Detektering og klassificering af kimplanter ved brug af computer vision
Detektering og klassificering af kimplanter ved brug af computer vision
Detektering og klassificering af kimplanter ved brug af computer vision
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
18 Appendiks 18.9 Implementering<br />
}<br />
oldThreshold = newThreshold;<br />
newThreshold = int((backGroundMean+foreGroundMean)/2+0.5);<br />
if(oldThreshold==newThreshold || k>=10)<br />
{<br />
breakLoop=true;<br />
}<br />
}<br />
threshold = newThreshold;<br />
Den nye thresholdværdi er nu tilgængelig for klassen i variablen threshold.<br />
Sidste trin i processen er selve thresholdingen <strong>af</strong> billedet. Dette foregår <strong>ved</strong>, at der først dannes et<br />
nyt billede, der skal indeholde det nye thresholdede binære billede. Herefter traverseres billedet på<br />
samme måde som <strong>ved</strong> genereringen <strong>af</strong> hist<strong>og</strong>rammet, <strong>og</strong> det undersøges hvorvidt den aktuelle pixels<br />
pixelintensitet er over eller under den fastsatte thresholdværdi. Hvis værdien er under eller lig sættes<br />
0 ind i det binære billede, <strong>og</strong> hvis værdien er over sættes 255 ind:<br />
void Binary::makeBinary(GrayScale &binaryImage)<br />
{<br />
binaryImage.execute(width, height);<br />
unsigned char **ppBinaryArray = binaryImage.getPointer();<br />
}<br />
int x,y;<br />
for(y=0; y