Original title: Klasifikační metody analýzy vrstvy nervových vláken na sítnici
Translated title: A Classification Methods for Retinal Nerve Fibre Layer Analysis
Authors: Zapletal, Petr ; Kolář, Radim (referee) ; Odstrčilík, Jan (advisor)
Document type: Master’s theses
Year: 2010
Language: cze
Publisher: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract: [cze] [eng]
Tato práce se zabývá klasifikací vrstvy nervových vláken na sínici. Pro klasifikaci jsou použita data získaná šesti různými metodami texturní analýzy. Každá metoda vypočítá ze vstupních obrazů vektor příznaků, který je pro danou skupinu charakteristický. Vlastní třídění je realizováno třemi algoritmy učení s učitelem a jedním algoritmem učení bez učitele. Jako první je otestován algoritmus Ho-Kashyap. Poté Bayessovský klasifikátor NDDF (Normal Density Discriminant Function) a pro třetí klasifikátor je použita metoda nejbližších sousedů (Nearest Neighbors) k-NN. Jako poslední je zde odzkoušen klasifikátor K-means, který pracuje na principu shlukové analýzy. Pro větší kompaktnost jsou použity tři metody výběru testovacích dat pro algoritmy učení s učitelem. Jsou to „Repeated random subsampling cross validation“, „K-fold cross validation“ a „Leave one out cross validation“. Všechny použité třídící algoritmy jsou nakonec porovnány podle výsledné chyby klasifikace. This thesis is deal with classification for retinal nerve fibre layer. Texture features from six texture analysis methods are used for classification. All methods calculate feature vector from inputs images. This feature vector is characterized for every cluster (class). Classification is realized by three supervised learning algorithms and one unsupervised learning algorithm. The first testing algorithm is called Ho-Kashyap. The next is Bayess classifier NDDF (Normal Density Discriminant Function). The third is the Nearest Neighbor algorithm k-NN and the last tested classifier is algorithm K-means, which belongs to clustering. For better compactness of this thesis, three methods for selection of training patterns in supervised learning algorithms are implemented. The methods are based on Repeated Random Subsampling Cross Validation, K-Fold Cross Validation and Leave One Out Cross Validation algorithms. All algorithms are quantitatively compared in the sense of classication error evaluation.
Keywords: algorithm; classification; classificator; cross validation; Ho-Kashyap; K-means; NDDF; Nearest Neighbor; retina; algoritmus; cross validation; Ho-Kashyap; K-means; klasifikátor; NDDF; nejbližší soused; sítnice; třídění

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/18175

Permalink: http://www.nusl.cz/ntk/nusl-591665


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Master’s theses