|
|
Coherence gated holographic microscopy
Ďuriš, Miroslav ; Tyc,, Tomáš (referee) ; Baránek,, Michal (referee) ; Chmelík, Radim (advisor)
Výskumníci v oblasti biomedicíny a metapovrchov opakovane siahajú po kvantitatívnom fázovom zobrazovaní (QPI) ako primárnej zobrazovacej technike vďaka jej vysokovýkonnému, neinvazívnemu a kvantitatívnemu charakteru. Preto si QPI rýchlo vybudovalo svoju nepostrádateľnú úlohu pri identifikácii zriedkavých javov a skríningu v biomedicíne alebo automatizovanej analýze obrazových dát pomocou umelej inteligencie. Tieto a mnohé ďalšie aplikácie zdieľajú náročné splnieľnú požiadavku na rozsiahle a kvalitné súbory dát. Táto práca sa zaoberá základnými problémami optického zobrazovania a to hlavne v biomedicínskom výskume. Výskum v tejto práci je zameraný na štúdium a vývoj nových zobrazovacích metód rozšírením možností koherenciou riadeného holografického mikroskopu. V práci sme sa zaoberali tromi hlavnými oblasťami biomedicínskeho zobrazovania: zobrazovaním v kalnom prostredí, QPI so superrozlíšením a rekonštrukciou 3D rozloženia indexu lomu. Na dosiahnutie takýchto ambicióznych výsledkov sme využili takzvaný efekt koherenčnej brány, ktorý sa zvyčajne využíva na zobrazovanie cez nepriehľadné médiá najmenej rozptýleným (balistickým) svetlom. Zobrazovanie v kalných prostrediach adresujeme v tejto práci tak, že neintuitívne používame koherenčnú bránu na zobrazovanie nebalistickým svetlom, čo nám umožňuje získať informácie chýbajúce v balistickom obraze. Kombinácia obrazov pre rôzne pozície koherenčnej brány nám umožňuje syntetizovať obraz kvalitnejší ako prístupy využívajúce len balistické svetlo. Toto experimentálne demonštrujeme na kvantitatívnom zobrazovaní cez hrubé biologické tkanivo. V práci boli skúmané dva prístupy k superrozlíšeniu kvantitatívneho fázového obrazu. Prvým je prístup adaptujúci syntetickú apertúru, pre ktorý opäť využívame efekty koherenčného bránovania čiastočne koherentného svetla v kombinácii so šikmým osvetlením, ktoré zabezpečuje difrakcia na jednoduchej šesťuholníkovej fázovej mriežke umiestnenej v blízkosti vzorky. Syntetizujeme QPI s výrazne zväčšeným pásmom priestorových frekvencií zo sekvenčne získaných obrazov vytvorených koherenčne filtrovaným svetlom rozptýleným do každého difrakčného rádu mriežky. Ďalej sme vyvinuli metódu tvarovania koherenčnej brány, ktorá umožňuje QPI so superrozlíšením v reálnom čase. V práci navrhujeme prístup založený na skutočnosti, že rozptylová funkcia nášho systému je súčin difrakčne limitovaného obrazu bodového objektu a funkcie koherenčnej brány, ktorú tvarujeme podobne ako superoscilačný hotspot. Výsledok súčinu je rozptylová funkcia so sub-difrakčne limitovanou šírkou centrálneho peaku a so zanedbateľnými postrannými maximami, ktoré sú bežnou prekážkou zobrazovania pomocou superoscilácií. Útlm postranných maxím a zlepšenie rozlíšenia sa odohráva súčasne v celom zornom poli. Preto predstavujeme prvé jednosnímkové QPI so superrozlíšením. Pri oboch metódach sme dosiahli zlepšenie rozlíšenia aspoň o 19\%. V práci sa taktiež venujeme aj 3D zobrazovaniu pomocou koherenciou riadeného holografického mikroskopu. Vyvinuli sme metódu na rekonštrukciu 3D distribúcie indexu lomu zo série kvantitatívnych fázových obrazov vzorky pre rôzné pozície v axiálnom smere. Rekonštruovaná distribúcia indexu lomu má vlastnosti podobné výstupom optickej difrakčnej tomografie. Zároveň je ale potrebný počet akvizícií v prípade navrhovanej metódy výrazne nižší. Náš prístup demonštrujeme pomocou simulovaných, ako aj experimentálnych údajov.
|
|
|
Facial image restoration
Bako, Matúš ; Herout, Adam (referee) ; Hradiš, Michal (advisor)
In this thesis, I tackle the problem of facial image super-resolution using convolutional neural networks with focus on preserving identity. I propose a method consisting of DPNet architecture and training algorithm based on state-of-the-art super-resolution solutions. The model of DPNet architecture is trained on Flickr-Faces-HQ dataset, where I achieve SSIM value 0.856 while expanding the image to four times the size. Residual channel attention network, which is one of the best and latest architectures, achieves SSIM value 0.858. While training models using adversarial loss, I encountered problems with artifacts. I experiment with various methods trying to remove appearing artefacts, which weren't successful so far. To compare quality assessment with human perception, I acquired image sequences sorted by percieved quality. Results show, that quality of proposed neural network trained using absolute loss approaches state-of-the-art methods.
|
|
|
Enhancement of image quality for security forces
Varga, Adam ; Galáž, Zoltán (referee) ; Burget, Radim (advisor)
This bachelor thesis deals with image quality enhancement for security forces. Image quality enhancement in this case means increasing the resolution of image data by using super-resolution techniques using models of deep convolutional neural networks. The thesis in its theoretical part describes the principles of the operation of this technique and in its practical part is presented the work with selected state-of-the-art models in the area of super-resolution.
|
|
|
Image Super-Resolution Using Deep Learning
Mojžiš, Tomáš ; Beran, Vítězslav (referee) ; Španěl, Michal (advisor)
The aim of this thesis is to create a deep neural net capable of super-resolution on images acquired by electron microscopes. The thesis consists of two parts - finding appropriate data and creating a dataset for the super-resolution task and designing a neural net architecture capable of solving the super-resolution task. Within the thesis, two datasets comprised of images acquired by electron microscopes were created. The datasets differ in the approach to data augmentation. They allow to train a neural network which fulfills the super-resolution task. To solve this task, two U-Net based and one GAN based architecture were trained. The resolution of images was upscaled by a factor of two and four. The best artificially upscaled images were created by neural network Real-ESRGAN. The values of metrics were not higher than the tested interpolation method, but the images seem more visually pleasing especially when they were upscaled four times. Thanks to this thesis, two datasets were created allowing to train other possible neural network architectures to improve the quality of the artificially upscaled images. The neural networks trained in this thesis can be utilized in the process of acquiring higher quality data from low resolution electron microscope images.
|
|
|
Superresolution
Mezera, Lukáš ; Dvořák, Radim (referee) ; Orság, Filip (advisor)
Úkolem této diplomové práce je navrhnout vlastní metodu pro zvýšení rozlišení v obraze scény, pokud je k dispozici více snímků dané scény. V teoretické části diplomové práce jsou jako nejlepší metody pro zvýšení rozlišení v obraze vybrány ty, které jsou založeny na principech zpracování signálu. Dále jsou popsány základní požadavky metod pro zvýšení rozlišení v obraze při přítomnosti více snímků stejné scény a jejich typická struktura. Následuje stručný přehled těchto metod a jejich vzájemné porovnání podle optimálních kritérií. Praktická část diplomové práce se zabývá samotným návrhem metody pro zvýšení rozlišení v obraze, pokud je k dispozici více snímků této scény. První navržená metoda je naimplementována a otestována. Při testování této metody je však zjištěna její špatná funkčnost pro snímky scény s nízkým rozlišením, které vznikly vzájemnou rotací. Z toho důvodu je navržena vylepšená metoda pro zvýšení rozlišení v obraze. Tato metoda využívá při svém výpočtu robustních technik. Díky tomu je již vylepšená metoda nezávislá na rotaci mezi snímky scény s nízkým rozlišením. I tato metoda je řádně otestována a její výsledky jsou porovnány s výsledky první navržené metody pro zvýšení rozlišení v obraze. V porovnání výpočetních časů je lepší první navrhovaná metoda, avšak její výsledky pro obrazy obsahující rotace nejsou kvalitní. Oproti tomu pro obrazy, které vznikly pouze posunem při snímání scény, jsou tyto výsledky velice dobré. Vylepšená metoda je tedy využitelná zejména pro obrazy obsahující rotace. V závěru této práce je ještě navrženo jedno vylepšení, které by mohlo zlepšit výsledky druhé navrhnuté metody pro zvýšení rozlišení v obraze scény.
|
|
|
Determination of Objects Similarity Based on Image Information
Rajnoha, Martin ; Kamencay,, Patrik (referee) ; Beneš, Radek (referee) ; Burget, Radim (advisor)
Monitoring of public areas and their automatic real-time processing became increasingly significant due to the changing security situation in the world. However, the problem is an analysis of low-quality records, where even the state-of-the-art methods fail in some cases. This work investigates an important area of image similarity – biometric identification based on face image. The work deals primarily with the face super-resolution from a sequence of low-resolution images and it compares this approach to the single-frame methods, that are still considered as the most accurate. A new dataset was created for this purpose, which is directly designed for the multi-frame face super-resolution methods from the low-resolution input sequence, and it is of comparable size with the leading world datasets. The results were evaluated by both a survey of human perception and defined objective metrics. A hypothesis that multi-frame methods achieve better results than single-frame methods was proved by a comparison of both methods. Architectures, source code and the dataset were released. That caused a creation of the basis for future research in this field.
|
|
|
Super-resolution methods
Franěk, Pavel ; Fedra, Petr (referee) ; Mézl, Martin (advisor)
The main goal of this bachelor’s thesis is acquaint with method, which enable increasing resolution digital photos. Also realize individual interpolation method and Super-resolution by the help of programme Matlab and reference on estimation record. Discuss possibility using method super- resolution for imagery with medical modality.
|
|
|
Image Super-Resolution Using Deep Learning
Bublavý, Martin ; Juránková, Markéta (referee) ; Španěl, Michal (advisor)
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.
|
|
|
Super resolution in the image to ensure improved monitoring of secured areas
Rosa, Martin ; Mezina, Anzhelika (referee) ; Burget, Radim (advisor)
The point of this bachelor thesis was to compare models of super-resolution with the application on resolving human faces. A brief review of the technologies of super-resolution was created and five models were trained and compared. The focus was on the area of super-resolution that could be helpful with identifying people from CCTV cameras. Used technologies were therefore chose based on their perceptual quality and ability to identify the person in the output image. This thesis has shown the effectivity of the compared models using objective and subjective metrics. The results were compared in a survey (106 respondents). Survey has shown the advantage of using wavelet-transform in the area of the super-resolution of human faces.
|
|
|
Image Super-Resolution Using Deep Learning
Mojžiš, Tomáš ; Beran, Vítězslav (referee) ; Španěl, Michal (advisor)
The aim of this thesis is to create a deep neural net capable of super-resolution on images acquired by electron microscopes. The thesis consists of two parts - finding appropriate data and creating a dataset for the super-resolution task and designing a neural net architecture capable of solving the super-resolution task. Within the thesis, two datasets comprised of images acquired by electron microscopes were created. The datasets differ in the approach to data augmentation. They allow to train a neural network which fulfills the super-resolution task. To solve this task, two U-Net based and one GAN based architecture were trained. The resolution of images was upscaled by a factor of two and four. The best artificially upscaled images were created by neural network Real-ESRGAN. The values of metrics were not higher than the tested interpolation method, but the images seem more visually pleasing especially when they were upscaled four times. Thanks to this thesis, two datasets were created allowing to train other possible neural network architectures to improve the quality of the artificially upscaled images. The neural networks trained in this thesis can be utilized in the process of acquiring higher quality data from low resolution electron microscope images.
|
guest ::
