Algoritmy a využití fúze multispektrálních obrazových dat

Jana Kolmašová

Algorithms and Application of Multispectral Image Fusion

Type of document

diplomová práce
master thesis

Author

Jana Kolmašová

Supervisor

Vítek Stanislav

Opponent

Chvátal Viktor

Field of study

Audiovizuální technika a zpracování signálů

Study program

Elektronika a komunikace

Institutions assigning rank

katedra radioelektroniky

Rights

A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.html
Vysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html

Metadata

Show full item record

Abstract

Práce se věnuje implementaci metod fúze obrazu multispektrálních dat. Popisuje předzpracování obrazu, registraci a fúzi dat metodami PCA, DWT a LaP. Následně tyto metody porovnává jak pomocí metrik kvality obrazové fúze (např. SSIM), tak podle úspěšnosti detekce osob v obrazových datech. Detekce objektů je implementována dvěma způsoby. Prvním je vytvoření modelu pozadí, jeho odečtení, detekce hran a prahování nalezených ploch. Druhý způsob je kaskádový klasifikátor na bázi Haarových příznaků, který je natrénován pomocí algoritmu AdaBoost.

The present Thesis focuses on implementation of multispectral image fusion methods. It discusses image preprocessing, data registration and PCA, DWT or LaP methods of fusion. Then it compares these methods with metrics of image fusion quality (e.g. SSIM) or by success in person detection in the image data. There are two implementations of object detection. The first is the creation of the background model, its subtraction, edge detection and thresholding of the found areas. The second way is the cascade classifier based on Haar features, that has been trained by the AdaBoost algorithm.