|
|
Blind Image Deconvolution in STEM mode of Electron Microscope
Valterová, Eva ; Walek, Petr (oponent) ; Potočňák, Tomáš (vedoucí práce)
Blind image deconvolution is method, which restore the true image and point spread function simultaneously. The goal of this paper is to introduce several methods of blind deconvolution and find the optimal method for reconstruction of the true image and point spread function of images from scanning transmission electron microscope. The alternating minimization algorithm is assumed as the most convenient for blind deconvolution problem. Then it is modified and tested. The proposed algorithm properties are tested on artificially degraded data and the real data from scanning transmission electron microscope. The algorithm efficiency is evaluated by several evaluating criteria. The algorithm limitations are determined and its area of use is specified.
|
|
|
Segmentace zubních objemových dat
Berezný, Matej ; Kodym, Oldřich (oponent) ; Čadík, Martin (vedoucí práce)
Hlavným cieľom tejto práce bola segmentácia objemových CT dát za použitia neurónových sietí. Ako vedľajší produkt bol vytvorený nový dataset spolu s silnými aj slabými anotáciami a nástroj pre automatický preprocessing dát. Takisto bola overená možnosť využitia transfer learningu a viacfázového trénovania. Z mnohých vykonaných testov možno vyvodiť záver, že aj tranfer learning aj viacfázové trénovanie mali pozitívny vplyv na vývoj dice skóre v porovnaní so základnou použitou metódou či už pri silných, alebo slabých anotáciách.
|
|
|
Interaktivní segmentace 3D CT dat s využitím hlubokého učení
Trávníčková, Kateřina ; Hradiš, Michal (oponent) ; Kodym, Oldřich (vedoucí práce)
Tato práce se zaměřuje na možnosti využití neuronových sítí pro segmentaci CT dat s omezenými možnostmi použití anotovaných dat. Hlavním prostředkem pro zlepšení kvality segmentace kostí pomocí modelu trénovaného na malé datové sadě je zde přidání uživatelské interakce. Dále jsou zkoumány možnosti využití transfer learningu v podobě předtrénování na interaktivní segmentaci na jiné než cílové datové sadě a v podobě předtrénování na restauraci dat pomocí cílové datové sady. Všechny zkoumané metody přinášejí určité zlepšení oproti baseline metodě, kterou je použití datově specifického automatického segmentačního modelu. Při trénování s velmi malými trénovacími množinami dochází ke zvýšení hodnoty Dice skóre až o desítky procent. Praktické uplatnění těchto metod může být například v jejich použití coby nástroje pro urychlení tvorby nového segmentačního datasetu.
|
|
|
Zvyšování kvality videa pomocí konvolučních sítí
Skácel, David ; Špaňhel, Jakub (oponent) ; Hradiš, Michal (vedoucí práce)
Konvoluční neuronové sítě dnes představují v oblasti zpracování obrazu jeden z nejmodernějších přístupů k řešení problémů, jakými jsou například redukce kompresních artefaktů či zvyšování prostorového rozlišení obrazu. Některé výzkumné skupiny již dokazují, že lze tyto sítě adaptovat ke zpracování videa a využít tak přidané informace v čase ke zvětšení prostorového rozlišení videa či dosáhnout lepší úrovně komprese při zachování detailů. Otázkou, zdali je možné využít tento přístup také pro zvýšení časového rozlišení reálného videa, se zabývám v této práci. K tomu využívám konvolučních neuronových sítí, které, jak popisuji, dokáží do jisté míry interpolovat vstupní videosnímky ze skutečných videozáznamů, jsou-li dostatečně kvalitní, a napomoci tak zvýšení snímkové frekvence videa. Dosažené výsledky, ač pozitivní, jsou spíše mezikrokem na cestě za vhodnějším využitím těchto sítí k řešení daného problému.
|
|
|
Blind Image Deconvolution of Electron Microscopy Images
Schlorová, Hana ; Odstrčilík, Jan (oponent) ; Walek, Petr (vedoucí práce)
Blind deconvolution has spread around multiple technical fields in recent years. Problems with computational demands are no more its limitations. Blind deconvolution signal processing techniques are promising solution for enhancement of electron microscope performance. The aim of this work is the problem formulation and proposition of appropriate solution for blind deconvolution of electron microscope images. The final goal is to develop Matlab algorithm correcting aberrations arising from imperfections of image formation and its comparison with built-in Matlab approach implemented in Image Processing Toolbox. Proposed approach is given by regularization techniques of blind deconvolution.
|
|
|
Image Restoration Based on Convolutional Neural Networks
Svoboda, Pavel ; Baláž, Teodor (oponent) ; Sojka, Eduard (oponent) ; Zemčík, Pavel (vedoucí práce)
A merit of this thesis is to introduce a unified image restoration approach based on a convolutional neural network which is to some degree degradation type independent. Convolutional neural network models were trained for two different tasks, a motion deblurring of license plate images and a removal of artifacts related to lossy image compression. The capabilities of such models are studied from two main perspectives. Firstly, how well the model can restore an image compared to the state-of-the-art methods. Secondly, what is the model's ability to handle several ranges of the same degradation type. An idea of the unified end-to-end approach is based on a recent development of neural networks and related deep learning in a field of computer vision. The existing hand-engineered methods of image restoration are often highly specialized for a given degradation type and in fact, define state of the art in several image restoration tasks. The end-to-end approach allows to directly train the required model on specifically corrupted images, and, further, to restore various levels of corruption with a single model. For motion deblurring, the end-to-end mapping model derived from models used in computer vision is deployed. Compression artifacts are restored with similar end-to-end based model further enhanced using specialized objective functions together with a network skip architecture. A direct comparison of the convolutional network based models and engineered methods shows that the data-driven approach provides beyond state-of-the-art results with a high ability to generalize over different levels of degradations. Based on the achieved results, this work presents the convolutional neural network based methods suggesting a possibility having the unified approach used for wide range of image restoration tasks.
|
|
|
RAW image debayerization using deep neural network
Balušík, Peter ; Myška, Vojtěch (oponent) ; Rajmic, Pavel (vedoucí práce)
This thesis focuses on the problem of demosaicing; specifically, demosaicing using deep image prior. Deep image prior (DIP) is a concept that uses untrained convolutional neural networks to solve common reconstruction problems, with the only input information being an image degraded in some way. The aim of this thesis is to find out whether the DIP is a viable method for demosaicing problems. A new demosaicing method based on DIP is proposed and compared with common demosaicing methods. Different color filer arrays (CFAs) were tested to see the full potential of the proposed method. A numerical comparison was made using a variety of assessment methods. Based on this comparison, the proposed method proved to be similar, in some cases even better than the widely used Malvar’s demosaicing method. Visually, the proposed method displayed similar results to the finest method in the experiments – the Menon’s demosaicing method. Additionally, averaging the last few images of the optimization process proved to bring positive results in terms of numerical comparison. Even though the proposed method brought some interesting results, it turned out to be extremely computationally challenging when compared with other common demosaicing methods.
|
|
|
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.
|
|
|
Segmentace zubních objemových dat
Berezný, Matej ; Kodym, Oldřich (oponent) ; Čadík, Martin (vedoucí práce)
Hlavným cieľom tejto práce bola segmentácia objemových CT dát za použitia neurónových sietí. Ako vedľajší produkt bol vytvorený nový dataset spolu s silnými aj slabými anotáciami a nástroj pre automatický preprocessing dát. Takisto bola overená možnosť využitia transfer learningu a viacfázového trénovania. Z mnohých vykonaných testov možno vyvodiť záver, že aj tranfer learning aj viacfázové trénovanie mali pozitívny vplyv na vývoj dice skóre v porovnaní so základnou použitou metódou či už pri silných, alebo slabých anotáciách.
|
|
|
Statistická analýza obrazu v kontrole jakosti
Legát, David
Název práce: Statistická analýza obrazu v kontrole jakosti Autor: David Legát Katedra: Katedra pravděpodobnosti a matematické statistiky Vedoucí disertační práce: Prof. RNDr. Jaromír Antoch, CSc. Abstrakt: V současné době výraznou rychlostí narůstá potřeba zpracovávat nestrukturovaná data. Jednou z významných oblastí manipulace s nestrukturo- vanými daty je zpracování signálů jako je zvuk a obraz, pro které existuje velké množství postupů. Tato práce se zabývá statistickým přístupem ke zpracování obrazu, při kterém je obraz interpretován jako reprezentant náhodného pole. Jsou zde popsány dva problémy: odstranění šumu z obrazu, které napomáhá lepší interpretaci obrazu, a klasifikace obrazu, při které se snažíme identifikovat a rozpoznávat zobrazované objekty. Část práce zaměřená na odstranění šumu po- jednává především o využití simulačních metod MCMC. Tyto postupy je možné vyzkoušet v software, který je součástí práce. Část práce pojednávající o klasi- fikaci obrazu popisuje různé modifikace metody klasifikačních stromů. V závěru práce je uveden příklad zpracování obrazu, kde cílem je identifikace vad tkaných textílií. 1
|
host ::
RSS.