Přednášky:
Detekce hran v obrazech. Gradientní metoda. Metoda průchodu nulou. Paramerické modely hrany. Cannyho detektor hran.
Prahování. Stanovení optimálního prahu. Segmentace narůstáním nebo dělením oblastí. Spojování hran. Metoda shlukování v prostoru parametrů. Houghova transformace. Heuristické sledování hranice. Detektory význačných bodů (rohů).
Variační formulace úlohy o segmentaci (level-set metody). Segmentace na základě hustoty (mean-shift metody).
Měření objektů. Výpočet a volba příznaků pro příznakové rozpoznání. Hodnocení účinnosti a optimalizace množiny příznaků.
Klasifikátor a klasifikace pomocí diskriminačních funkcí. Určení diskriminačních funkcí s využitím pravděpodobnostního přístupu. Klasifikace pomocí etalonů.
Klasifikace pomocí neuronové sítě. Klasifikace metodami AdaBoost (Adaptive Boosting). Klasifikace metodami SVM (Support Vector Machine).
Rekonstrukce prostorových souřadnic na základě znalosti dvou nebo více různých obrazů téže scény. Kalibrace kamery.
Separace pozadí a objektů metodou MoG (Mixture of Gaussians).
Úloha o korespondenci mezi obrazy a některé metody jejího řešení.
Analýza obrazů proměnných v čase. Optický tok. Sledování objektů.
Řešení některých problémů analýzy obrazu z vybraných aplikačních oblastí (letecké a družicová snímky, lékařské snímky, lidarová data).
Architektura systémů pro zpracování a analýzu obrazu. Specifika systémů pracujících v reálném čase.
Projekty:
Jako projekt posluchači zkonstruují jednoduchý rozpoznávač dvojrozměrných geometrických obrazců.
Počítačové laboratoře:
Na cvičení je pro posluchače připravena serie praktických úloh (detekce hran, oblastí, význačných bodů, výpočet příznaků, klasifikace pomocí etalonů). Úlohy jsou připraveny formou šablon (předem připravených programů), do nichž posluchači doplňují vlastní zdrojový kód. Tato forma umožňuje, aby se posluchači soustředili pouze na podstatné otázky související s probíranou problematikou. Dále jsou na cvičení prezentovány ukázky rekonstrukce 3D scény.
Detekce hran v obrazech. Gradientní metoda. Metoda průchodu nulou. Paramerické modely hrany. Cannyho detektor hran.
Prahování. Stanovení optimálního prahu. Segmentace narůstáním nebo dělením oblastí. Spojování hran. Metoda shlukování v prostoru parametrů. Houghova transformace. Heuristické sledování hranice. Detektory význačných bodů (rohů).
Variační formulace úlohy o segmentaci (level-set metody). Segmentace na základě hustoty (mean-shift metody).
Měření objektů. Výpočet a volba příznaků pro příznakové rozpoznání. Hodnocení účinnosti a optimalizace množiny příznaků.
Klasifikátor a klasifikace pomocí diskriminačních funkcí. Určení diskriminačních funkcí s využitím pravděpodobnostního přístupu. Klasifikace pomocí etalonů.
Klasifikace pomocí neuronové sítě. Klasifikace metodami AdaBoost (Adaptive Boosting). Klasifikace metodami SVM (Support Vector Machine).
Rekonstrukce prostorových souřadnic na základě znalosti dvou nebo více různých obrazů téže scény. Kalibrace kamery.
Separace pozadí a objektů metodou MoG (Mixture of Gaussians).
Úloha o korespondenci mezi obrazy a některé metody jejího řešení.
Analýza obrazů proměnných v čase. Optický tok. Sledování objektů.
Řešení některých problémů analýzy obrazu z vybraných aplikačních oblastí (letecké a družicová snímky, lékařské snímky, lidarová data).
Architektura systémů pro zpracování a analýzu obrazu. Specifika systémů pracujících v reálném čase.
Projekty:
Jako projekt posluchači zkonstruují jednoduchý rozpoznávač dvojrozměrných geometrických obrazců.
Počítačové laboratoře:
Na cvičení je pro posluchače připravena serie praktických úloh (detekce hran, oblastí, význačných bodů, výpočet příznaků, klasifikace pomocí etalonů). Úlohy jsou připraveny formou šablon (předem připravených programů), do nichž posluchači doplňují vlastní zdrojový kód. Tato forma umožňuje, aby se posluchači soustředili pouze na podstatné otázky související s probíranou problematikou. Dále jsou na cvičení prezentovány ukázky rekonstrukce 3D scény.