Zadání pro PV187
Detekce kruhových objektů v obraze (Pavel Matula)
Úkolem je nastudovat a přednést metodu *1+ na detekci velkého
množství kruhových objektů v obraze (např. koruny stromů, buňky pod
mikroskopem) pomocí aktivních křivek vyššího řádu.
Téma vyžaduje znalosti na úrovni kurzu PA166: Pokročilé metody
zpracování digitálního obrazu
[1] Horvath, P., Jermyn, I. H., Kato, Z., & Zerubia, J. (2009). A
higher-order active contour model of a "gas of circles" and its
application to tree crown extraction. Pattern Recognition, 42(5),
699-709 ST - A higher-order active contour model .
Přehled metod pro vyhodnocování kvality segmentace (David Svoboda)
Kvalita segmentačních algoritmů se vyhodnocuje různými způsoby. Jeden z
nejpoužívanějších způsobů vyhodnocování kvality je výpočet čtyř základních
měr (true positive, true negative, false negative a false positive), které
do jisté míry zachycují, jak se výsledky segmentace liší od optimálního
řešení. Tyto míry se buď použijí přímo jako kritérium kvality, nebo se na
jejich základě vyhodnotí další sofistikovanější míry.
Cílem této práce bude provést rešerši metod používaných k vyhodnocování
kvality výstupů segmentace. Výše uvedený postup představuje jednu takovou
metodu.
Metoda SIFT (Scale-invariant feature transform) (Roman Stoklasa + Ulman)
Student nastuduje a na konci semestru přednese/vysvětlí metodu SIFT. Je to dnes již
standardní metoda pro automatické detekování tzv. význačných bodů v obrazech a jejich
následné mapování na sebe mezi obrazy. Toho se běžně využívá při sledování objektů ve
scéně, detekování objektů nebo určování záchytných bodů pro výpočet transformace
převádějící jeden obraz na druhý. Metoda má dva základní kroky: detekce velkého množství
tzv. "feature vektorů" pro každý obraz a vyhledání odpovídajících si vektorů mezi dvěma
obrazy. Přednáška na konci semestru by měla klást důraz hlavně na první aspekt, tj. jak a
jaké se počítají feature vektory, a následně uvést příklady používaných "matchování".
Znalost angličtiny je nevyhnutelná, neboť materiály jsou výhradně v angličtině. Základní
zdroje: článek "Object Recognition from Local Scale-Invariant Features" od Davida G. Lowe,
8s., 1999 a Internet.
Metoda SURF (Speeded-Up Robust Features) (Roman Stoklasa)
Student nastuduje a na konci semestru přednese/vysvětlí metodu SURF.
Je to metoda, která se využívá pro detekování a popis tzv. význačných bodů v obrazech,
přičemž tento popis je nezávislý na rotaci a zvětšení. Toho se běžně využívá při sledování
objektů ve scéně, detekování objektů nebo určování záchytných bodů pro výpočet
transformace převádějící jeden obraz na druhý.
Přednáška na konci semestru by měla klást důraz hlavně na vysvětlení metody
vyhledání a popisu význačných bodů, tj. jak a jaké se počítají feature vektory.
Znalost angličtiny je nevyhnutelná, neboť materiály jsou výhradně v angličtině. Základní
zdroje: článek "Speeded-Up Robust Features (SURF)" od autorů Herbert Bay,
Andreas Ess, Tinne Tuytelaars a Luc Van Gool, 13s., 2008 a Internet.
Elastické funkce pro hladké/plynulé deformace základních geometrických tvarů (Ulman)
Student nastuduje a na konci semestru přednese/popíše funkce, které umožňují tzv.
elastické
deformace objektů, zejména se bude soustředit na deformace (2D) obdélníků a elips.
Deformace obdélníků budou toho druhu, že výchozí obdélník bude "chytnut" za některý
(jeden nebo postupně až za všechny čtyři) roh(y) a tento roh bude "vytažen" ven z obdélníku
nebo naopak "zatažen/zatlačen" do obdélníku. Elipsy se budou pouze rotovat a měnit
velikosti jejich hlavních os (a tím velikosti celé elipsy). Přednáška bude ideálně
zakončena návody, jak vypočítat pro každý bod výchozího obdélníku či elipsy jeho novou
pozici v transformovaném obraze.
Znalost angličtiny je velmi vhodná, neboť materiály budou pravděpodobně převážně v
angličtině. Základní zdroje: kniha "Moderní počítačová grafika" autorů Žára, Beneš,
Sochor a Felkel, 2005, ISBN 80-251-0454-0. Dále přednáškové materiály doc. Sochora,
předměty PB009 a PA010, také Internet.
Práci lze následně rozšířit na Bakalářskou práci. V tom případě bude student muset ještě
vše implementovat a zabalit do jednoduchého GUI programu. Ten umožní jednoduše zadat
výchozí čtverec nebo elipsu, vykreslí ji a umožní jednoduše naznačit novou pozici rohů nebo
hlavních os, následně obraz transformuje a vykreslí výsledek; následně program umožní
změnit některé parametry a vše znovu přepočítá a vykreslí; program bude mít tlačítko na
vytištění (nebo uložení do souboru) parametrů/koeficientů tak, aby provedená transformace
byla přesně reprodukovatelná. Technické řešení (programovací jazyk, platforma, OS) jsou
"omezeny" pouze na běžně dostupné "technologie" (např. C# + .NET, C++ + wxWidgets,
cokoliv + Tcl/Tk, apod.), řešení musí být (snadno) proveditelné ve Windows i na Linuxech.
----------
Huovi univerzální popisovače obrázků (Ulman + Tomáš Majtner)
Student nastuduje a na konci semestru přednese/popíše funkce, které umožňují popis
obsahu obrazu nezávisle na posunutí, rotaci a zvětšení toho obsahu. Jinými slovy, dva
různě zvětšené a rotované obrazy stejné scény by měly vést na stejný výsledek těchto
funkcí. Tyto funkce, často také označovány jako tzv. obrazové momenty, se používají
například při rozpoznávání obsahu obrazu (je na obrazu vidět auto nebo je to kůň?).
Znalost angličtiny je nevyhnutelná, neboť materiály jsou výhradně v angličtině. Základní
zdroje: článek "Visual Pattern Recognition by Moment Invariants" od M.K. Hu, 9s., 1962,
kniha "Moments and Moment Invariants in Pattern Recognition" autorů Flusser, Suk a
Zitová, 2009, ISBN 978-0-470-69987-4, také Internet.
----------
princip techniky Relaxation labeling (Ulman)
Student nastuduje a na konci semestru přednese/vysvětlí princip techniky "Relaxation
labelling". Je to technika, která dané množině nalezených objektů přiřazuje značky z další
dané množiny, značky se přiřazují na základě další množiny pravidel a omezení. Budeme-li
uvažovat sekvenci obrazů, ve které se podaří přiřazovat stejné značky stejným objektům,
můžeme této informace využít ke sledování ("trackování") zvolených objektů.
Znalost angličtiny je nevyhnutelná, neboť materiály jsou výhradně v angličtině. Téma je
poněkud náročnější. Základní zdroje: článek "On the Foundations of Relaxation Labeling
Processes" od R. A. Hummel a S. W. Zucker, 21s, 1983 a Internet.
----------
Houghova přímková transformace (Karel Štěpka)
Nastudovat a na semináři přednést článek C. Galambos, J. Kittler,
J. Matas: Progressive Probabilistic Hough Transform for Line Detection
(http://www.computer.org/portal/web/csdl/doi/10.1109/CVPR.1999.786993).
Článek se zabývá úpravou Houghovy přímkové transformace tak, aby bylo
možné provádět detekci čar efektivněji než použitím standardní verze.
(Varianta algoritmu je součástí knihovny OpenCV.)
Zadání pro PV163
Implementace Watershed pluginu do aplikace Acquiarium (Ondřej Daněk)
Student implementuje grafické rozhraní pro Watershed algoritmus
dostupný v i3d knihovně, tak aby bylo možné tento algoritmus používat
při dávkovém zpracování (segmentaci) 2D a 3D obrazových
dat v aplikaci Acquiarium. Předpokládá se znalost programování v C++,
výhodou je znalost i3d knihovny a grafické knihovny wxWidgets.
Implementace algoritmů na odstranění nerovnoměrného osvětlení (Ondřej Daněk)
do knihovny i3d a zapojení do aplikace Acquiarium - student
implementuje vybrané metody (B-spline, homomorfní filtrování) pro
korekci nerovnoměrného osvětlení, tak aby bylo možné tyto
metody používat při dávkovém zpracování 2D a 3D obrazových dat v
aplikaci Acquiarium. Předpokládá se znalost programování
v C++, výhodou je znalost i3d knihovny a grafické knihovny wxWidgets.
Optimalizácia JPEG2000 v balíčku LIBICS (Majtner)
Študent sa najprv zoznámi s balíčkom LIBICS (http://libics.sourceforge.net/), ktorý sa používa pre
ukladače biomedicínskych obrazových dát. Zameria sa na kompresiu JPEG2000, ktorej podpora bola
naimplementovaná v rámci skupiny CBIA. Kompresia pracuje tak, že pri detekcii 3D obrázku sa
jednotlivé 2D rezy komprimujú zvlášť. Úlohou študenta bude optimalizácia tohto prístupu, aby sa
kompresný mechanizmus nemusel spúšťať viackrát, ale pracoval s 3D obrázkom ako celkom.
Predpoklady: Znalosť programovania v jazyku C
Literatura: P. Dean, L. Mascio, D. Ow, D. Sudar, J. Mullikin, "Proposed standard for image cytometry
data files", Cytometry, n.11, pp.561-569, 1990.
Zadání pro bak. práci (viz. IS)
Měření srdečního rytmu analýzou videozáznamu (Pavel Matula)
Úkolem studenta je vytvořit jednoduchou aplikaci, která bude schopna
určit rytmus srdce analýzou videozáznamu pohybující se srdeční tkáně.
Vstupem je videozáznam pořízený fotoaparátem. Výstupem by měl být
graf pohybu srdeční tkáně a frekvence srdečního rytmu. Zadavatelem
projektu je přírodovědecká fakulta MU. Výsledná aplikace by měla
sloužit pro výukové účely. Vhodné jsou znalosti na úrovni základního
kurzu PV131: Digitální zpracování obrazu.
Zapojení graph-cutů do Acquiaria (Ondřej Daněk)
(Chan-Vese segmentace + interaktivní segmentace)
Vyuzitie 3D Zernikeho momentov pre popisovanie textur biomedicinskych obrazovych dat
(Majtner)
Predbezne zadanie:
Student sa najskor oboznami s problematikami momentov a Zernikeho
polynomov. Podrobny prehlad roznych typov momentov ako aj detailny
popis vlastnosti Zernikeho polynomov budu zhrnute v teoretickej casti
prace. V praktickej casti bude ulohou studenta rozsirenie kniznice
vyvijanej v Centre analyzy biomedicinskeho obrazu (CBIA) o pracu s 3D
Zernikeho momentami.
Poziadavky:
Od studenta sa pozaduje, aby vedel porozumiet odbornemu anglickemu
textu, aby mal skusenosti s programovanim v C++ (aspon na urovni
predmetu PB161) a dobre znalosti matematiky (schopnost pracovat s
komplexnymi cislami).
Literatura:
Michael Reed Teague, "Image analysis via the general theory of
moments*," J. Opt. Soc. Am. 70, 920-930 (1980)
Canterakis, N. 3D Zernike moments and Zernike affine invariants for
3D image analysis and recognition. 11th, Scand. Conf. Image Anal. 1999.
Novotni, M., and Klein, R. Shape retrieval using 3D Zernike
descriptors. Computer-Aided Design 36, 1047-1062. 2004
Uživatelské rozhraní pro aplikaci na počítání buněk (Karel Štěpka)
Vytvoření uživatelského rozhraní pro aplikaci na počítání buněk
v mikroskopických fotografiích. Student dostane k dispozici zdrojové
kódy samotné aplikace (detekčního algoritmu). Pro aplikaci vytvoří GUI,
které uživateli umožní nastavovat jednotlivé parametry detekce, detekci
spouštět, interaktivně prohlížet výsledky a ručně je upravovat. Dále
student implementuje správu projektů (skupin fotografií pro detekci)
a export výsledků. Výsledná aplikace bude buď multiplatformní, nebo
pro systém MS Windows.
Předpokládá se znalost C++ a schopnost pracovat s cizím kódem.
Doporučená knihovna pro tvorbu rozhraní je wxWidgets, předchozí znalost
je výhodou.
Implementace některých pasáží počítání optického toku na GPU (Ulman +Karas)
Student se seznámí s konkrétním algoritmem počítání optického toku. Vybrané
pasáže algoritmu následně paralelizuje s využitím programovacího modelu CUDA.
Předpokladem zápisu je znalost programování v C/C++ a alespoň základní znalost
programovacího modelu CUDA. Kurz PV131 výhodou.
GUI pro jednoduché ovládání generátoru obrazových sekvencí (Ulman)
Cílem práce je vytvořit GUI aplikaci, která bude ovládat zadaný řádkově orientovaný
program. Konkrétně se jedná o generátor obrazových sekvencí (video), ve kterých je zachycen
simulovaný pohyb buněk včetně lokálních dodatečných pohybů vnitřních buněčných
struktur. Ovládání programu je realizováno, kromě několika číselných parametrů,
zejména pomocí obrázků. GUI má především usnadnit přípravu těchto pomocných obrázků.
V teoretické části práce student rozepíše princip ovládání generátoru, dále popíše
představu o principu ovládání generátoru pomocí GUI. Na základě toho zformuluje klíčové
požadavky na vyvíjenou aplikaci. V praktické části student implementuje aplikaci.
V textu práce bude ukázka/demonstrace splnění vybraných klíčových požadavků.
Technické řešení (programovací jazyk, platforma, OS) jsou "omezeny" pouze na běžně
dostupné "technologie" (např. C# + .NET, C++ + wxWidgets, cokoliv + Tcl/Tk, apod.),
řešení musí být (snadno) proveditelné ve Windows i na Linuxech.
Diplomová práce (viz. IS)
Automatické skládání velkých obrazů (Ulman)
Rozsáhlé obrazy tkání o vysokém rozlišení pomocí mikroskopu nelze pořídit v jednom záběru.
Postupuje se tak, že se snímá série velkého počtu menších obrazů, které se dodatečně "sešijí" v celek.
Tato práce navazuje na již existující skládací algoritmus a dále ho rozvíjí ve smyslu zvýšení
robustnosti, zlepšení přesnosti, spolehlivější detekce prázdných nebo nepovedených políček/obrazů.
Součástí práce je také analýza existujících problémů a jejich náprava.
V teoretické části práce student nejprve popíše vlastnosti snímacího systému, popíše principy
stávajícího řešení a naváže na ně. V praktické části práce implementuje skládací program v C++.
Testovací data i některé klíčové rutiny programu dostane student k dispozici.
Očekávají se pravidelné konzultace s vedoucím práce a zkušenost s programováním v C++.
SIFT pro 3D biomedicínské trackování (Ulman)
Student nastuduje a implementuje algoritmus SIFT (Scale Invariant Feature Transform), který se také
používá pro sledování objektů v sérii 2D obrazů. Algoritmus nejprve rozšíří pro série 3D obrazů a
následně, konzultujíc s vedoucím práce, se pokusí tento algoritmus zlepšit pro série 3D
biomedicínských obrazů.
V teoretické části práce student provede stručný popis SIFT algoritmu a provedených rozšíření. V
praktické části implementuje SIFT algoritmus včetně rozšířeních pomocí C++ a vše zapojí do knihoven
vyvíjených v CBIA. Nad testovací množinou dat porovná výstupy algoritmů, testovací data dodá
vedoucí práce.
Automatické zarovnávání velkých obrazů řezů tkání (Ulman)
Na histologickém oddělení FN Bohunice v Brně snímají mikroskopem tkáně. Tkáň je nařezaná na
tenké plátky, ty jsou poté nasnímány do počítače. Pro každý řez vznikne jeden velký obraz. Problém
je, že každý řez je nasnímán v jiné pozici (posunutí, otočení, atp.). Cílem práce je korigovat snímky
tak, aby byly zobrazeny stejně (na stejném místě, stejně natočené, atp.). Vedoucí dodá vhodné
podklady pro studium a prvotní návrh řešení.
V teoretické části práce student popíše úlohu a její parametry (charakter obrazů, transformace,
omezující problémy a požadavky), popíše uvažovaná řešení a pokusí se vyzdvihnout jejich výhody a
nevýhody. V praktické části implementuje program, v C++, na automatické zarovnání zadaných
obrazů k danému referenčnímu obrazu. Testovací data dostane student k dispozici.
Očekávají se pravidelné konzultace s vedoucím práce a zkušenost s programováním v C++.
Naprogramování metody autorů Fleet a Jepson pro počítání optického toku (Ulman)
Optický tok je nástroj, který pomocí tzv. vektorového pole popisuje pohyb v obraze. Vektorové pole
pro dva obrazy (například dva po sobě následující snímky videa) přiřazuje vektor ke každému pixelu z
prvního obrazu, vektor "ukazuje" na pozici tohoto pixelu v druhém obraze. Metoda Fleet a Jepson je
jedna z možností jak vypočítat takové vektorové pole.
Student nastuduje a naprogramuje metodu podle zadané literatury. Při implementaci student využije
některé funkce z knihovny Optického toku, do této knihovny také vloží vytvořenou implementaci.
Metodu se také pokusí vyhodnotit na zadaných testovacích datech. Literaturu, knihovnu Optického
toku a testovací data dodá vedoucí práce.
V teoretické části textu práce student především popíše metodu. V praktické části potom stručně
implementaci (charakter dokumentace) a provede diskuzi k praktickým testům.
Očekávají se pravidelné konzultace s vedoucím práce a zkušenost s programováním v C++.