Rozpoznávanie stromov podľa listov
-
Upload
nichole-osborn -
Category
Documents
-
view
127 -
download
6
description
Transcript of Rozpoznávanie stromov podľa listov
Rozpoznávanie stromov podľa listov
•Alžbeta Svitková•Lukáš Dilik
•Michal Vozný
Cieľ
Cieľom projektu bolo vytvoriť aplikáciu, ktorá na vstupe dostane obrázok listu a automaticky klasifikuje daný druh.
Náročnosť: Úspešnosť Počet druhov, ktoré sa dajú klasifikovať Schopnosť klasifikácie z fotky stromu
Použitá databáza
8 druhov stromov ginko, javor, osika, platan, vŕba, lipa, ringlóta,
topoľ 15 vzoriek pre každý druh pre trénovanie 6 vzoriek pre každý druh pre testovanie
Každý list je osobitne na bielom pozadí uniformne natočený
Riešenie - návrh
Segmentácia listu z obrazu Prahovanie Canny edge detector
Nájdenie kontúry listu Klasifikácia na základe vlastností kontúry
Riešenie – návrh klasifikácie Pairwise Geometrical Histogram Matching
Násť kontúru listu zo vstupu a porovnať PGH s kontúrami vzoriek
Vybrať najlepšiu zhodu KNN
Navrhnúť súbor príznakov pre diskrimináciu listov Vypočítať príznaky a vytvoriť z nich normalizovaný
vektor a podľa neho natrénovať klasifikátor Klasifikovať podľa KNN algoritmu
PGH
Zovšeobecnenie Chain Code Histogram
(Learning OpenCV – G. Bradsky, A. Kaehler)
KNN – súbor príznakov Pomer strán MBR listu (width / height) Pomer plochy ROI a plochy MBR Pomer plochy konvex. obalu listu a plochy ROI Pomer obvodu konv. obalu listu a obvodu ROI Pomer vzdialeností centroidu listu od
najbližšieho a navzdialenejšieho bodu obvodu Pomer priemernej vzdialenosti bodu obvodu
od centroidu a strednej kvadratickej odchýlky____________________________MBR – minimal bounding rectangleROI – region of interest
KNN v OpenCV
trainData – matica trénovacích dát Jeden riadok predstavuje normalizovaný vektor
zostavený z vypočítaných príznakov trainClasses – matica tried
Pre každý riadok trainData obsahuje príslušný kód daného listu
K – empiricky zvolený parameter
Výsledky
KNN ginko - 83.33333 % javor - 83.33333 % lipa - 83.33333 % osika - 33.33334 % platan - 100 % ringlóta - 100 % topol - 50 % vŕba - 100 %
PGH ginko - 66,66667 % javor - 83,33333 % lipa - 66,66667 % osika - 50 % platan - 100 % ringlóta - 100 % topol - 66,66667 % vŕba - 100 %
Integrovanie PGH do KNN
Vektor príznakov sme rozšírili o 8 hodnôt vypočítaných na základe porovnania PGH vstupného listu a PGH jedného listu zo šablón listov
Cieľ: zdôrazniť samotný tvar kontúry, nie len jej proporčné vlastnosti
Výsledok PGH + KNN ginko - 83,33333 % javor - 83,33333 % lipa - 83,33333 % osika - 83,33333 % (pôvodne 33,3) platan - 100 % ringlóta - 83,33333 % (pôvodne 100%) topoľ - 100 % (pôvodne 50%) vŕba - 100 %
Problémy
Predpoklady fungovania: Jeden list na svetlom pozadí Uniformné natočenie Uniformná veľkosť listu jedného druhu
Klasifikácia teda nie je invariantná voči rotácii ani škálovaniu
Zdroje Automatic Plant Leaf Classification for a Mobile Field Guide, D.Knight, J.Painter,
M.Potter, Stanford University, Department of Electrical Engineering, Stanford, California
Learning OpenCV – G. Bradsky, A. Kaehler
Ďakujeme za pozornosť