Detektering og klassificering af kimplanter ved brug af computer vision

7 Binary 7.4 Sammenfatning
Det ses på figur 7.3, at som der
itereres placeres thresholdværdien
længere og længere mod venstre og
konvergerer til en threshold på 87 i
pixelintensitet.
Testresultater for alle 11 billeder
findes i Appendiks 18.10 Test af Binary
s. 124.
7.4 Sammenfatning
Det kan overordnet konkluderes, at
det har været muligt at skabe en
klasse, der med succes kan thresholde
et billede.
Klassen indeholder en funktion, der
kan skabe et histogram over et givent
billede, hefter en funktion der kan
anvende histogrammet og evaluere en
thresholdværdi, der passer til billedet.
Til sidst er der lavet en funktion, der
kan anvende thresholdværdien på det
oprindelige billede, og skabe et nyt
binært billede der er thresholdet med
thresholdværdien.
Figur 7.3
Demonstration af algoritme med billedet ”blandet1” som eksempel
Testen viser, at implementeringen af koden virker som den skal. Thresholdværdien lægger sig
imellem de to peaks i histogrammet som ønsket, og ved visuel inspektion af de thresholdede billeder,
er det klart at mindre mængder genskin og andet ”støj” bliver sorteret fra som ønsket.
Det vurderes, at det ikke har nogen væsentlig effekt, hvad det indledende gæt på thresholdværdien
T 0 er ud fra gruppens forsøg. Dvs. det betyder ikke noget, om det vælges at starte yderst fra højre
( 0 T = 255) eller om 0 T = 127. Det eneste sted hvor der kan findes en forskel, er når T 0 = 0. Denne
forskel er dog sjældent mere end 1 pixel i pixelintensitet. Derfor findes det mest logisk og effektivt at
vælge T 0 = 127, da dette er midten af skalaen, og samtidigt i nærheden af den resulterende thresholdværdi
i langt det fleste tilfælde, hvilket vil give en potentielt kortere iterationsproces.
Samlet kan det konkluderes, at klassen korrekt identificerer thresholdværdien, og anvender denne til
at skabe et thresholdet billede fra det oprindelige gråtonebillede.
Side 27 af 131