Detektering og klassificering af kimplanter ved brug af computer vision

Recommendations

Info

18 Appendiks 18.9 Implementering 18.9.4.10 makeSeeds() Funktionen genererer et array af seed-objekter, og kopierer værdierne fra blobsne over i disse. 18.9.5 EllipseApproximation Formålet med afsnittet er at beskrive virkemåden af den C++-kode, der realiserer teorien i afsnit 9.2 Teori s. 34. Klassen er overordnet bygget op med en funktion execute(), der sørger for en korrekt afvikling af funktionerne i klassen. execute() kan overordnet beskrives med følgende flowchart (figur 18.19): 18.9.5.1 execute() Funktionen består overordnet af en for-løkke, der gennemløber alle kimene, der er fundet med BlobDetection. numberOfSeeds er det totale antal af kim (objekter) og seedCounter er en tæller, der inkrementeres for hvert objekt der arbejdes på. I execute() eksekveres 3 funktioner: 1. Find alle koordinater hvor der er hvide pixels 2. Udregn massemidtpunktet for alle hvide pixels 3. Bestem den principale stor- og lilleakse samt vinklerne hertil 18.9.5.2 getCoordinates() Denne funktion har til formål at finde alle steder i billedet, hvor der er hvidt. Billedet traverseres i både x- og y-dimensionen, og for hver pixel der er hvid, afsættes x- og ykoordinatet i hvert sit array. På den måde opnås en samling af koordinater, hvor der findes hvide pixels: void EllipseApproximation::getCoordinates() { int i=0; for(int y=0; y
18 Appendiks 18.9 Implementering 18.9.5.3 Utilities.calculateCenterOfMass() Denne funktion er beskrevet i Appendiks 18.9.11.2 calculateCenterOfMass() s. 123. 18.9.5.4 calculateAxes() Funktionen har overordnet til formål at udregne stor- og lilleaksen i ellipsen, samt disses vinkler med den horisontale x-akse. Det gøres ved at implementere teorien beskrevet i afsnit 9.2.2 Orientering i planet s. 35. Indledende skal massemidtpunktet bringes til centrum i koordinatsystemet ved at fratrække alle x- og y-koordinater massemidtpunktets x- og y-koordinater (ligning (18.11)): void EllipseApproximation::calculateAxes(Coordinates CM) { for(int i=0; i
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 and 106: 18 Appendiks 18.9 Implementering }
Page 109: 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?