Detektering og klassificering af kimplanter ved brug af computer vision

Recommendations

Info

18 Appendiks 18.9 Implementering } oldThreshold = newThreshold; newThreshold = int((backGroundMean+foreGroundMean)/2+0.5); if(oldThreshold==newThreshold || k>=10) { breakLoop=true; } } threshold = newThreshold; Den nye thresholdværdi er nu tilgængelig for klassen i variablen threshold. Sidste trin i processen er selve thresholdingen af billedet. Dette foregår ved, at der først dannes et nyt billede, der skal indeholde det nye thresholdede binære billede. Herefter traverseres billedet på samme måde som ved genereringen af histogrammet, og det undersøges hvorvidt den aktuelle pixels pixelintensitet er over eller under den fastsatte thresholdværdi. Hvis værdien er under eller lig sættes 0 ind i det binære billede, og hvis værdien er over sættes 255 ind: void Binary::makeBinary(GrayScale &binaryImage) { binaryImage.execute(width, height); unsigned char **ppBinaryArray = binaryImage.getPointer(); } int x,y; for(y=0; y
18 Appendiks 18.9 Implementering 18.9.3.3 Sikkerhedsproblematik Alle variabler i Seed-klassen er erklæret som ”public”, så andre klasser kan rette i værdierne. Dette er ikke god programmeringsskik, men det vurderes ikke at være et væsentligt problem, da gruppen godt kan administrere tilgangen til klassen. Seed-klassen indeholder ingen funktioner, men følgende variabler: class Seed { private: }; public: // BlobDetection int seedNumber; int area; int boundsXMin; int boundsXMax; int boundsYMin; int boundsYMax; GrayScale grayScale; // EllipseApproximation float centerOfMassX; float centerOfMassY; float eccentricity; float majorAxis; float minorAxis; float thetaMajorAxis; float thetaMinorAxis; // Symetry float symmetry; // TopDetection int centerTopX; int centerTopY; bool topDetection; int expandShrinkPixels; float thetaCenterTop; float thetaTop; // Quality bool approved; 18.9.3.4 Sammenfatning Der er med succes lavet en klasse, hvor de forskellige oplysninger omkring de enkelte kim kan gemmes, så andre klasser kan tilgå relevante oplysninger på kimene. Ydermere bør der ved en senere realisering laves accessor- og mutator-funktioner, for at sikre korrekt tilgang til variablerne. 18.9.4 BlobDetection Funktionen execute() analyserer det binære billede. Efterfølgende kan de relevante objekter, trækkes ud med funktionen makeSeeds(). 18.9.4.1 execute() Funktionen sørger for at funktionerne; findSubBlobs(), joinSubBlobs() Figur 18.18 Flowchart for execute Side 106 af 131
Page 1 and 2:
Detektering og klassificering af ki
Page 3 and 4:
1 Indledning 1.1 Indledning Læseve
Page 5 and 6:
1 Indledning 1.1 Indledning 10.3.3
Page 7 and 8:
1 Indledning 1.3 Kravspecifikation
Page 9 and 10:
2 Opbygning og planlægning 2.1 Opb
Page 11 and 12:
2 Opbygning og planlægning 2.2 Pla
Page 13 and 14:
3 Beskrivelse af kim 3.4 Klassifice
Page 15 and 16:
4 Kamera 4.1 Indledning 4 Kamera 4.
Page 17 and 18:
4 Kamera 4.4 Sammenfatning stadig v
Page 19 and 20:
5 Color 5.1 Indledning 5 Color 5.1
Page 21 and 22:
5 Color 5.4 Sammenfatning Herefter
Page 23 and 24:
6 GrayScale 6.5 Sammenfatning 6.4.2
Page 25 and 26:
7 Binary 7.2 Teori Som det ses af h
Page 27 and 28:
7 Binary 7.3 Test 7.3 Test Figur 7.
Page 29 and 30:
8 BlobDetection 8.1 Indledning 8 Bl
Page 31 and 32:
8 BlobDetection 8.3 Test Figur 8.8
Page 33 and 34:
8 BlobDetection 8.3 Test svarer næ
Page 35 and 36:
9 EllipseApproximation 9.1 Indledni
Page 37 and 38:
9 EllipseApproximation 9.2 Teori De
Page 39 and 40:
9 EllipseApproximation 9.3 Test 9.3
Page 41 and 42:
9 EllipseApproximation 9.3 Test 9.3
Page 43 and 44:
9 EllipseApproximation 9.4 Sammenfa
Page 45 and 46:
10 ExpandShrink 10.1 Indledning 10
Page 47 and 48:
10 ExpandShrink 10.2 Teori 10.2.3 E
Page 49 and 50:
10 ExpandShrink 10.4 Sammenfatning
Page 51 and 52:
11 TopDetection 11.2 Teori punktet,
Page 53 and 54:
11 TopDetection 11.3 Test 12 Alle a
Page 55 and 56: 12 Symmetry 12.1 Indledning 12 Symm
Page 57 and 58: 12 Symmetry 12.2 Teori 12.2.1 Rotat
Page 59 and 60: 12 Symmetry 12.3 Test Blobid Ellips
Page 61 and 62: 13 Quality 13.1 Indledning 13 Quali
Page 63 and 64: 13 Quality 13.2 Teori På figur 13.
Page 65 and 66: 13 Quality 13.2 Teori Figur 13.6 3-
Page 67 and 68: 13 Quality 13.3 Test 13.3.2 Anden d
Page 69 and 70: 13 Quality 13.4 Sammenfatning 13.4
Page 71 and 72: 14 Implementering 14.3 Programstruk
Page 73 and 74: 14 Implementering 14.4 User interfa
Page 75 and 76: 15 Sammenfatning 15.1 Samlet test v
Page 77 and 78: 15 Sammenfatning 15.1 Samlet test P
Page 79 and 80: 15 Sammenfatning 15.3 Konklusion kv
Page 81 and 82: 15 Sammenfatning 15.4 Videreudvikli
Page 83 and 84: 16 Litteraturliste 15.4 Videreudvik
Page 85 and 86: 18 Appendiks 18.1 Klasseoversigt 18
Page 87 and 88: 18 Appendiks 18.1 Klasseoversigt -u
Page 89 and 90: 18 Appendiks 18.4 Tidsplan 18.4 Tid
Page 91 and 92: 18 Appendiks 18.5 Orientering i pla
Page 93 and 94: 18 Appendiks 18.6 Bestemmelse af el
Page 95 and 96: 18 Appendiks 18.7 Valg af TopDetect
Page 101 and 102: 18 Appendiks 18.8 Kodestandard Ekse
Page 103 and 104: 18 Appendiks 18.9 Implementering 18
Page 105: 18 Appendiks 18.9 Implementering }
Page 109 and 110: 18 Appendiks 18.9 Implementering }
Page 113 and 114: 18 Appendiks 18.9 Implementering
Page 119 and 120: 18 Appendiks 18.9 Implementering r
Page 121 and 122: 18 Appendiks 18.9 Implementering fl
Page 125 and 126: 18 Appendiks 18.10 Test af Binary 1
Page 127 and 128: 18 Appendiks 18.10 Test af Binary B
Page 129 and 130: 18 Appendiks 18.11 Test af TopDetec
Page 131 and 132: 18 Appendiks 18.11 Test af TopDetec
show all

Detektering og klassificering af kimplanter ved brug af computer vision

Create successful ePaper yourself

Delete template?

Save as template?