Diplomová práce se zabývá segmantací obrazu pomocí teorie Markovských náhodných polí. Práce zkoumá segmentaci metodou Graph cut, zkoumá výhody i nevýhody této segmentační metody. Věnuje se i předzpracování vstupních obrazů takovým způsobem, aby výsledná segmentace dopadla co možná nejlépe.
Práce uvádí postupy automatického získání jasových modelů, ty jsou určeny střední hodnotou a rozptylem. Porovnáními ukazuje vliv vypočtené hodnoty rozptylu z různé velikosti okolí střední hodnoty na výsledné segmentace. Porovnává Graph cut s podobnými segmentačními metodami. Práce přináší výsledky praktických experimentů i zhodnocení experimentů.
Annotation in English
This diploma thesis is focused on image segmentation based on theory of Markov Random Fields. Segmentation based on Graph cut method is studied in this thesis, advantages and disadvantages of this method are explored. Attention is paid also input image pre-processing in order to final segmentation was as good as possible.
The methods of automatic gaining brightness models are published, brightness models are determined by mean value and variance. The influence on resulting segmentations of computed variance value from different sizes of mean value environ is proved by comparisons. Graph cut is compared with similar segmentation methods. The results of practical experiments and the evaluation of the experiments are presented.
Markov Random Fields, Graph cut, brightness model, histogram, Probabilistic Rand index, Normal distribution, variance
Length of the covering note
68
Language
CZ
Annotation
Diplomová práce se zabývá segmantací obrazu pomocí teorie Markovských náhodných polí. Práce zkoumá segmentaci metodou Graph cut, zkoumá výhody i nevýhody této segmentační metody. Věnuje se i předzpracování vstupních obrazů takovým způsobem, aby výsledná segmentace dopadla co možná nejlépe.
Práce uvádí postupy automatického získání jasových modelů, ty jsou určeny střední hodnotou a rozptylem. Porovnáními ukazuje vliv vypočtené hodnoty rozptylu z různé velikosti okolí střední hodnoty na výsledné segmentace. Porovnává Graph cut s podobnými segmentačními metodami. Práce přináší výsledky praktických experimentů i zhodnocení experimentů.
Annotation in English
This diploma thesis is focused on image segmentation based on theory of Markov Random Fields. Segmentation based on Graph cut method is studied in this thesis, advantages and disadvantages of this method are explored. Attention is paid also input image pre-processing in order to final segmentation was as good as possible.
The methods of automatic gaining brightness models are published, brightness models are determined by mean value and variance. The influence on resulting segmentations of computed variance value from different sizes of mean value environ is proved by comparisons. Graph cut is compared with similar segmentation methods. The results of practical experiments and the evaluation of the experiments are presented.
