Detektering og klassificering af kimplanter ved brug af computer vision

Recommendations

Info

18 Appendiks 18.9 Implementering … for(int y = 0; y < height; y++) { for(int x = 0; x < width; x++) { if(ppTempSource1GrayScalePointer[y][x]!= ppTempSource2GrayScalePointer[y][x]) { ppTempDestGrayScalePointer[y][x] = 255; numberOfWhitePixels++; } } } … Derefter beregnes massemidtpunktet for de små arealer som er opstået. Til dette formål anvendes Utilities-klassens calculateCenterOfMass(). Bagefter tilføjes koordinater for punktet i seedobjektet: … CenterOfMass centerOfMassCoordinates; Utilities utilities; centerOfMassCoordinates = utilities.calculateCenterOfMass(destination, numberOfWhitePixels); pSeed[count].centerTopX = int(centerOfMassCoordinates.xCoordinate) + pSeed[count].boundsXMin; pSeed[count].centerTopY = int(centerOfMassCoordinates.yCoordinate) + pSeed[count].boundsYMin; pSeed[count].TopBottomDetection = true; … 18.9.7.3 findTop() I denne funktion implementeres beregningen af vinklen mellem den linie, der går igennem de to massemidtpunkter og det vandrette plan. De to massemidtpunkter er fra henholdsvis ellipseapproksimationen og subtract()-funktionen. Som det første beregnes sidelængderne i trekanten a, b og c. Derefter beregnes vinklen. Herefter følger de to tjek der afgør om topmassemidtpunktet ligger på henholdsvis den ene eller den anden side af lilleaksen. Til sidst tilføjes det i hvilken ende toppen er beregnet til at ligge, i seed-objektet: … b = float(pSeed[count].centerTopX - pSeed[count].centerOfMassX); a = float(pSeed[count].centerTopY - pSeed[count].centerOfMassY); c = sqrt(pow(a,2)+pow(b,2)); angle = acos(b/c); if(a pSeed[count].thetaMinorAxis && pSeed[count].thetaCenterTop < pSeed[count].thetaMinorAxis + M_PI) { pSeed[count].thetaTop += float(M_PI); } } else { if(pSeed[count].thetaCenterTop > pSeed[count].thetaMinorAxis || pSeed[count].thetaCenterTop < pSeed[count].thetaMinorAxis - M_PI) { pSeed[count].thetaTop += float(M_PI); } } … Side 115 af 131
18 Appendiks 18.9 Implementering 18.9.8 Symmetry I dette afsnit gennemgås implementeringen af en løsning på teorien beskrevet i 12 Symmetry s. 54. Klassen er bygget op efter standarden med en execute() funktion, der sørger for at funktionerne i klassen bliver afviklet i rigtig sekvens. 18.9.8.1 execute() execute() indeholder en for-løkke, der gennemløber alle kimene (seedCounter). Hver gang afvikles funktionen getPixelDeviation(), som har til formål at udregne den procentvise symmetri-værdi: void Symmetry::execute(void) { int seedCounter; for(seedCounter=0; seedCounter
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 and 110: 18 Appendiks 18.9 Implementering }
Page 113 and 114: 18 Appendiks 18.9 Implementering
Page 115: 18 Appendiks 18.9 Implementering 18
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?