Detektering og klassificering af kimplanter ved brug af computer vision

Recommendations

Info

18 Appendiks 18.9 Implementering 18.9.11.2 calculateCenterOfMass() Der lavet to udgaver af denne funktion. Dette er gjort, for at massemidtpunktsudregningen kan bruges flere steder selvom det, det ene sted er et dobbeltarray af koordinater, og det andet sted er et grayScale-objekt der arbejdes med: Coordinates Utilities::calculateCenterOfMass(unsigned char **ppBlob, int ySize, int xSize, int numberOfPixels) { Coordinates CM; CM = calculateCM(ppBlob, ySize, xSize, numberOfPixels); return CM; } Coordinates Utilities::calculateCenterOfMass(GrayScale &grayScale, int numberOfPixels) { Coordinates CM; unsigned char **ppBlob = grayScale.getPointer(); int xSize = grayScale.getWidth(); int ySize = grayScale.getHeight(); } CM = calculateCM(ppBlob, ySize, xSize, numberOfPixels); return CM; 18.9.11.3 calculateCM() calculateCM() er funktionen, der foretager den reelle massemidtpunktsudregning. Funktionen består af to for-løkker der traverserer alle x- og y-koordinater igennem og summerer deres værdier op. Når begge løkker er færdige, deles der med antallet af pixels for at få den gennemsnitlige x- og yværdi. Disse to værdier er koordinatsættet for massemidtpunktet: Coordinates Utilities::calculateCM(unsigned char **ppBlob, int ySize, int xSize, int numberOfPixels) { int i=0; float centerOfMassX = 0, centerOfMassY=0; } for(int y=0; y
18 Appendiks 18.10 Test af Binary 18.10 Test af Binary Her følger testdataene fra testen af Binary-klassen (7.3 Test s. 26): Billede Forgrund Baggrund Threshold Genereret histogram blandet1 173,413 19,4556 96 159,905 17,4753 89 157,364 17,1948 87 156,585 17,1149 87 blandet2 191,585 18,3187 105 182,818 17,3078 100 180,957 17,1288 99 180,61 17,0968 99 blandet3 198,586 19,5937 109 191,694 18,735 105 190,213 18,5756 104 189,832 18,536 104 Side 124 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 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 119 and 120: 18 Appendiks 18.9 Implementering r
Page 121 and 122: 18 Appendiks 18.9 Implementering fl
Page 123: 18 Appendiks 18.9 Implementering 18
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?