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