Název:
Automatická klasifikace obrazů
Překlad názvu:
Automatic image classification
Autoři:
Ševčík, Zdeněk ; Miklánek, Štěpán (oponent) ; Sikora, Pavel (vedoucí práce) Typ dokumentu: Diplomové práce
Rok:
2020
Jazyk:
cze
Nakladatel: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstrakt: [cze][eng]
Cílem této práce je prozkoumat shlukovací algoritmy strojového učení bez učitele, které lze použít pro klasifikaci databáze obrazů podle podobnosti. Pro vybrané shlukovací algoritmy je sepsán teoretický základ. Pro zlepšení klasifikace použité databáze se diplomová práce zabývá různými metodami předzpracování obrazů. Těmito metodami jsou z obrazu extrahovány příznaky. Dále práce řeší implementaci metod předzpracování a praktickou aplikaci shlukovacích algoritmů. V praktické části je naprogramována aplikace v programovacím jazyce Python, která klasifikuje databázi obrazů do tříd podle podobnosti. Diplomová práce testuje všechny použité metody a ke konci práce je zpracována rešerše výsledků.
The aim of this thesis is to explore clustering algorithms of machine unsupervised learning, which can be used for image database classification by similarity. For chosen clustering algorithms is written up a theoretical basis. For better classification of used database this thesis deals with different methods of image preprocessing. With these methods the features from image are extracted. Next the thesis solves of implementation of preprocessing methods and practical application of clustering algorithms. In practical part is programmed aplication in Python programming language, which classifies the database of images into classes by similarity. The thesis tests all of used methods and at the end of the thesis is processed searches of results.
Klíčová slova:
Aglomerativní shlukování; automatická klasifikace obrazů; BIRCH; BoVW; BRISK; extrakce příznaků; K-majority; K-means; konvoluční autoenkodér; OBR; strojové učení; učení bez učitele; Aglomerativ clustering; automatic image classification; BIRCH; BoVW; BRISK; convolution autoencoder; feature extraction; K-majority; K-means; machine learning; ORB; unsupervised learning
Instituce: Vysoké učení technické v Brně
(web)
Informace o dostupnosti dokumentu:
Plný text je dostupný v Digitální knihovně VUT. Původní záznam: http://hdl.handle.net/11012/189399