Západočeská univerzita v Plzni Fakulta aplikovaných věd Katedra ky...
Cíle práce Otestování metody graph cut pro segmentaci obrazu  Nastudování potřebné teorie  Implementace meto...
Segmentace Rozdělení obrazu na části, které mají souvislost z objekty reálného světa, oddělení od pozadí
Graph cut – základní rysy Umožňuje interaktivní segmentaci - seedy Hranový i oblastní přístup Použití pro 2D, ...
Graph cut - popis algoritmu Označení seedůPřevedení obrázkuna orientovaný graf Ohodnocení hran grafuVýpočet minimální...
Implementace Hledání min. řezu  Dinicův alg. + alg. Tří Indů Implementace v Matlabu  Pohodlná práce s obrázk...
Problém s rychlostí 1 Obrázek 150x100px – cca 45min Příčiny  Pomalý běh Matlabu  Složitost algoritmu O(n3) Ře...
Problém s rychlostí 2 Implementace efektivnějšího Označení seedů algoritmu např. Boykov–Kolmogorov ...
Závěr Uplatnění v lékařství k segmentaci 3D snímků (CT, MR) a následnou tvorbou počítačového modelu Budoucí pr...
Výhody metody graph cut Interaktivita  Jedná se spíše o vlastnost  Umožňuje uživatelský zásah a přesnější ...
Nevýhody metody graph cut Velká složitost => malá rychlost  Využití paralelního programování Obtížnější nastaven...
Jiné modely objektu apozadí Váhová funkce C(L) = λR(L) + B(L)  L ... Vektor, který představuje danou segmentaci ...
Jiné modely objektu apozadí1. Dle histogramu  Ze zadaných seedů vypočtení histogramu, znormování ...
Jiné modely objektu a pozadí3. Normální rozdělení pravděpodobnosti  Vhodné pouze pro poměrn...
Prezentace bakalarky
of 15

Prezentace bakalarky

Published on: Mar 4, 2016
Source: www.slideshare.net


Transcripts - Prezentace bakalarky

  • 1. Západočeská univerzita v Plzni Fakulta aplikovaných věd Katedra kybernetiky Bakalářská práce:Vypracoval: Tomáš PřindaVedoucí práce: Ing. Tomáš RybaPlzeň, 2010
  • 2. Cíle práce Otestování metody graph cut pro segmentaci obrazu  Nastudování potřebné teorie  Implementace metody ve vhodném prostředí  Otestování metody pro různé parametry  Zhodnocení dosažených výsledků Využití metody pro segmentaci lékařských dat
  • 3. Segmentace Rozdělení obrazu na části, které mají souvislost z objekty reálného světa, oddělení od pozadí
  • 4. Graph cut – základní rysy Umožňuje interaktivní segmentaci - seedy Hranový i oblastní přístup Použití pro 2D, 3D, nD data Základní metoda neposkytuje  Využití předchozí znalosti tvaru  Využití texturních vlastností objektu
  • 5. Graph cut - popis algoritmu Označení seedůPřevedení obrázkuna orientovaný graf Ohodnocení hran grafuVýpočet minimálního řezu v grafu Min. řez odděluje objekt od pozadí
  • 6. Implementace Hledání min. řezu  Dinicův alg. + alg. Tří Indů Implementace v Matlabu  Pohodlná práce s obrázky, mnoho funkcí  Nižší rychlost Testovací sada obrázků  Obsahuje ruční segmentace  => možnost porovnání Otestování metody pro 2,3% různé parametry, zhodnocení
  • 7. Problém s rychlostí 1 Obrázek 150x100px – cca 45min Příčiny  Pomalý běh Matlabu  Složitost algoritmu O(n3) Řešení  Implementace algoritmu v C / C++  Využití paralelního programování – CUDA ○ 60 obrázků 1024x1024px za 1s
  • 8. Problém s rychlostí 2 Implementace efektivnějšího Označení seedů algoritmu např. Boykov–Kolmogorov  Teoretická složitost horší, ale lepší Převedení obrázku na orientovaný graf výsledky Ohodnocení hran grafu Využil jsem a přizpůsobil jeho hotovou implementaci Výpočet minimálního řezu v grafu  Změna pouze „jádra“ metody, ohodnocení hran stejné => téměř stejné výsledky Min. řez odděluje  V C++ objekt od pozadí  Obrázek 150x100px – 0,2s
  • 9. Závěr Uplatnění v lékařství k segmentaci 3D snímků (CT, MR) a následnou tvorbou počítačového modelu Budoucí práce  Tvorba počítačových modelů tkání  Otestování modifikovaných metod
  • 10. Výhody metody graph cut Interaktivita  Jedná se spíše o vlastnost  Umožňuje uživatelský zásah a přesnější definování požadavků  Oprava špatné segmentace => lepší výsledky (nepočítá se celé znovu) Využití pro vícedimenzionální data  3D – lékařství – segmentace CT, MR Hranový i oblastní přístup  Modifikované metody – tvar, textura
  • 11. Nevýhody metody graph cut Velká složitost => malá rychlost  Využití paralelního programování Obtížnější nastavení parametrů  Často nutné provést segmentaci pro různé nastavení parametrů  V praxi většinou velmi podobná data => nastavení pouze jednou Segmentaci by měl provádět expert (segmentace nádoru – zná jen doktor)
  • 12. Jiné modely objektu apozadí Váhová funkce C(L) = λR(L) + B(L)  L ... Vektor, který představuje danou segmentaci  R(L) … představuje vlastnosti oblastí (region)  B(L) ... představuje vlastnosti hranic (boundary) R(L) = ΣRp(Lp)  Rp(obj) = - ln P(ip|O)  Rp(bgd) = - ln P(ip|B) Model objektu (pozadí) – ppst. rozdělení  Určení ze seedů – určitý vzorek objektu (pozadí)  Segementace podobných obrázků => předchozí určení rozdělení
  • 13. Jiné modely objektu apozadí1. Dle histogramu  Ze zadaných seedů vypočtení histogramu, znormování  Nevýhoda – malé množství seedů => „zubatá“ funkce => neodpovídá opravdovému rozložení2. Vyhlazený histogram  Více odpovídá rozložení skut. objektu a pozadí
  • 14. Jiné modely objektu a pozadí3. Normální rozdělení pravděpodobnosti  Vhodné pouze pro poměrně jednoduché obrázky4. Součet více Gaussovo 0.02 P(Ip|O)-true křivek 0.015 P(Ip|B)-true P(Ip|O) P(Ip|B)5. Jiné pravděpodobnostní 0.01 rozdělení (beta, 0.005 logaritmicko normální) 0 0 50 100 150 200 250 300 hodnota jasu

Related Documents