|
|
Zobecněný váleček
Haindl, Michal ; Hatka, Martin
Článek zobecňuje naší dříve publikovanou válečkovou metodu pro bezešvé zvětšování barevných textur, jako jsou přírodní dvousměrové texturní funkce (BTF), které realisticky reprezentují vzhled daného povrchu materiálu. Zobecněný váleček umožňuje automatickou detekci hlavních směrů texturní periodicity, které nemusí být souosé se souřadnicovými osami. Syntéza textury válečkem je založena na překrývajících se dlaždicích a následném řezu, který minimalizuje chybu aproximace. Jedna, nebo několik optimálních dvojitě toroidních BTF oblastí jsou bezešvě opakovány v kroku syntézy. Zatímco tato metoda poskytuje pouze omezenou texturní kompresi, je extrémně rychlá díky úplnému oddělení analytické a syntetické části algoritmu. Metoda je univerzální a snadno implementovatelná v grafickém procesoru pro zobrazování v reálném čase jakéhokoliv typu statických nebo dynamických textur.
|
|
|
Výběr nejinformativnějších proměnných ve statistickém rozpoznávání
Pudil, Pavel ; Somol, Petr ; Haindl, Michal
Výzkumná zpráva obsahuje přehled metod výběru příznaků ve statistickém rozpoznávání s důrazem na metody vyvinuté výzkumníky projektu MATEO Centre of Mechatronics. Diskutované metody zahrnují nejnovější verze optimalizačních algoritmů, sub-optimální techniky a modelování simultánní semi-parametrické pravděpodobnostní hustoty a metody výběru příznaků. Metody jsou ilustrované na reálných datech pomocí programu Feature Selection Toolbox.
|
|
| |
|
|
Úvod do statistického rozpoznávání
Pudil, Pavel ; Somol, Petr ; Haindl, Michal
Problém rozpoznávání je stručně charakterizován jako proces strojového učení. Jeho hlavní etapy (redukce dimenzionality, návrh klasifikátoru) jsou definovány. Prioritou článku je statistický přístup. Dva přístupy k redukci dimenzionality - výběr příznaků (FS) a extrakce příznaků (FE) jsou zmíněny. Přestože je FS speciálním případem FE, tyto přístupy se velmi liší z praktického pohledu a proto musí studovány odděleně.
|
|
|
Rozpoznávání založené na vícerozměrných modelech
Haindl, Michal ; Pudil, Pavel ; Somol, Petr
Tato kapitola vysvětluje obecné přístupy k některým aplikacím rozpoznávání dat založené na modelech. Součástí je i stručný popis tří základních tříd vícerozměrných datových modelů. Pro každou třídu modelů je popsán odhad parametrů a syntéza modelových dat. Na závěr jsou shrnuty výhody a nevýhody studovaných tříd vícerozměrných datových modelů.
|
|
| |
|
| |
|
|
Nový algoritmus hledání cesty pro sešívání obrazů a pokročilé dlaždicování textur
Somol, Petr ; Haindl, Michal
Navrhujeme rychlý a upravitelný sub-optimální algoritmus pro vyhledávání hranic s minimální chybou mezi překrývajícími se obrázky. Algoritmus slouží jako alternativa tradičních pomalých algoritmů, jako je dynamické programování. Náš algoritmus používáme v kombinaci s adaptivním rozpíjením k sešívání oblastí obrázku. Tato technika je dále využita v kontextu vzorkovací syntézy textur, kde navrhujeme algoritmus s oddělenou fází analýzy a syntézy. Syntéza je zde velmi jednoduchá a rychlá.
|
|
|
Váleček - rychlá metoda syntézy textur založená na vzorkování
Haindl, Michal ; Hatka, M.
Článek popisuje jednoduchou metodu pro bezešvé rozšíření přírodních barevných textur. Nová metoda, kterou nazýváme "váleček", je založena překrývajících se oblastech, které jsou následně rozříznuty podlekritéria minimální chyby. Optimální dvojitě toroidních oblast se bezešvě opakuje v kroku syntézy. Metoda dovoluje omezenou kompresi textur, nicméně je extrémně rychlá a umožňuje implementaci přímo v grafickém procesoru pro zobrazení v reálném čase.
|
|
|
Multispectral texture segmentation
Mikeš, Stanislav ; Haindl, Michal
An efficient and robust type of unsupervised multispectral texture segmentation method is presented. The algorithm starts with spectral factorization of an input multispectral texture image using the Karhunen-Loeve expansion. Monospectral factors of single texture patches are assumed to be modelled using a Gaussian Markov random field model. The texture segmentation is done by K-means algorithm in the Markov model parameter space evaluated for each pixel centered image window.
|
host ::
RSS.