signálů jako je zvuk a obraz, pro které existuje velké množství postupů. Tato práce se zabývá statistickým přístupem ke zpracování obrazu, při kterém je obraz interpretován jako reprezentant náhodného pole. Jsou zde popsány dva problémy: odstranění šumu z obrazu, které napomáhá lepší interpretaci obrazu, a klasifikace obrazu, při které se snažíme identifikovat a rozpoznávat zobrazované objekty. Část práce zaměřená na odstranění šumu po- jednává především o využití simulačních metod MCMC. Tyto postupy je možné vyzkoušet v software, který je součástí práce. Část práce pojednávající o klasi- fikaci obrazu popisuje různé modifikace metody klasifikačních stromů. V závěru práce je uveden příklad zpracování obrazu, kde cílem je identifikace vad tkaných textílií. 1
|
|
|
Využití umělých neuronových sítí v klasifikaci land cover
Oubrechtová, Veronika ; Štych, Přemysl (vedoucí práce) ; Kupková, Lucie (oponent)
Využití umělých neuronových sítí v klasifikaci land cover Abstrakt Předmětem této práce je klasifikace družicových snímků vysokého prostorového rozlišení, které jsou využity k detekci land cover. První část práce podává informace o využívaných metodách během procesu klasifikace s důrazem na umělé neuronové sítě. Ty jsou v praktické části práce zpracovány pro klasifikaci družicového snímku SPOT 5. Čtenář tak získá přehled o možnostech využití umělých neuronových sítí při klasifikaci land cover. Klíčová slova: dálkový průzkum Země, klasifikace obrazu, umělé neuronové sítě, SPOT
|
|
|
Klasifikace obrazů s pomocí hlubokého učení
Hřebíček, Zdeněk ; Přinosil, Jiří (oponent) ; Mašek, Jan (vedoucí práce)
Práce se zabývá detekcí objektů v obraze a jejich klasifikací do tříd. Klasifikace je zajištěna modely prostředí pro hlubokého učení BVLC/Caffe; Detekci objektů zajišťují algoritmy AlpacaDB/selectivesearch a belltailjp/selective_search_py. Jedním z výsledků této práce je úprava a využití modelu hluboké konvoluční neuronové sítě AlexNet v prostředí BVLC/Caffe. Model byl natrénován s přesností 51,75% pro klasifikaci do 1 000 tříd, následně byl upraven a natrénován pro klasifikaci do 20 tříd s přesnotí 75.50%. Přínosem práce je implementace grafického rozhraní pro detekci a klasifikaci objektů do tříd, jež je implementováno jako aplikace na bázi webového serveru v jazyce Python. Aplikace integruje výše zmíněné algoritmy detekce objektů s klasifikací pomocí BVLC/Caffe. Výslednou aplikaci lze použít jak pro detekci (a klasifikaci) objektů, tak pro rychlé ověření klasifikačních modelů prostředí BVLC/Caffe. Tato aplikace byla pro možnost rozšíření a dlašího využití zveřejněna na serveru GitHub pod licencí Apache 2.0.
|
|
|
Vyhledávání lesů v obraze
Kyjovský, Marek ; Španěl, Michal (oponent) ; Šilhavá, Jana (vedoucí práce)
Tato bakalářská práce se zabývá studiem metod a postupů, které se používají pro vyhledávání lesů v leteckých a družicových snímcích. Práce shrnuje a popisuje metody digitálního zpracování obrazu. Dále je práce zaměřena na implementaci demonstrační aplikace, která tyto postupy využívá. Zabývá se návrhem této aplikace a popisuje její implementaci. Nakonec práce hodnotí úspěšnost výstupů z této aplikace.
|
|
|
Metodika řešení masivních úloh v GIS
Opatřilová, Irena ; Hanzl, Vlastimil (oponent) ; Cajthaml,, Jiří (oponent) ; Řezník,, Tomáš (oponent) ; Bartoněk, Dalibor (vedoucí práce)
Disertační práce se zabývá problematikou řešení masivních úloh v GIS. Tyto úlohy zpracovávají geografická data velkých objemů a různých formátů. Práce popisuje teoretický rozbor složitosti úloh a možnosti optimalizace dílčích procesů, které vedou k přijatelnému řešení. Zamýšlí se nad možností využití paralelismu v GIS, čímž lze zrychlit zpracování velkého objemu geodat. Navrhuje také způsob optimalizace procesů prostřednictvím algoritmu, který stanoví počet nutných prostředků k úspěšnému vyřešení úlohy v zadaném čase a k přiřazení procesů těmto prostředkům. Dále je zde navržen algoritmus pro optimalizaci při přípravě dat rozsáhlých GIS projektů. Algoritmy byly ověřeny v rámci výzkumného projektu, jehož cílem byla analýza povrchů terénu nad plynovody na území ČR vyjma dvou krajů. Hlavní metodou analýzy byla klasifikace obrazu ortofota, která byla dále zpřesněná filtrací z vrstev ZABAGED. Proto se práce zabývá i možnostmi zpřesnění výsledků klasifikace obrazu s využitím nástrojů GIS a stanovením chybovosti výsledků analýzy. Výstupy analýzy jsou nyní využívány pro strategické plánování údržby a rozvoje plynárenských zařízení v ČR. Výsledky práce mají obecný význam pro řešení stejné třídy úloh v GIS.
|
|
|
Použití strukturální metody pro rozpoznávání objektů
Valsa, Vít ; Heriban, Pavel (oponent) ; Šťastný, Jiří (vedoucí práce)
Tato diplomová práce se zabývá možností využití strukturálních metod pro rozpoznávání objektů v obraze. Nejprve jsou popsány způsoby pro přípravu obrazu před samotným zpracováním. Vlastní jádro celé práce spočívá v kapitole 3, kde je podrobně rozebrán problém tvorby deformačních gramatik pro syntaktickou analýzu a jejich použití. Dále je věnován prostor syntaktickému analyzátoru interpretujícího deformační gramatiku. Závěr práce je zaměřen na testování navržených metod a jejich výsledky.
|
|
|
Pokročilé metody segmentace cévního řečiště na fotografiích sítnice
Svoboda, Ondřej ; Jan, Jiří (oponent) ; Odstrčilík, Jan (vedoucí práce)
Segmentace cévního řečiště je častým krokem při zpracování retinálních obrazů. V dnešní době existuje řada automatických metod segmentace cévního řečiště. Tyto metody jsou založeny na mnoha přístupech. Od přizpůsobené filtrace, přes metody využívající rozpoznávání vzorů, až po algoritmy využívající klasifikace obrazu. Použití automatických metod při zpracování retinálních snímků výrazně urychluje a zjednodušuje diagnostiku retinálních onemocnění. Při zpracování automatickými segmentačními algoritmy je jednou ze stěžejních částí prahování obrazu, a právě prahování fundus snímků se věnuje tato práce. Je zde popsána řada prací využívajících globální a lokální prahovací metody, a zejména metody klasifikace obrazu pro segmentaci cévního řečiště ze snímků sítnice. Následně byla na výsledky dvou metod segmentace cévního řečiště použita metoda klasifikace obrazu s učením. Z dosažených výsledků byla posléze stanovena schopnost daných metod segmentovat cévní řečiště. Použitím klasifikace obrazu namísto globálního prahování došlo u první metody na zdravé části databáze k poklesu sensitivity na 63,32 % a přesnosti na 94,99 %. Naopak u specificity byl zaznamenán nárůst na 95,75 %. U druhé metody bylo dosaženo sensitivity 69,24 %, specificity 98,86 % a přesnosti 95,29 %. Kombinací výsledků obou metod bylo dosaženo sensitivity 72,48 %, specificity 98,59 % a výsledné přesnosti 95,75 %. Tímto nebyl s použitím daného klasifikátoru potvrzen předpoklad, že klasifikace obrazu s učením je oproti prostému prahování efektivnější. Zároveň bylo však prokázáno, že rozšíření příznakového vektoru kombinací výsledků z obou metod došlo k nárůstu sensitivity, specificity i přesnosti.
|
host ::
RSS.