|
|
Nové metody nadvzorkování obrazu
Kučera, Ondřej ; Rajmic, Pavel (oponent) ; Špiřík, Jan (vedoucí práce)
Tato diplomová práce se zabývá metodami pro zvyšování rozlišení obrazu. Obsahuje jak popis teoretických principů a popis výpočtů známých a v dnešní době běžně používaných metod pro zvyšování rozlišení obrazu, tak i popis nových metod, které se v této oblasti zpracování obrazu využívají a v neposlední řadě také mnou navržené vylepšení jedné z metod. Dále obsahuje popis metod pro hodnocení podobnosti obrazů a porovnání výsledků získaných pomocí jednotlivých metod, které jsou v práci popsány. V rámci této práce byli vybrané metody implementovány v programovacím jazyce MATLAB. Vznikla tak aplikace, která realizuje některé metody zvyšování obrazů a hodnotí jejich výsledky vzhledem k původnímu obrazu pomocí PSNR a indexu SSIM.
|
|
|
Klasifikační metody analýzy vrstvy nervových vláken na sítnici
Zapletal, Petr ; Kolář, Radim (oponent) ; Odstrčilík, Jan (vedoucí práce)
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.
|
|
|
Metody zvyšování rozlišení digitálních snímků
Franěk, Pavel ; Fedra, Petr (oponent) ; Mézl, Martin (vedoucí práce)
Cílem této bakalářské práce je se seznámit s metodami, které umožňují zvýšení rozlišení digitálních snímků. Také realizovat jednotlivé interpolační metody i Super-rozlišení pomocí programu Matlab a poukázání na zhodnocené výsledky. Diskutovat o možnostech použití metod Super-rozlišení pro obrazy s lékařských modalit.
|
|
|
Moderní metody predikce sekundární struktury proteinů a jejich srovnání
Kraus, Ondřej ; Novotný, Marian (vedoucí práce) ; Pleskot, Roman (oponent)
V současnosti existuje několik nástrojů k predikci sekundární struktury proteinů, většina moderních metod používá algoritmy, jako jsou skryté Markovovy modely nebo umělé neurální sítě. Ve své práci se proto pokusím s nimi čtenáře seznámit a vysvětlit na jakém principu pracují, jaké jsou jejich výhody a nevýhody. Většina moderních metod predikuje tři typy sekundární struktury (helix, list a smyčku) s úspěšností 70%-80%. Nicméně vzhledem k odlišné metodice testování úspěšnosti různých metod lze brát výsledky pouze jako orientační, a uživatel by se proto měl s metodou a metodikou jejího testování nejprve detailně seznámit. Klíčová slova: predikce proteinové struktury, skrytý Markovův model, umělá neuronová síť, nejbližší soused, sekundární struktura proteinů
|
|
|
Moderní metody predikce sekundární struktury proteinů a jejich srovnání
Kraus, Ondřej ; Novotný, Marian (vedoucí práce) ; Pleskot, Roman (oponent)
V současnosti existuje několik nástrojů k predikci sekundární struktury proteinů, většina moderních metod používá algoritmy, jako jsou skryté Markovovy modely nebo umělé neurální sítě. Ve své práci se proto pokusím s nimi čtenáře seznámit a vysvětlit na jakém principu pracují, jaké jsou jejich výhody a nevýhody. Většina moderních metod predikuje tři typy sekundární struktury (helix, list a smyčku) s úspěšností 70%-80%. Nicméně vzhledem k odlišné metodice testování úspěšnosti různých metod lze brát výsledky pouze jako orientační, a uživatel by se proto měl s metodou a metodikou jejího testování nejprve detailně seznámit. Klíčová slova: predikce proteinové struktury, skrytý Markovův model, umělá neuronová síť, nejbližší soused, sekundární struktura proteinů
|
|
|
Metody zvyšování rozlišení digitálních snímků
Franěk, Pavel ; Fedra, Petr (oponent) ; Mézl, Martin (vedoucí práce)
Cílem této bakalářské práce je se seznámit s metodami, které umožňují zvýšení rozlišení digitálních snímků. Také realizovat jednotlivé interpolační metody i Super-rozlišení pomocí programu Matlab a poukázání na zhodnocené výsledky. Diskutovat o možnostech použití metod Super-rozlišení pro obrazy s lékařských modalit.
|
|
|
Nové metody nadvzorkování obrazu
Kučera, Ondřej ; Rajmic, Pavel (oponent) ; Špiřík, Jan (vedoucí práce)
Tato diplomová práce se zabývá metodami pro zvyšování rozlišení obrazu. Obsahuje jak popis teoretických principů a popis výpočtů známých a v dnešní době běžně používaných metod pro zvyšování rozlišení obrazu, tak i popis nových metod, které se v této oblasti zpracování obrazu využívají a v neposlední řadě také mnou navržené vylepšení jedné z metod. Dále obsahuje popis metod pro hodnocení podobnosti obrazů a porovnání výsledků získaných pomocí jednotlivých metod, které jsou v práci popsány. V rámci této práce byli vybrané metody implementovány v programovacím jazyce MATLAB. Vznikla tak aplikace, která realizuje některé metody zvyšování obrazů a hodnotí jejich výsledky vzhledem k původnímu obrazu pomocí PSNR a indexu SSIM.
|
|
|
Klasifikační metody analýzy vrstvy nervových vláken na sítnici
Zapletal, Petr ; Kolář, Radim (oponent) ; Odstrčilík, Jan (vedoucí práce)
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.
|
host ::
RSS.