Detektering og klassificering af kimplanter ved brug af computer vision

Recommendations

Info

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
8 BlobDetection 8.1 Indledning 8 BlobDetection 8.1 Indledning Formålet med denne klasse er, at kunne detektere de enkelte objekter i et binært billede, og kunne videregive data om disse objekter til andre klasser. Objekter, der ligger i kanten af billedet, skal sorteres fra, da det ikke er sikkert, at hele objektet ligger inden for billedet. Ligeledes skal objekter, der er uden for givne arealgrænser, sorteres fra. I opbygning af algoritmen anvendes der principper fra Davies [3:159-167], der er blevet modificeret til gruppens behov. 8.2 Teori En blob er en gruppering af en eller flere hvide forgrundspixels, som har kontakt med hinanden. Til de enkelte blobs knytter der sig oplysninger omkring størrelse og placering i billedet. En subblob er forstadiet til en blob. Hvis to eller flere subblobs viser sig at have kontakt med hinanden, vil disse blive knyttet sammen inden de bliver til en blob. Billedet bliver behandlet pixel for pixel. Den pixel der behandles på et givent tidspunkt kaldes A0. De omkringliggende pixels kaldes for A1-8 (figur 8.1). Hvis A0 er tændt tilhører den en blob. De af dens naboer (A1-8), der er tændt, tilhører den samme blob. 8.2.1 Knytning af pixels til subblobs Billedet bliver kontrolleret pixelvis, hvor alle tændte pixels bliver knyttet til en subblob efter følgende princip: • Hvis en eller flere af nabopixelene er knyttet til en subblob, knyttes A0 til den samme subblob • Hvis en eller flere af nabopixelene er knyttet til forskellige subblobs, forenes disse subblobs og A0 knyttes til disse • Hvis ingen af nabopixelene er knyttet til en subblob, oprettes der en ny subblob som A0 knyttes til A5 A0 A4 A3 A2 Figur 8.2 Den aktuelle pixel og de 4 interessante naboer A6 A7 A8 A5 A0 A1 A4 A3 A2 Figur 8.1 Den aktuelle pixel og dens otte naboer Da billedet bliver kontrolleret pixelvis, vil kun de 4 af naboerne (A2-A5) til en given pixel have været kontrolleret forinden. Dette gør, at det kun er muligt at knytte en pixel til de subblobs, der ligger i A2-5. Dermed bliver kontrollen af A1 og A6-8 udsat, til når algoritmen når til næste pixel og næste linie, hvor de pixels så vil blive knyttet til deres naboer (A2-5). På dette grundlag undersøges kun A2-A5 (figur 8.2) og ikke A1 og A6-A8. Side 28 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: 7 Binary 7.3 Test 7.3 Test Figur 7.
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 97 and 98:
Page 99 and 100:
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 107 and 108:
Page 109 and 110:
18 Appendiks 18.9 Implementering }
Page 111 and 112:
Page 113 and 114:
18 Appendiks 18.9 Implementering
Page 115 and 116:
Page 117 and 118:
Page 119 and 120:
18 Appendiks 18.9 Implementering r
Page 121 and 122:
18 Appendiks 18.9 Implementering fl
Page 123 and 124:
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

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?