Tato bakalářská práce se zabývá automatickým kolorováním černobílých obrázků pomocí autoenkodérů založených na neuronových sítích. Nejprve je popsán způsob kódování barevných a černobílých obrázků, dále jsou zmíněny nejčastěji používané barevné modely a formáty pro ukládání obrazové informace. Následně jsou stručně shrnuty metody automatické kolorizace vyvinuté v posledních letech. Čtvrtá a pátá kapitola je věnována neuronovým sítím. Jsou zejména zaměřeny na architektury a frameworky použité v práci, tedy konvoluční sítě a enkodéry. Důležitou součástí práce je vytvoření velmi rozsáhlého datasetu obsahujícího 150 000 obrázků, který je nezbytný pro trénování a testování neuronové sítě. V sedmé kapitole jsou zdokumentovány vlastní implementační a experimentální práce, které vedly k postupnému vývoji vlastního kolorizačního schématu. Praktickým výstupem je demonstrační program umožňující během necelé sekundy obarvit dodaný obrázek o rozměrech 256 x 256 pixelů, přičemž obrázky s jinými velikostmi jsou na tento rozměr automaticky upraveny.
Anotace v angličtině
This bachelor thesis deals with automatic coloring of grayscale images using autoencoders based on neural networks. First, the method of encoding color and grayscale images is described, then the most commonly used color models and formats for storing image information are mentioned, and then the methods of automatic colorization developed in recent years are briefly summarized. The fourth and fifth chapters are devoted to neural networks, focusing mainly on the architectures and frameworks used in the work, thus convolutional networks and encoders. An important part of the work is the creation of a very large dataset containing 150 000 images, which is necessary for training and testing of the neural network. The seventh chapter documents the implementation and experimental work, which led to the gradual development of its own colorization scheme. The practical output is a demonstration program that allows you to color the supplied image with dimensions of 256 x 256 pixels in less than a second, while images with other sizes are automatically adjusted to the size.
Klíčová slova
kolorizace, neuronová síť, konvoluce, autoenkodér, Keras
Klíčová slova v angličtině
colorization, neural network, convolution, autoencoder, Keras
Rozsah průvodní práce
64
Jazyk
CZ
Anotace
Tato bakalářská práce se zabývá automatickým kolorováním černobílých obrázků pomocí autoenkodérů založených na neuronových sítích. Nejprve je popsán způsob kódování barevných a černobílých obrázků, dále jsou zmíněny nejčastěji používané barevné modely a formáty pro ukládání obrazové informace. Následně jsou stručně shrnuty metody automatické kolorizace vyvinuté v posledních letech. Čtvrtá a pátá kapitola je věnována neuronovým sítím. Jsou zejména zaměřeny na architektury a frameworky použité v práci, tedy konvoluční sítě a enkodéry. Důležitou součástí práce je vytvoření velmi rozsáhlého datasetu obsahujícího 150 000 obrázků, který je nezbytný pro trénování a testování neuronové sítě. V sedmé kapitole jsou zdokumentovány vlastní implementační a experimentální práce, které vedly k postupnému vývoji vlastního kolorizačního schématu. Praktickým výstupem je demonstrační program umožňující během necelé sekundy obarvit dodaný obrázek o rozměrech 256 x 256 pixelů, přičemž obrázky s jinými velikostmi jsou na tento rozměr automaticky upraveny.
Anotace v angličtině
This bachelor thesis deals with automatic coloring of grayscale images using autoencoders based on neural networks. First, the method of encoding color and grayscale images is described, then the most commonly used color models and formats for storing image information are mentioned, and then the methods of automatic colorization developed in recent years are briefly summarized. The fourth and fifth chapters are devoted to neural networks, focusing mainly on the architectures and frameworks used in the work, thus convolutional networks and encoders. An important part of the work is the creation of a very large dataset containing 150 000 images, which is necessary for training and testing of the neural network. The seventh chapter documents the implementation and experimental work, which led to the gradual development of its own colorization scheme. The practical output is a demonstration program that allows you to color the supplied image with dimensions of 256 x 256 pixels in less than a second, while images with other sizes are automatically adjusted to the size.
Klíčová slova
kolorizace, neuronová síť, konvoluce, autoenkodér, Keras
Klíčová slova v angličtině
colorization, neural network, convolution, autoencoder, Keras
Zásady pro vypracování
Cílem práce je prakticky se seznámit s problematikou enkodérů založených na neuronových sítích a aplikovat je na úlohu kolorizace (obarvení) černobílých obrázků.
Nastudujte si principy neuronových sítí a na nich založených enkodérů, a to zejména pro zpracování obrazových (dvourozměrných) dat. Na základě toho si proveďte vlastní implementaci takové neuronové sítě.
Vytvořte si co nejrozsáhlejší soubor barevných obrázků o normované velikosti 256 x 256 pixelů a ke každému z nich automaticky vygenerujte jeho černobílou verzi. Soubor rozdělte na trénovací, vývojovou a testovací část.
Vytvořte programy, které na trénovací sadě naučí neuronovou síť vybarvovat předložené černobílé obrázky. Vyzkoušejte různé přístupy a porovnejte výsledky na testovací sadě.
Zásady pro vypracování
Cílem práce je prakticky se seznámit s problematikou enkodérů založených na neuronových sítích a aplikovat je na úlohu kolorizace (obarvení) černobílých obrázků.
Nastudujte si principy neuronových sítí a na nich založených enkodérů, a to zejména pro zpracování obrazových (dvourozměrných) dat. Na základě toho si proveďte vlastní implementaci takové neuronové sítě.
Vytvořte si co nejrozsáhlejší soubor barevných obrázků o normované velikosti 256 x 256 pixelů a ke každému z nich automaticky vygenerujte jeho černobílou verzi. Soubor rozdělte na trénovací, vývojovou a testovací část.
Vytvořte programy, které na trénovací sadě naučí neuronovou síť vybarvovat předložené černobílé obrázky. Vyzkoušejte různé přístupy a porovnejte výsledky na testovací sadě.
Seznam doporučené literatury
[1] Schmitt, M., Hughes, L. H., Korner, M. and Zhu, X. X. Colorizing Sentinel-1 SAR images using a variational autoencoder conditioned on Sentinel-2 imagery. In:Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci., Vol. XLII-2, 2018, pp. 1045\textendash1051
[2] S. Indolia, A. Kumar, S.P. Mishra, P. Asopa. Conceptual understanding of convolutional neural network. A deep learning approach. Procedia Comput. Sci., 132 (2018), pp. 679-688
[3] Dor Bank, Noam Koenigstein, and Raja Giryes. Autoencoders. Preprint http://arxiv.org (arXiv:2003.05991v1 [cs.LG]) 12 Mar 2020.
Seznam doporučené literatury
[1] Schmitt, M., Hughes, L. H., Korner, M. and Zhu, X. X. Colorizing Sentinel-1 SAR images using a variational autoencoder conditioned on Sentinel-2 imagery. In:Int. Arch. Photogramm. Remote Sens. Spatial Inf. Sci., Vol. XLII-2, 2018, pp. 1045\textendash1051
[2] S. Indolia, A. Kumar, S.P. Mishra, P. Asopa. Conceptual understanding of convolutional neural network. A deep learning approach. Procedia Comput. Sci., 132 (2018), pp. 679-688
[3] Dor Bank, Noam Koenigstein, and Raja Giryes. Autoencoders. Preprint http://arxiv.org (arXiv:2003.05991v1 [cs.LG]) 12 Mar 2020.
Přílohy volně vložené
1 DVD+RW
Přílohy vázané v práci
ilustrace, grafy, portréty, tabulky
Převzato z knihovny
Ano
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Průběh obhajoby je zveřejněn pouze přihlášenému uživateli.