CANDRÁK, M. Zvýrazňování statických obrazů pomocí vlnkové transformace [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2011.

Posudek vedoucího

Smékal, Zdeněk

Cílem diplomové práce byl návrh metody zvýraznění statických obrázků z tomografu a sonografu a provedení hranové analýzy. Diplomová práce má dobrou grafickou úroveň, autor používá většinou správnou technickou terminologii. Práce je psána ve slověnštině. Cíle práce byly splněny. Student pracoval naprosto samostatně a plnil pokyny vedoucího práce.

Posudek oponenta

Rajmic, Pavel

Bakalářská práce M. Candráka pojednává o filtraci šumu v obrazech z MR tomografie a sonografie. Členění práce na kapitoly a jejich části je logické. Po jazykové stránce je práce celkem v pořádku, text se čte plynule a je vidět, že základním principům, které popisuje, student rozumí. Rozsah práce je dostatečný. Po stránce grafiké je práce vyhovující, občas se ve vzorci najde chyba z nepozorného přepisu nebo nekonzistentní formátování odstavců. Zdroje, které student cituje, jsou převážně bakalářské, diplomové práce, skripta a webové stránky, což nepodporuje dobrý pocit z odbornosti díla. Po stránce obsahové mám řadu výtek, z nichž vybírám: V teoretické části se plete dohromady spojitý a diskrétní čas, např. jsou (na str. 31, 32) popsány gradienty spojitého obrazu a bez dalšího komentáře je hned na další straně uvedeno několik jader pro diskrétní konvoluci; podobně na str. 31 je najednou použito slovo pixel. Údajný Prewittův operátor je ve skutečnosti pojmenován po paní Prewittové. Část 1.1 popisuje různé druhy šumu, ale neobjevuje se zde základní gaussovský šum, za jehož předpokladu je veškeré waveletové odšumování odvozeno, včetně vzorce (2.16). K tomuto vzorci považuji ještě za důležité poznamenat, že je sice správně, ale Donoho a Johnstone jej odvodili pouze pro měkké prahování. V komentáři pod tímto vzorcem podle mého názoru student prokázal, že úplně nechápe jeho význam. Udává absolutní „doporučené“ hodnoty sigma, přičemž toto je zcela závislé na vstupních datech; doporučení tak mohou být platná pro jeho konkrétní obrazy. Praktická část obsahuje hlavní studentův přínos, kterým je grafická uživatelská aplikace pro Matlab. Aplikace je po stránce přehlednosti a funkčnosti zvládnutá poměrně dobře a provádí to, co jsem očekával po přečtení práce. Avšak jako uživateli mi velice nevyhovuje, že prahová hodnota (delta) je fixní a nemohu ji upravit. To velice degraduje smysl celé aplikace, protože to je parametr zásadní. S touto výtkou korespondují i studentem uváděné příklady, kdy skutečně došlo k odšumění, ale zároveň s tím byl obraz velmi „přehlazen“, takže byl pro další medicínské zpracování bezcenný. Doplňkové zvýraznění hran navíc probíhá jednoduchým umocněním, což vede k obrovským hodnotám jasu a zobrazení „originál+hrany“ pak nedává smysl, protože původní obraz je skoro černý (str. 41, 42). Jednoduchá kvantitativní analýza výsledků pomocí kritéria PSNR je v pořádku, ale jejich interpretace je velmi povrchní. Student neuvádí zdůvodnění, proč nejlepších výsledků dosahuje vlnka Daubechies 5, ačkoliv je to zřejmé – má z použitých vlnek nejdelší impulzní odezvu. Student nesplnil úplně zadání bakalářské práce, ve kterém školitel píše, že na základě detekce hran mělo být provedeno ještě segmentování obrazu, a patrně tím nemyslel subjektivní-vizuální, nýbrž počítačové.

eVSKP id 35313