This paper introduces a concept of demo arising mainly among people who have common interest in computer graphics and multimedia. The paper shows strong relationship between realtime visualization methods and the subject of this work, so-called demo programs. These programs are the most attractive production produced by community of demo-makers and also the ones most related to conceptual, mathematic and algorithmic fields of computer graphics. Methods used in demo programs varies from simple like „phong“ illumination model, generation of objects from layers, cartoon rendering style or bump-mapping, to complex: realtime ray-tracing, rendering of correct reflections or soft shadows. This work presents six demo programs made by author together with „Nesnausk!“ demo-makers group, also analyses available methods of edge detection and visualization, and describes the method proposed by author, which has distributed calculations between central and video card processors. This method is used as a main visualization effect in „Zenit“ demo program.

Vaizdų segmentavimas yra naudojamas daugelyje mokslo sričių, tokių kaip geografija, geologija ar biologija, tam, kad galėtume atskirti bei išanalizuoti objektus apdoruojamuose paveikslėliuose. Rinkdamiesi vaizdų segmetavimo algoritmą dažniausiai atkreipiame dėmesį į jo efektyvumą, sudėtingumą, vykdymo laiką bei pritaikymą skirtingiems vaizdų tipams. Kadangi dažniausiai segmentuojame sudėtingos struktūros bei blogesnės kokybės vaizdus, labai svarbu, kad segmentavimo algoritmas tiktų visų klasių vaizdams. Mumford Shah funkcionalas yra laikomas vienu populiariausių ir efektyviausių vaizdų segmentavimo įrankių. Algoritmas pasižymi lengva realizacija programoje bei greitu įvykdymu. Didžiausiu šio algoritmo privalumu yra galimybė pritaikyti jį skirtingo tipo vaizdams. Keisdami į Mumford Shah funkcionalo formulę įeinančių parametrų reikšmes galime įtakoti segmentavimo rezultatus. Darbe yra išsamiai išnagrinėjami visi įmanomi funkcionalo formulės atvejai su skirtingomis parametrų reikšmėmis ir bandoma išanalizuoti, kokios parametrų reikšmės geriausiai tinka atskiroms vaizdų klasėms. Visi gauti rezultatai ir tezės yra pagrindžiami statistiniu tyrimu. / Image segmentation is used in many fields of science such as geography, geology and biology, so that we can distinguish and analyze objects in pictures. When selecting segmentation algorithm we usually draw attention to its performance, complexity and adaptation to different types of images. As we usually are processing complex structure and lower-quality images, it is very important that the segmentation algorithm would be suitable for all classes of images. Mumford Shah functional is one of the most popular and effective tools for image segmentation. The algorithm is characterized by easy and fast realization. The biggest advantage of this algorithm is the ability to adapt to different types of images. By changing the Mumford Shah functional formula‘s incoming parameter‘s values, we can affect the segmentation results. In this work we are selecting the most suitable parameter‘s values for different types of images in order to obtain the best segmentation results. Obtained results are based on statistical analysis.

Vaizdo kontūrų nustatymo metodų tyrimui buvo pasirinktas 100 įvairaus turinio paveikslų su įvairiu elementų dydžiu ir skaičiumi. Tyrimui buvo pasirinkti 8 populiariausi vaizdo kontūrų nustatymo metodai: Canny, Sobel, Prewitt, Roberts, Zerocross, Laplacian, LoG, Marr-Hildreth. Atliekant tyrimus visiems paveikslams, naudojant visus 8 metodus, buvo subjektyviai parinkta optimaliausia slenkstinė reikšmė. Gavus visų 100 įvairių paveikslų geriausias slenkstines reikšmes su visais 8 metodais, buvo nustatytos slenkstinių reikšmių kitimo ribos kiekvienam kontūro išskyrimo metodui. Kiekvienam paveikslui buvo pritaikyta vidutiniškai 10 slenkstinių reikšmių ir kiekvienam paveikslui buvo suskaičiuotas vidutinis kvadratinis nuokrypis (RMSE, Root Mean Square Error) su geriausiu pasirinktu kontūru. / One hundred various pictures with different size and number of elements were chosen for the method research of image outline evaluation. All these pictures were converted into grayscale pictures. Most of edge detection methods (filters) required to be blurred to reduce noise. Eight the most popular methods were chosen to evaluate the image outline: Canny, Sobel, Prewitt, Roberts, Zerocross, Laplacian, LoG, Marr-Hildreth. A Root Mean Square Error (RMSE) was computed for each edge picture with the best-chosen outline.