460-4107/01 – Analýza obrazu II (ANO II)
| Garantující katedra | Katedra informatiky | Kredity | 4 |
| Garant předmětu | Ing. Radovan Fusek, Ph.D. | Garant verze předmětu | Ing. Radovan Fusek, Ph.D. |
| Úroveň studia | pregraduální nebo graduální | Povinnost | povinně volitelný |
| Ročník | 2 | Semestr | zimní |
| Odkaz na web | | Jazyk výuky | čeština |
| Rok zavedení | 2015/2016 | Rok zrušení | |
| Určeno pro fakulty | FEI | Určeno pro typy studia | navazující magisterské |
Cíle předmětu vyjádřené dosaženými dovednostmi a kompetencemi
Cílem předmětu je seznámit posluchače s pokročilejšími a náročnějšími metodami analýzy obrazu. Nedílnou součástí
je též aplikace současných urychlovacích technik, zejména GPU, pro zefektivnění činnosti algoritmů.
Vyučovací metody
Přednášky
Cvičení (v učebně)
Anotace
Jsou probírána následující témata: Pokročilé metody segmentace obrazu, metody detekce objektů a pozadí a metody
rozpoznání objektů. Typicky se jedná o postupy založené na matematických metodách. Urychlovací techniky sestávají
z použití GPU a vícejádrových systémů.
Povinná literatura:
Doporučená literatura:
1. Burger, W., Burge, M., J.: Principles of Digital Image Processing: Fundamental Techniques, Springer, ISBN-10:
1848001908, ISBN-13: 978-1848001909, 2011
2. Brahmbhatt, S.: Practical OpenCV (Technology in Action), Apress, ISBN-10: 1430260793, ISBN-13: 978-1430260790,
2013
Způsob průběžné kontroly znalostí během semestru
Podmínky udělení zápočtu:
Vypracování úloh, které jsou součástí programu cvičení.
E-learning
Další požadavky na studenta
Další požadavky na studenta nejsou kladeny.
Minimální znalostní požadavky
Prerekvizity
Korekvizity
Předmět nemá žádné korekvizity.
Osnova předmětu
Přednášky:
1. Funkcionál podle Mumforda a Shaha a jeho význam pro segmentaci obrazu.
2. Level-setové metody segmentace obrazu.
3. Segmentace obrazu metodou mean shift.
4. Metody segmentace založené na využití geodetické a difúzní vzdálenosti.
5. Využití metod typu náhodná procházka.
6. Segmentace obrazu pomocí teorému o maximálním toku - minimálním řezu.
7. Histogram orientovaných gradientů a lokální binární vzory: Využití při rozpoznávání objektů.
8. Metoda AdaBoost pro rozpoznávání objektů v obraze.
9. Metoda Support Vector Machines a její využití ke klasifikaci objektů.
10. Metoda Mix Gaussiánů pro detekci pozadí.
11. Zpracování obrazů v IR spektru a multispektrálních obrazů.
12. Zpracování obrazů poskytovaných termovizí.
13. Zpracování LIDARových obrazů.
14. Rezerva
Cvičení (PC učebna):
1. Základní metody minimalizace funkcionálu a jejich urychlení na GPU.
2. Segmentace obrazu s využitím minimalizace funkcionálu Mumford-Shah.
3. Segmentace bimodálních obrazů pomocí level-setové metody a její akcelerace na GPU.
4. Segmentace obrazu metodou mean shift. Možnosti urychlení algoritmu.
5. Využití geodetické vzdálenosti pro segmentaci obrazu.
6. Využití difuzní vzdálenosti pro segmentaci obrazu s využitím spektrálního rozkladu.
7. Akcelerace výpočtu difuzní vzdálenost na GPU.
8. Rozpoznání objektů pomocí metody AdaBoost.
9. Rozpoznání objektů metodou Support Vector Machine v kombinaci s histogramem orientovaných gradientů.
10. Odečet pozadí pomocí metody Mix Gaussiánů a její akcelerace na GPU.
11. Detekce objektů v IR obrazech. Úprava obrazu a jeho následné zpracování.
12. Zpracování tepelných snímků a jejich spojení s černobílým či barevným obrazem.
13. Rezerva.
14. Zápočet.
Podmínky absolvování předmětu
Výskyt ve studijních plánech
Výskyt ve speciálních blocích