Algoritmy a využití fúze multispektrálních obrazových dat

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.