|
Metody mapování textur na mračna bodů
Květný, Michal ; Štarha, Pavel (oponent) ; Procházková, Jana (vedoucí práce)
Tato diplomová práce se zabývá mapováním textur získaných z běžných fotografií na trojrozměrná mračna bodů pořízená 3D skenerem. Práce navrhuje mapovací metodu skládající se z rekonstrukce řídkého mračna ze vstupních fotografií a následné registrace tohoto mračna se vstupním hustým mračnem užitím FPFH (Fast Point Feature Histogram) deskriptorů. Součástí práce je implementace navržené metody v programovacím jazyce C++, která je otestovaná na reálných datech.
|
| |
|
Animace a výpočty cyklických křivek v Maplu
Novák, Jiří ; Hoderová, Jana (oponent) ; Procházková, Jana (vedoucí práce)
Hlavním cílem této práce bylo zpracování tématu cyklických křivek a následné vytvoření interaktivních mapletů použitelných pro ilustraci tvorby a vlastností těchto křivek. Ve výsledné verzi se nachází maplet pro vykreslení libovolné parametrické křivky, dále maplet pro výpočet její křivosti, maplet pro vykreslení všech typů cyklických křivek, soubor mapletů pro interaktivní změnu parametrů a soubor mapletů pro ilustraci tvorby jednotlivých křivek (s animací). Práce obsahuje také část věnovanou teoretickým základům nauky o cyklických křivkách.
|
|
Interpolace bodů v projektivním prostoru
Burešová, Klára ; Procházková, Jana (oponent) ; Štarha, Pavel (vedoucí práce)
Cílem této práce je popis interpolačních křivek v rovině, prostoru a s přechodem do projektivního prostoru. Součástí je definování projektivního prostoru, ve kterém budeme pracovat, a také dalších pojmů, jako jsou vektorový prostor, derivace, křivka atd. V druhé části je popis různých druhů aproximace křivek. Hlavní část je program pro rekonstrukci kinematické křivky, která popisuje trajektorii pohybujícího se tělesa. Dílčí metody byly programovány pomocí vývojového nástroje Matlab.
|
|
Obecné rotační NURBS plochy
Sekáč, Ondřej ; Martišek, Dalibor (oponent) ; Procházková, Jana (vedoucí práce)
Tato bakalářská práce se zabývá rotačními NURBS plochami. NURBS plochy jsou racionálním rozšířením B-spline ploch, což umožňuje zobrazení kuželoseček, a tedy i anuloidu, kulové plochy a dalších rotačních ploch. Součástí této práce je programové zpracování vytváření NURBS rotačních ploch ve formě aplikace včetně popisu použitých algoritmů.
|
|
Rekonstrukce 3D objektů z více pohledů
Mrkvička, Daniel ; Štarha, Pavel (oponent) ; Procházková, Jana (vedoucí práce)
Tato diplomová práce se zabývá rekonstrukcí scény užitím dvou nebo více obraz. Popisuje celý proces rekonstrukce skládající se z detekce bod v obrazech, nalezení příslušnégeometrie mezi obrazy a výsledné promítnutí těchto bodů do prostoru scény. Práce dale zahrnuje i popis vlastní aplikace, která demonstruje popsané metody.
|
|
Spektrální analýza v mikroskopii
Sýs, Michal ; Procházková, Jana (oponent) ; Štarha, Pavel (vedoucí práce)
Cílem této práce je vytvoření matematického aparátu pro přesný popis barvy objektů ve snímku z mikroskopu. Tento problém je řešen extrahováním jasových intenzit pylových zrn na čtrnácti pásmech vlnových délek a jejich reprezentací v barevném prostoru. Vytvořený aparát byl úspěšně aplikován na dvě série snímků, umožňuje porovnávání barvy jednotlivých objektů a zjednodušuje její popis. Dosažené výsledky umožňují přesné zkoumání barvy objektů v obraze a tvoří jednoduchý nástroj pro spektrální analýzu snímků.
|
|
Image Descriptors and their Usage for Object Detection
Bature, Jonathan ; Druckmüllerová, Hana (oponent) ; Procházková, Jana (vedoucí práce)
Face detection in images is a widely explored topic in computer vision. The algorithm that enabled face recognition and set new standards in this area was the Viola-Jones algorithm. This thesis work describes and explain the actual implementation of a face detector based on the Viola Jones algorithm using the Matlab CascadeObjectDetector. This thesis contributes to the exploration of techniques such as principal component analysis (PCA) for dimensional reduction of descriptors to establish an object detection system that achieves the best trade-off between performance and speed. In our approach, face detection is performed by Principal Component Analysis (PCA). The facial image is projected into the facial space that encodes the best variation of known facial images. The space of the face is defined by the eigenface. An eigenface is a set of facial eigenvectors that may not correspond to common facial features such as eyes, nose, and lips. The system works by projecting pre-extracted facial images into a series of facial spaces that represent large deviations between known facial images. Faces are classified as known or unknown faces after matching with an existing face image on the database.
|
| |
| |