Συντάχθηκε 15-06-2026 12:02
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 18/06/2026 14:00
Λήξη: 18/06/2026 15:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Σοφίας Γαλανομάτη
με θέμα
Παραδοσιακές και Βαθιάς Μηχανικής Μάθησης Αρχιτεκτονικές για την Κατάτμηση Εικόνας και Εφαρμογές στο Γεωεντοπισμό
Traditional and Deep Learning Architectures for Image Segmentation and Applications on Geo-localizations
Εξεταστική Επιτροπή
Καθηγητής Μιχαήλ Ζερβάκης (επιβλέπων)
Καθηγητής Μιχαήλ Λαγουδάκης
Δρ Ευφροσύνη Δούτση (ΙΤΕ)
Περίληψη
Η επεξεργασία εικόνων αποτελεί βασικό κλάδο στο πεδίο της υπολογιστικής όρασης. Καθώς ο όγκος των οπτικών δεδομένων συνεχίζει να αυξάνεται ραγδαία σε τομείς όπως η ιατρική απεικόνιση και η αυτόνομη πλοήγηση, αυξάνεται και η ζήτηση για ισχυρές και αποτελεσματικές μεθόδους επεξεργασίας εικόνας. Η επεξεργασία εικόνας περιλαμβάνει τεχνικές οι οποίες στοχεύουν στη βελτίωση της ποιότητας της εικόνας, στην εξαγωγή σχετικών χαρακτηριστικών και στην ενεργοποίηση της αυτοματοποιημένης λήψης αποφάσεων. Η κατάτμηση εικόνας αποτελεί βασική μέθοδο επεξεργασίας εικόνας. Με την κατάτμηση εικόνας επιτυγχάνεται ο διαχωρισμός της εικόνας σε διακριτές, ομοιογενείς περιοχές που αντιστοιχούν σε συγκεκριμένα αντικείμενα ή περιοχές ενδιαφέροντος. Καθώς είναι τεχνική της οποίας η ύπαρξη υφίσταται αρκετά χρόνια κι είναι ευρύτερα διαδεδομένη, έχουν αναπτυχθεί διαφορετικοί μέθοδοι με τις οποίες μπορεί να υλοποιηθεί. Στις μέρες μας, επιτυγχάνεται είτε με παραδοσιακές μεθόδους είτε με τη χρήση βαθιάς μηχανικής μάθησης και νευρωνικών δικτύων. Πρόκειται για τεχνική η οποία έχει εφαρμογές σε διάφορους τομείς. Για παράδειγμα, μέσω αυτής μπορεί να πραγματοποιηθεί η αναγνώριση ενός προσώπου, να πραγματοποιηθεί αναζήτηση βάσει του περιεχομένου της, να δημιουργηθούν αυτόνομα αυτοκίνητα και έξυπνες πόλεις. Δύο από τις πιο κρίσιμες εφαρμογές είναι ο γεωεντοπισμός εικόνας -ο προσδιορισμός της πραγματικής θέσης της εικόνας- και η τμηματοποίηση του τοπίου, η οποία περιλαμβάνει τον εντοπισμό και την οριοθέτηση διαφορετικών τύπων κάλυψης γης, όπως δάση και κατοικημένες περιοχές. Ο σκοπός της έρευνας διαχωρίζεται σε τρία κυρίως μέρη. Στο πρώτο μέρος γίνεται επισκόπηση κι ανάλυση ορισμένων παραδοσιακών τεχνικών κατάτμησης εικόνας, όπως είναι η κατάτμηση βάσει κατωφλίου. Το δεύτερο μέρος αφορά στις πιο σύγχρονες τεχνικές κατάτμησης εικόνας, οι οποίες βασίζονται σε αλγορίθμους μηχανικής ή βαθιάς μηχανικής μάθησης. Στο τρίτο μέρος αναλύεται η εφαρμογή των μεθόδων αυτών στο γεωεντοπισμό.
Abstract
Image processing is a basic discipline in the field of computer vision. As the volume of visual data continues to grow rapidly across domains such as medical imaging and autonomous navigation, the demand for robust and efficient image processing methods is also increasing. Image processing includes techniques which aim at enhancing image quality, extracting relevant features, and enabling automated decision-making. Image segmentation constitutes a basic method of image processing. Image segmentation achieves the separation of the image into distinct, homogeneous areas that correspond to specific objects or areas of interest. As it is a technique that has been around for several years and is more widespread, different methods have been developed with which it can be implemented. Nowadays, it is achieved either with traditional methods or with the use of deep machine learning and neural networks. This is a technique that has applications in various fields. For example, it can be used to recognize a person, search based on their content, create autonomous cars and smart cities. Two of the most critical applications are image geolocalization -the determination of the actual location of an image- and landscape segmentation, which involves identifying and demarcating different types of land cover, such as forests and residential areas. The purpose of the research is divided into three main parts. The first part provides an overview and analysis of some traditional image segmentation techniques, such as threshold-based segmentation. The second part deals with the most modern image segmentation techniques, which are based on machine learning or deep machine learning algorithms. The third part analyzes the application of these methods on geolocalization.
