|
|
Rozšířená realita pomocí rovinného objektu a lokálních obrazových příznaků
Bárta, Milan ; Chrápek, David (oponent) ; Beran, Vítězslav (vedoucí práce)
Tato bakalářská práce se zabývá tvorbou aplikace s prvky rozšířené reality umožňující mapování rovinného objektu a následnou lokalizaci pozice kamery nad tímto modelem s možností dokreslování dalších informací do obrazu. Podrobně jsou rozebrány postupy používané při skládání obrazů pomocí lokálních příznaků, které jsou základními technikami využívanými při tvorbě aplikací pracujících s rozšířenou realitou. Práce se dále zaměřuje na návrh a implementaci takové aplikace.
|
|
|
Deep Learning for Image Stitching
Držíková, Diana Maxima ; Vaško, Marek (oponent) ; Španěl, Michal (vedoucí práce)
Stitching digital images is not something unfamiliar to the average technology user. The most common example of stitching can be found in panoramic images, where the algorithm stitches them to achieve a seamless, high-quality picture. Various steps need to be executed to stitch the images. Feature detection, description, and matching play the most important role in achieving the goal. This thesis will dwell deeper into the stitching problematic and will discuss the possible solutions. The traditional approaches to stitching will be explained in order to understand the basic idea behind it. Later on, the neural networks will be used to enhance the feature processing. The SuperPoint and SuperGlue neural networks will be discussed and used for their experiments. The main product of this work is a matching algorithm which uses the SuperPoint and SuperGlue models to stitch the images from grids. Other experiments which helped the process of understanding this problem, will be explained and evaluated.
|
|
|
Skládání obrazů a videosekvencí
Krym, David ; Seeman, Michal (oponent) ; Zemčík, Pavel (vedoucí práce)
Tato bakalářská práce se zabývá tvorbou panoramat z obrázků a snímků videosekvencí pořízených rotací kamery z jednoho místa. Zahrnuje návrh a implementaci aplikace se zaměřením na kvalitu a výkon. Využity jsou moderní techniky a algoritmy, jako je například SURF, ORB, metody k-nejbližších sousedů a vyrovnání svazku. Navržený nástroj zvládne automaticky skládat obrázky bez jakýchkoliv znalostí o scéně či kameře.
|
|
|
Skládání snímků sítnice oka
Hladyuk, Vadym ; Semerád, Lukáš (oponent) ; Drahanský, Martin (vedoucí práce)
Cílem této práce je sestavení kompletního snímku sítnice, z několika dílčích snímků. Do této doby neexistuje způsob, jakým by bylo možné zachytit celou sítnici v jednom snímku, proto je důležité, se touto problematikou zabývat. Text představí a detailně popíše metody, algoritmy a knihovny, které byly použity k dosažení požadovaných výsledků. Na závěr textu jsou poté demonstrováný dosažené výsledky. Problém skládání snímků sítnice byl vyřešen extrakcí cév ve snímcích sítnice, vyhledáním klíčových bodů ve snímcích, nalezením společných klíčových bodů, vypočítáním transformační matice a transformací jednoho snímku na druhý. Výsledky celé práce byly také konzultovány s očním lékařem a na základě jeho doporučení byly navrženy další možné kroky, kterými by se práce mohla dále ubírat, které jsou rozebrány v textu. Text poskytne čtenáři znalosti o očním aparátu a také představí oblast barevných modelů, formátů snímků, algoritmů pro hledání klíčových bodů, transformace snímků, dále poskytne možný způsob jak poskládat snímky sítnice a navrhne možné vylepšení.
|
|
|
Panoramatické snímky automaticky
Motáček, Vladimír ; Španěl, Michal (oponent) ; Beran, Vítězslav (vedoucí práce)
Tato práce se zabývá automatickým skládáním panoramatických snímků. Snímky nemusí být pořízeny pouze v horizontálním směru ani nemusí být seřazeny. Využívá základních technik jako detekce bodů v obraze Harrisovým rohovým detektorem, nalezení korespondencí těchto bodů pomocí korelace a počítání homografie metodou RANSAC. Obrázky jsou mapovány do roviny dané referenčním snímkem.
|
|
|
Tvorba panoramatických fotografií
Cacek, Pavel ; Čadík, Martin (oponent) ; Behúň, Kamil (vedoucí práce)
Tato práce se zabývá problematikou automatického skládání panoramatických fotografií z jednotlivých snímků. Postupně rozebírá jednotlivé kroky algoritmů, a metody v nich používané, které jsou využívány při tvorbě panoramat. Dále se zaměřuje na návrh vlastního systému založeného na diskutovaných metodách pro konstrukci panoramat. Tento systém je v rámci práce realizován pomocí knihovny OpenCV, a je k němu vytvořeno grafické rozhraní za pomoci knihovny Qt. Nakonec jsou zhodnoceny výstupy tohoto navrženého a implementovaného systému na dostupných datových sadách.
|
|
|
Automatická tvorba mapy terénu dronem
Zaviačič, Tomáš ; Bambušek, Daniel (oponent) ; Beran, Vítězslav (vedoucí práce)
Práce popisuje nástroj pro automatickou tvorbu mapy oblasti zmapované dronem. Mapování probíhá systematickým pořizováním leteckých snímků zemského povrchu. Pořízené snímky jsou následně zpracovány pomocí navržených metod, o kterých práce pojednává. První metoda je postavená na polohovacích metadatech v každém snímku a zbývající dvě metody provádějí analýzu obrazu pomocí algoritmů počítačového vidění. Tyto metody jsou zrealizovány v programovacím jazyce Python za pomocí knihovny OpenCV, Numpy a Exif. Pro experimenty se na vlastní datové sady aplikovaly navržené metody. Vstupem nástroje jsou snímky, které se pomocí jedné z navržených metod zpracují a vytvoří se z nich na výstup výsledná mapa.
|
|
|
Panorama z Ptačí Perspektivy
Sobotka, Lukáš ; Pavelková, Alena (oponent) ; Kolář, Martin (vedoucí práce)
Cílem této práce je vytvoření panoramatu z fotografií pořízených z náhodně pohybujícího se zařízení s operačním systémem Android. Toto zařízení je umístěné na létajícím aparátu (drak, heliový balón, dron, ...). Vzniklé fotografie snímají zemi z výšky, z ptačí perspektivy. Byla tedy vytvořená a otestovaná aplikace pro OS Android, která vytváří kolekci snímků a následně provádí algoritmus pro vytvoření panoramatu. Tento algoritmus určuje pomocí metody SURF deskriptory, které jsou filtrovány algoritmem RANSAC pro nalezení optimální homografie. Provádí se iterativně nad celou kolekcí pořízených fotografií. Obrazová data jsou zpracována pomocí knihovny OpenCV.
|
|
|
Deep Learning for Image Stitching
Šilling, Petr ; Beran, Vítězslav (oponent) ; Španěl, Michal (vedoucí práce)
Image stitching is an essential technique for reconstructing volumes of biological samples from overlapping tiles of electron microscopy (EM) images. Current volume EM stitching methods generally rely on handcrafted features, such as those produced by SIFT. However, recent developments indicate that convolutional neural networks (CNNs) can improve stitching accuracy by learning discriminative features directly from training images. Taking into account the potential of CNNs, this thesis proposes DEMIS, a novel EM image stitching tool based on LoFTR, an attention-based feature matching network. The thesis also proposes a novel dataset generated by splitting high-resolution EM images into grids of overlapping image tiles. The dataset is used to fine-tune LoFTR and to evaluate the DEMIS tool. Experiments on the synthetic dataset reveal higher feature matching accuracy compared to SIFT. Moreover, experiments on challenging images with small overlap regions and high resolution demonstrate significantly higher stitching robustness than SIFT. Overall, the results suggest that deep learning methods could be beneficial for EM imaging, for example, by allowing the use of smaller tile overlaps.
|
|
|
Deep Learning for Image Stitching
Držíková, Diana Maxima ; Vaško, Marek (oponent) ; Španěl, Michal (vedoucí práce)
Stitching digital images is not something unfamiliar to the average technology user. The most common example of stitching can be found in panoramic images, where the algorithm stitches them to achieve a seamless, high-quality picture. Various steps need to be executed to stitch the images. Feature detection, description, and matching play the most important role in achieving the goal. This thesis will dwell deeper into the stitching problematic and will discuss the possible solutions. The traditional approaches to stitching will be explained in order to understand the basic idea behind it. Later on, the neural networks will be used to enhance the feature processing. The SuperPoint and SuperGlue neural networks will be discussed and used for their experiments. The main product of this work is a matching algorithm which uses the SuperPoint and SuperGlue models to stitch the images from grids. Other experiments which helped the process of understanding this problem, will be explained and evaluated.
|
host ::
RSS.