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.
7 Binary 7.3 Test<br />
7.3 Test<br />
Figur 7.2<br />
Implementering <strong>af</strong> H. J. Trussels formel<br />
Det er formålet med testen, at undersøge hvorledes den udviklede kode, vil udregne<br />
thresholdværdien for et billede. Der <strong>brug</strong>es i alt 11 billeder i testen (ligger på DVD’en i ”7.<br />
Binary\Inputbilleder til test”). For hvert billede der testes registreres gennemsnitsværdierne for baggrunds-<br />
<strong>og</strong> forgrundsarealet (punkt 3 i 7.2.2 Iterativ thresholding-teknik s. 24), <strong>og</strong> thresholdværdien for<br />
hver iteration. Ydermere udprinter klassen automatisk hist<strong>og</strong>rammet for billedet i MatLab-kode, så<br />
der nemt kan tegnes en gr<strong>af</strong> ud fra dataene (disse findes som ”hist<strong>og</strong>ram.m” i ”Data”-biblioteket).<br />
Billedet herunder (figur 7.3) beskriver iterationsprocessen på hist<strong>og</strong>rammet ud fra data fra test på det<br />
første billede ”blandet1”. B K beskriver baggrundsarealets gennemsnitsværdi for k’te iteration, <strong>og</strong> på<br />
samme måde med F for forgrundsarealet. T k beskriver thresholdværdien for k’te iteration.<br />
Side 26 <strong>af</strong> 131