|
|
Blind Image Deconvolution in STEM mode of Electron Microscope
Valterová, Eva ; Walek, Petr (referee) ; Potočňák, Tomáš (advisor)
Slepá dekonvoluce je metoda, při které je rozptylová funkce a skutečný obraz rekonstruován zároveň. Cílem této práce je představit různé metody slepé dekonvoluce a najít optimální metodu rekonstrukce původního obrazu a rozptylové funkce. Jako nejvhodnější metoda slepé dekonvoluce byl zvolen algoritmus střídavé minimalizace, který byl upraven a testován. Vlastnosti navrženého algoritmu byly testovány na uměle degradovaných datech a na reálných datech pořízených skenovacím transmisním elektronovým mikroskopem. Účinnost algoritmu byla hodnocena hned několika hodnotícími kritérii. Byla zjištěna omezení algoritmu a tím specifikováno jeho využití.
|
|
|
Volumetric Segmentation of Dental CT Data
Berezný, Matej ; Kodym, Oldřich (referee) ; Čadík, Martin (advisor)
The main goal of this work was to use neural networks for volumetric segmentation of dental CBCT data. As a byproducts, both new dataset including sparse and dense annotations and automatic preprocessing pipeline were produced. Additionally, the possibility of applying transfer learning and multi-phase training in order to improve segmentation results was tested. From the various tests that were carried out, conclusion can be drawn that both multi-phase training and transfer learning showed substantial improvement in dice score for both sparse and dense annotations compared to the baseline method.
|
|
|
Interactive 3D CT Data Segmentation Based on Deep Learning
Trávníčková, Kateřina ; Hradiš, Michal (referee) ; Kodym, Oldřich (advisor)
This thesis deals with CT data segmentation using convolutional neural nets and describes the problem of training with limited training sets. User interaction is suggested as means of improving segmentation quality for the models trained on small training sets and the possibility of using transfer learning is also considered. All of the chosen methods help improve the segmentation quality in comparison with the baseline method, which is the use of automatic data specific segmentation model. The segmentation has improved by tens of percents in Dice score when trained with very small datasets. These methods can be used, for example, to simplify the creation of a new segmentation dataset.
|
|
|
Video Enhancement Using Convolutional Networks
Skácel, David ; Špaňhel, Jakub (referee) ; Hradiš, Michal (advisor)
Convolutional neural networks (CNN) represent a state-of-the-art approach to non-trivial image processing tasks, including compression artifacts reduction and image super-resolution. As some research groups nowadays show, these networks can also be leveraged to perform such tasks on real-world video data, resulting in video spatial super-resolution and more. The main goal of this work is to determine whether these nets can be adjusted to perform temporal super-resolution of real-world video data. I utilize the aforementioned neural net architectures in this paper to do so. As I show, given that the input videos are of reasonable quality, these nets are capable of double-image interpolation up to a certain level, where the output image is usable for temporal upsampling. Although the presented results are promising, I encourage more research to be done on this topic.
|
|
|
Blind Image Deconvolution of Electron Microscopy Images
Schlorová, Hana ; Odstrčilík, Jan (referee) ; Walek, Petr (advisor)
V posledních letech se metody slepé dekonvoluce rozšířily do celé řady technických a vědních oborů zejména, když nejsou již limitovány výpočetně. Techniky zpracování signálu založené na slepé dekonvoluci slibují možnosti zlepšení kvality výsledků dosažených zobrazením pomocí elektronového mikroskopu. Hlavním úkolem této práce je formulování problému slepé dekonvoluce obrazů z elektronového mikroskopu a hledání vhodného řešení s jeho následnou implementací a porovnáním s dostupnou funkcí Matlab Image Processing Toolboxu. Úplným cílem je tedy vytvoření algoritmu korigujícícho vady vzniklé v procesu zobrazení v programovém prostředí Matlabu. Navržený přístup je založen na regularizačních technikách slepé dekonvoluce.
|
|
|
Image Restoration Based on Convolutional Neural Networks
Svoboda, Pavel ; Baláž, Teodor (referee) ; Sojka, Eduard (referee) ; Zemčík, Pavel (advisor)
Tématem práce je použití konvolučních neuronových sítí pro obecnou restauraci obrazu. Ta se typicky provádí za pomoci specializovaných metod pro konkrétní typ poškození. Model konvoluční sítě zde představuje jednotný přístup, který je aplikován na dva různé typy degradace obrazu, pohybem rozmazané snímky registračních značek a artefakty vznikající vysokou kompresí. Na modely konvolučních sítí je nahlíženo ze dvou úhlů. A to jak dobře si konvoluční sítě vedou v porovnání se současnými metodami pro restauraci konkrétního typu poškození a jak velký rozsah poškození je právě jeden model ještě schopen zpracovat. Klasické metody jsou charakteristické svým úzkým zaměřením na konkrétní typ poškození. Díky své specializaci tyto metody dosahují velmi dobrých výsledků a reprezentují tak dosažené poznání v oboru. Naproti tomu je představena myšlenka jednotného přístupu, tedy mapování poškozeného obrazu přímo na restaurovaný obraz. Ta je primárně ovlivněna současným vývojem konvolučních neuronových sítí a jejich hlubokého učení v počítačovém vidění. Právě učením konvoluční sítě lze jednoduše získat model zaměřený na konkrétní typ poškození. Ten je současně nezřídka schopen pokrýt širokou škálu úrovní konkrétního poškození. V práci je představena metoda přímého mapování z rozmazaného na ostrý obraz pro restauraci pohybem rozmazaných snímků. Ta je odvozena od modelů využívaných v počítačovém vidění pro sémantickou segmentaci obrazu. V případě odstranění kompresních artefaktů je tento přístup rozšířen o specifické učení modelu a různé modifikace samotné architektury sítě. Modely konvolučních sítí v porovnání s tradičními metodami dosahují kvalitativně lepších výsledků. Zároveň se zde představené modely jednoduše vypořádají s širokým rozsahem konkrétního poškození. Ukazuje se tak, že právě modely konvolučních sítí by mohly reprezentovat jednotný přístup pro restauraci různých typů poškozeni.
|
|
|
RAW image debayerization using deep neural network
Balušík, Peter ; Myška, Vojtěch (referee) ; Rajmic, Pavel (advisor)
Táto práca sa zaoberá problémom debayerizácie a to konkrétne debayerizáciou pomocou deep image prior. Deep image prior (DIP) je koncept riešenia bežných rekonštrukčných problémov použitím netrénovaných konvolučných neurónových sietí. Jedinou vstupnou informáciou je obrázok, ktorý bol nejakým spôsobom poškodený. Cieľom tejto práce je zistiť, či je DIP použitelná metóda na problémy debayerizácie. Taktiež bola navrhnutá nová debayerizačná metóda založená na DIP a porovnaná s bežnými debayerizačnými metódami. Rôzne mozaikové farebné filtre (CFAs) boli otestované na zistenie plného potenciálu navrhnutej metódy. Číselné porovnanie bolo spravené použitím rôznych metód hodnotenia. Na základne tohto porovnania, zvolená metóda preukázala podobné, v niektorých prípadoch aj lepšie, výsledky ako Malvarova debayerizačná metóda. Vizuálne, navrhovaná metóda ukázala podobné výsledky k najkvalitnejšej metóde v experimentoch – Menonovej debayerizačnej metóde. Dodatočne, spriemerovanie posledných pár obrázkov optimizačného procesu prinieslo pozitívne výsledky vzhľadom na číselné porovnanie. Aj keď navrhovaná metóda priniesla zaujímavé výsledky, ukázalo sa, že je mimoriadne výpočetne náročná v porovnaní s ďaľšími bežnými debayerizačnými metódami.
|
|
|
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.
|
|
|
Volumetric Segmentation of Dental CT Data
Berezný, Matej ; Kodym, Oldřich (referee) ; Čadík, Martin (advisor)
The main goal of this work was to use neural networks for volumetric segmentation of dental CBCT data. As a byproducts, both new dataset including sparse and dense annotations and automatic preprocessing pipeline were produced. Additionally, the possibility of applying transfer learning and multi-phase training in order to improve segmentation results was tested. From the various tests that were carried out, conclusion can be drawn that both multi-phase training and transfer learning showed substantial improvement in dice score for both sparse and dense annotations compared to the baseline method.
|
|
|
Statistical image analysis in quality control
Legát, David
Title: Statistical image analysis in quality control Author: David Legát Department: Department of probability and mathematical statistics Supervisor: Prof. RNDr. Jaromír Antoch, CSc. Abstract: Currently, necessity to handle unstructured data rises significantly. One important area of unstructured data manipulation is signal processing such as audio and video, for which there exist many procedures. This work deals with the statistical approach to image processing, in which the image is interpreted as a representative of a random field. It describes two problems: removing noise from an image which facilitates better interpretation of the image, and image classification, in which we try to identify and recognize objects displayed. Part of the work aimed at eliminating of noise deals primarily with the use of MCMC simulation methods. These procedures can be tested in software that is included. Part of the work dealing with the classification of the image describes various modifications of classification trees methods. An example of image processing, which is the identification of defects in woven fabrics, is presented at the end. 1
|
guest ::
