|
|
Systém pro správu sbírek fotografií
Čermák, Pavel ; Juránková, Markéta (oponent) ; Zemčík, Pavel (vedoucí práce)
Tato práce se zabývá správou digitálních fotografií podle metadat obsažených ve fotografiích. Práce popisuje strukturu formátů JFIF, TIFF, RAW a formát EXIF pro ukládání metadat do fotografií. V další části práce je popsán samotný návrh a realizace jednoduché aplikace pro správu fotografií. Hlavní funkcionalita aplikace je zaměřena na hromadné úpravy EXIF metadat ve fotografiích. V závěru této práce je provedeno ověření výsledků a jsou diskutovány další možnosti rozšíření.
|
|
|
Detekce ohně v obraze a videu
Poledník, Tomáš ; Juránková, Markéta (oponent) ; Přibyl, Bronislav (vedoucí práce)
Táto bakalářská práce se zabývá detekcí ohně v obraze a videu. Pozornost je věnována již existujícím metodám a známým přístupům k detekci ohně. Na základe analýzy popsaných metod je pak navržen, implementován a otestován detektor ohně sledující atributy jeho barvy a pohybu. Implementovaný detektor dosahuje až 90% množství správných detekcií.
|
|
|
Živé panorama
Jalůvková, Lenka ; Juránková, Markéta (oponent) ; Herout, Adam (vedoucí práce)
Tato bakalářská práce je zaměřena na tvorbu živých panoramat. Jedná se o inovativní reprezentaci dat ze streamujících kamer. Vstupem je video ze streamujících kamer, výstupem je také stream - panorama neustále se překreslující podle aktuální polohy kamery. Výsledné řešení je založeno na algoritmu SIFT pro hledání klíčových bodů ve snímcích, dále na algoritmu RANSAC pro výpočet homografie sloužící k následnému plynulému spojování snímků. Spoje snímků jsou váhovány pro lepší překreslování v panoramatu. Funkčnost navrhnutého řešení byla otestována na řadě testovacích video nahrávek.
|
|
|
Rozpoznání počasí z pohledu venkovní stacionární kamery
Jenčo, Michal ; Juránková, Markéta (oponent) ; Herout, Adam (vedoucí práce)
Tato práce řeší rozpoznávání počasí z pohledu stacionární venkovní kamery se záběrem krajiny, a to konkrétně mlhy, jasného, polojasného a zamračeného počasí. Zvolený problém byl vyřešen výpočtem pěti obrazových příznaků a strojového učení. Podařilo se dosáhnout celkové úspěšnosti rozpoznávání 95% s jenom malými odchýlkami mezi jednotlivými typmi počasí. Hlavným zjištěním této práce je, že za pomoci zvolené sady jednoduchých příznaků je možno úspěšně odlišit zvolené typy počasí. Výsledky této práce umožňují graficky vykreslit průběh počasí počas dne.
|
|
|
Počítání lidí na lávce FITu kamerou
Mokrá, Radka ; Juránková, Markéta (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se v úvodu zabývá metodami, pomocí kterých lze počítat pohybující se objekty ve videu. Nejprve je popsána metoda odečítání pozadí a její techniky, dále způsob detekce blobů a nakonec způsob sledování a započítávání blobů. Výstupem práce je aplikace, která pomocí popsaných technik počítá skupiny prošlých osob po lávce mezi budovami Fakulty informačních technologií Vysokého učení technického v Brně.
|
|
|
Časosběrné video
Macháček, Martin ; Beran, Vítězslav (oponent) ; Juránková, Markéta (vedoucí práce)
Tato práce pojednává o postupech používaných při tvorbě časosběrného videa ze sady fotografií a nástrojích, které ji usnadňují. Navrhuje a hodnotí různé přístupy použitelné při vyřazování odlišných snímků ze sekvence, aplikaci digitálních obrazových filtrů a další využitelné funkce. Praktickou částí práce je aplikace, která tyto metody a funkce implementuje.
|
|
|
Detekce a rozpoznání maticového kódu v reálném čase
Dobrovolný, Martin ; Juránková, Markéta (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zabývá detekcí a rozpoznáním maticových kódů. Experimentuje s využitím PCLines algoritmu. PCLines využívá Houghovu transformaci a paralelní souřadnice pro rychlé hledání přímek v obraze. Navrhovaný algoritmus pomocí dvojitého použití PCLines detekuje sady rovnoběžek a cross-ratio rovnicí řeší problémy obrazu zkresleného paralelní projekcí. Dále popisuje optimalizace pro běh v reálném čase a experimentální implementaci. Výsledky testů ukazují, že využití PCLines je jednou z možných cest k detekci maticových kódů.
|
|
|
Potlačení artefaktů způsobených přítomností kovů v dentálních CT snímcích
Vágner, Dominik ; Juránková, Markéta (oponent) ; Španěl, Michal (vedoucí práce)
Artefakty způsobené přítomností kovů v snímcích výpočetní tomografie mohou ovlivnit jejich čitelnost a způsobit komplikace při rozhodování lékařských profesionálů. V posled- ních letech metody založené na hlubokém učení zaznamenaly při řešení tohoto problému značný úspěch v porovnaní oproti klasickým specializovaným metodám. V této práci byly implementovány a vyzkoušeny dva modely neuronových sítí (Autoencoder, U-Net), spo- lečně s lepším způsobem pro generovaní syntetické datové sady, která je v daném případě přirozeně nemožná vytvořit. Bylo dosaženo výsledků hodnotících metrik (PSNR, SSIM) porovnatelných s jinými nejmodernějšími přístupy, zatímco byly sníženy požadavky pro po- třebná předzpracovaná data, která je obtížné získat. Tento obecnější přístup umožňuje širší a jednodušší použití bez nutnosti specifického kontrolovaného prostředí.
|
|
|
Image Super-Resolution Using Deep Learning
Bublavý, Martin ; Juránková, Markéta (oponent) ; Španěl, Michal (vedoucí práce)
The ability to identify and treat a variety of medical diseases is made possible by medical imaging, which is an essential component of contemporary healthcare. Yet, elements like noise and low resolution can have a negative impact on the quality of medical photographs. In this thesis, how to enhance the resolution and quality of medical images was investigated using MedSRGAN, a deep learning model built on generative adversarial networks (GANs). MedSRGAN was implemented and then applied to computed tomography (CT), one of the most utilized medical imaging methods.
|
|
|
Re-identifikace vozidla pomocí rozpoznání jeho registrační značky
Špaňhel, Jakub ; Juránková, Markéta (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zabývá návrhem algoritmů detekce a rozpoznání registrační značky vozidla, které by byly použitelné pro re-identifikaci vozidla v obraze, a vytvořením jednoduchého systému analýzy dopravy. Byly navrženy a otestovány jednotlivé části toho systému. Konkrétně se jedná o detekci vozidel, detekci a rozpoznání registrační značky vozidla a systém samotný. Detekce vozidel je prováděna pomocí metody odečítání pozadí a vytváření ohraničení těchto oblastí s úspěšností ~92%. Registrační značka je detekována pomocí kaskády klasifikátoru a dosahuje úspěšnosti 81.72% a přesnosti 94.42%. Rozpoznání poznávací značky pomocí metody Template matching dosahuje úspěšnosti 60.55%. Proto byl představen zcela nový princip rozpoznávání registrační značky vozidla pomocí jejího skenování užitím principu sliding window a rozpoznáváním neuronovou sítí. Neuronová síť dosahuje úspěšnosti 64.47% pro testovací datovou sadu při použití pěti příznaků. Malou úspěšnost neuronové sítě však ovlivňuje nedostatek vzorků některých znaků registrační značky.
|
host ::
RSS.