|
|
Sparse Signal Recovery via Convex Optimization
Novosadová, Michaela
We propose recovering 1D piecewice linear signal using a sparsity-based method consisting of two steps. The first step is signal segmentation via optimization algorithms solving sparsity based model. Second step consists of applying an ordinary mean square method on each detected segment of the signal. We show results of our experiments on two types of the signal.
|
|
|
Automatická segmentace zájmových oblastí lidského obratle
Novosadová, Michaela ; Jan, Jiří (oponent) ; Peter, Roman (vedoucí práce)
Tato bakalářská práce popisuje anatomii páteře a její nejčastější patologie se zaměřením na nádorová onemocnění, která v dnešní době postihují stále vyšší procento populace. Dále práce obsahuje teoretické pojednání o registraci obrazu. Cílem práce je vytvoření algoritmu, který bude schopen automaticky segmentovat lidský obratel na zájmové oblasti (tj. tělo a zadní elementy). Takto segmentovaný obratel by mohl v budoucnu usnadnit klasifikaci nádorových onemocnění páteře. Na základě teoretických znalostí bylo navrženo řešení využívající registrace segmentovaných modelů na originální data. Práce popisuje postup řešení daného problému. Popis postupu řešení a hodnocení výsledků jsou prezentovány pro názornost řadou tabulek, grafů a obrázků.
|
|
|
Image Edge Detection Using Convex Optimisation
Novosadová, Michaela ; Róka, Rastislav (oponent) ; Dostál, Otto (oponent) ; Rajmic, Pavel (vedoucí práce)
Image edge detection is one of the most important techniques in digital image processing. It is used, among other things, as the first step of image segmentation. Therefore, it remains an area of interest for researchers trying to develop ever-better detection approaches. The main objective of this Thesis is to find a suitable method for image edge detection using convex optimisation. The proposed method is based on sparse modelling, and its main part is formulated as a convex optimisation problem solved by proximal algorithms. For defining the optimisation problem, it is assumed that the signal can be modelled as an over-parametrised, piecewise-polynomial signal that consists of disjoint segments. The number of these segments is significantly smaller than the number of signal samples, which encourages the use of sparsity. The formulation of a suitable optimisation problem is first performed on one-dimensional signals since the implementation and comparison of the different algorithms is significantly easier and less time-consuming for one-dimensional signals than two-dimensional ones. The first part of the Thesis introduces the basic theory in signal processing, sparsity, convex optimisation and proximal algorithms. It also presents a cross-section of the methods used for image edge detection. The second part of the Thesis focuses on the formulation and the subsequent evaluation of individual optimisation problems for the segmentation of one-dimensional synthetic signals corrupted by noise. The evaluation is conducted in terms of both denoising and breakpoint detection accuracy. The last part of the Thesis is dedicated to expanding the best-performing approach for breakpoint detection in one-dimensional signals for the application to image edge detection. The proposed approach is tested on a standardised dataset of images containing manually labelled edges of several subjects. The results of the proposed method are evaluated using precision-recall curves and their maximum F-measure score, and then compared with other edge detection methods.
|
|
|
Sparse Signal Recovery via Convex Optimization
Novosadová, Michaela
We propose recovering 1D piecewice linear signal using a sparsity-based method consisting of two steps. The first step is signal segmentation via optimization algorithms solving sparsity based model. Second step consists of applying an ordinary mean square method on each detected segment of the signal. We show results of our experiments on two types of the signal.
|
|
|
Automatická segmentace zájmových oblastí lidského obratle
Novosadová, Michaela ; Jan, Jiří (oponent) ; Peter, Roman (vedoucí práce)
Tato bakalářská práce popisuje anatomii páteře a její nejčastější patologie se zaměřením na nádorová onemocnění, která v dnešní době postihují stále vyšší procento populace. Dále práce obsahuje teoretické pojednání o registraci obrazu. Cílem práce je vytvoření algoritmu, který bude schopen automaticky segmentovat lidský obratel na zájmové oblasti (tj. tělo a zadní elementy). Takto segmentovaný obratel by mohl v budoucnu usnadnit klasifikaci nádorových onemocnění páteře. Na základě teoretických znalostí bylo navrženo řešení využívající registrace segmentovaných modelů na originální data. Práce popisuje postup řešení daného problému. Popis postupu řešení a hodnocení výsledků jsou prezentovány pro názornost řadou tabulek, grafů a obrázků.
|
|
|
Segmentace 3D obrazových dat s využitím pokročilých texturních a tvarových příznaků
Novosadová, Michaela ; PhD, Miloš Malínský, (oponent) ; Jan, Jiří (vedoucí práce)
Tato diplomová práce se zabývá nejprve teoretickým popisem řady metod texturní a tvarové analýzy. Tyto metody jsou v několika publikovaných článcích využity pro automatickou detekci lézí v páteři na CT snímcích, v této práci jsou některé z těchto článků krátce prezentovány. Dále diplomová práce obsahuje popis různých klasifikátorů, které se využívají pro klasifikaci příznakových vektorů odvozených uvedenými metodami. Realizační částí práce je návrh a implementace vlastního řešení segmentace obrazových dat (metastatických lézí v obratlích) s využitím klasifikace příznakových vektorů tvořených texturními a tvarovými příznaky. Práce se také věnuje výběru významných příznaků pro segmentaci. Segmentační algoritmus je testován na medicínských datech.
|
host ::
RSS.