Ayna bana, bu ne tür harika bir çiçek olduğunu söylüyor.
Çiçek tanımlama kılavuzu
Peri masallarında, Pamuk Prenses'in "üvey annesinin" sihirli bir aynası vardır. "Üvey annesi" aynaya her zaman sorar: "Dünyanın en güzel kadını kimdir?" Sihirli ayna her zaman gerçeği söyleyebilir. . Bugün Science Radio, çiçek türlerini otomatik olarak tanımlayabilen bir ayna olan "sihirli aynayı" sizinle paylaşacak
Peki Ayna Ayna, lütfen herkese söyleyin, bu ne tür bir çiçek?
Sesi dinlemek için lütfen yukarıdaki ses düğmesine tıklayın ~
Görüntü işleme
1
Önce size görüntü işlemenin ne olduğunu söyleyeyim.
Görüntü, insan beyninde objektif sahnenin oluşturduğu görüntüdür.İnsan için en önemli bilgi kaynağıdır.Çeşitli gözlem sistemleri ile objektif dünyadan elde edilir, sezgisel ve anlaşılması kolaydır.
Görüntü işleme, görüntüler ve görüntüler arasındaki değiş tokuşa vurgu yaparak görüntülerin bilgisayarlarda işlenmesini ifade eder. Asıl amaç, görüntülerin görsel efektlerini iyileştirmek için görüntüleri işlemek ve daha sonra görüntü tanıma için temel oluşturmaktır. Görüntü tanıma, çeşitli modellerde hedefleri ve nesneleri belirlemek için görüntüleri işlemek, analiz etmek ve anlamak için bilgisayarları kullanan bir teknolojidir.
Bilgisayar teknolojisinin, multimedya teknolojisinin ve yapay zeka teknolojisinin hızla gelişmesiyle, görüntü işleme teknolojisinin uygulanması giderek daha kapsamlı hale geldi ve bilimsel araştırma, eğitim yönetimi, tıbbi sağlık, askeri ve diğer alanlarda bazı başarılar sağlandı. Görüntü işleme, insanların yaşam tarzlarını ve üretim yöntemlerini önemli ölçüde değiştiriyor. Örneğin, insanlar görüntü işleme teknolojisini ay manzarasını, trafik yönetiminde plaka tanıma sistemlerini ve robotikte bilgisayarla görmeyi takdir etmek için kullanabilir. Bu uygulamalarda, Görüntü işleme ve tanıma teknolojisinden ayrılamazlar.
Çiçek tanıma
2
Peki, çiçek türlerinin tanınmasında görüntü işleme nasıl uygulanır?
Doğada birçok farklı çiçek türü vardır ve çiçekler arasında özellik bakımından bazı benzerlikler bulunmuştur. Örneğin birçok çiçek kırmızıdır. Öte yandan, bu aspirlerin başka yönleri de farklıdır - örneğin kokuları ve şekilleri. Geleneksel çiçek tanımlama görevleri botanikçiler tarafından yapılır, ancak ilgili mesleki eğitim almamış meslekten olmayan kişiler için, çiçek türlerini bilmek istiyorlarsa, harici bir araca, otomatik çiçek tanımlama sistemine güvenmeleri gerekir. Çiçek otomatik tanımlama sistemi, çiçek türlerini algılamak ve tanımlamak için otomatik bir yöntem sağlar. Çiçeklerle her resim girdiğimizde, sistem çiçeklerin türünü eğitimli sınıflandırıcı aracılığıyla değerlendirecek ve en yüksek güvene sahip sınıf girdi çiçek sınıfı olarak seçilecektir.
Çiçek tanımlama süreci
İlk olarak, beklediğimiz piksel giriş resmini elde etmek için giriş çiçek resmini ayarlamamız gerekir. Bu süreçte, girdi görüntüsü orijinal boyutunun yarısına ayarlanacak ve bu ayarlama işlemi daha sonra hızlandıracaktır. Tatmin edici segmentasyon sonuçları elde etmek için, sistemde kademeli olarak artan segmentasyonu dağıtmak için yeniden boyutlandırma değerinin bulunması gerekir. Deneyimler, hızlı ve eksiksiz bölümleme elde etmek için kesin ön plan sınırları kullanmaya çalışırken, yeniden ayarlanmış satır sayısının optimum değerinin 350 olduğunu ve en-boy oranını korumak için sütun sayısının otomatik olarak hesaplandığını göstermiştir. Bu yöntemle ayarlanan resim, en uygun ön işleme sonucu olabilir.
Resim ayarlama sonucu
Ardından, çiçek tanıma akış şeması-bölgesel büyüme segmentasyonundaki üçüncü adıma. Öncelikle resimdeki ön plan ve arka plan hakkında konuşalım. Bu görevde, ön plandaki görüntü çiçeğin kendisine, arka plan ise orijinal görüntüde çiçeğin kendisini hariç tutan arka planı ifade eder. Bu adımda önce çiçeği arka plandan bölümlere ayırmamız gerekiyor. Ardından çiçek türlerini tanımlayın ve tanımlama görevi yalnızca çiçeğin resmi olan ön planda çalışır. Arka planı kaldırma sürecinde, esas olarak evrim eğrisinin aktif konturuna dayanır. Eğri, nesnenin etrafında başlatılır ve sürekli olarak nesnenin sınırına doğru hareket eder ve son olarak nihai sınır yavaş yavaş belirlenir.
Eşik segmentasyonu süreç
Ön plan görüntüsü
(Bölge büyümesi segmentasyonunun sonucu)
Özellik çıkarma
3
Sıradaki Özellik çıkarma Yukarı. Daha önce elde edilen ön plan görüntüsüne göre çiçek ve yaprak görüntülerinden farklı özellikler çıkarılır. Ve bilgi veritabanında saklanır.
Çıkarılan özellikler şunları içerir: Renk özelliği, doku özelliği ve şekil özelliği .
Renk özellikleri
Resimde RGB ve HSV elde ederek çiçeklerin özelliklerini öğreniyoruz.
RGB, kırmızı, yeşil ve mavi olmak üzere üç bölümden oluşan bir renk sistemidir. Resimdeki renkler, ortalama, standart sapma ve çarpıklık gibi bu renk uzayından çıkarılabilir. Bu istatistiksel özellikler, standartlaştırılmış bir resim renk matrisi özellik vektörü oluşturmak için matematiksel olarak işlenir.
RGB renk arama tablosu
HSV renk histogramı, görüntüdeki renk dağılımını temsil eder. HSV renk uzayında renk tonu, doygunluk ve değer sırasıyla ton, kroma ve tonu ifade eder. Aynı renk aralığına sahip piksellerin sayısı histogramda gösterilir. Segmentli çiçek görüntüsünden renk tonu, doygunluk ve değer kanalının nicelleştirilmiş değerini çıkarın ve normalleştirin.
HSV renk alanı modeli
HSV ve RGB renk özellikleri, son çiçeğin renk özelliklerini oluşturmak için birleştirilir.
Doku özelliği
Dokunun nicel veya nitel bir tanımını elde etmek için belirli bir görüntü işleme teknolojisi aracılığıyla doku özelliği parametrelerinin çıkarılması sürecini ifade eder. Çiçek tanıma açısından, GLCM (Gray Co-oluşum Matrix Metodu) ve iki boyutlu dalgacık dönüşümüne dayalı birleşik özellikler kullanılır.
Gri düzey birlikte oluşum matrisi yöntemi, gri ölçekli görüntüyü hesaplayarak birlikte oluşum matrisini elde etmek ve ardından görüntünün belirli doku özelliklerini temsil etmek için birlikte oluşum matrisini hesaplayarak matrisin bazı özdeğerlerini elde etmektir. Gri düzey birlikte oluşum matrisi, görüntü gri düzeyinin yönü, bitişik aralığı ve değişim aralığı hakkındaki kapsamlı bilgileri yansıtabilir ve görüntünün yerel desenlerini ve bunların düzenleme kurallarını analiz etmek için temel oluşturur.
Korelasyon ve homojenliği tanımlamak için ters fark normalizasyonu ve iki değer çıkarılmış ve farklı yöntemlerle farklı hesaplamalar yapılmıştır. Görüntüdeki doku, 1x22 normalleştirilmiş vektörden çıkarılır ve görüntüdeki tüm dokular çıkarılır. 4 GLCM matrisinin ortalamasını alarak, görüntü dönüşü değişmez.
Katsayı dalgacık özellikleri, ayrık iki boyutlu dalgacık dönüşümüne dayalı olarak çıkarılır. 2 boyutlu dalgacık dönüşümünün dört yinelemesini uygulayarak, dört faktörlü düşük geçişli yaklaşım katsayılarının ortalama değeri ve standart sapması hesaplanır ve her çiçek görüntüsünün 1x2'sinde özellik vektörü oluşturulur.
Şekil özelliği
Şekil özelliği, SIFT ve HOG şekil özellikleri birleştirilerek belirlenir.
Ölçekle değişmeyen özellik dönüşümü (SIFT), görüntü işleme alanında kullanılan bir tanımdır. Bu açıklama ölçeğe göre değişmez, görüntüdeki kilit noktaları tespit edebilir ve yerel bir özellik tanımlayıcısıdır. Ölçeklendirilmiş sürekli bir işlev kullanılarak, giriş görüntüsü ve Gauss çekirdeği, birden çok ölçekte kararlı özellikler elde etmek için üç farklı ölçekte birleştirilir. SIFT işlevini kullanarak, görüntüler farklı görünümlerde çekilmiş, yakınlaştırılmış ve döndürülmüş olsa bile görüntüler arasındaki eşleşmeyi bulabilirsiniz.
SIFT şematik
Yönlendirilmiş Gradyanların Histogramı (HOG): Bilgisayarla görme ve görüntü işlemede nesne tespiti için kullanılan bir özellik tanımlayıcıdır. HOG özelliği, görüntünün yerel alanının gradyan yönünün histogramını hesaplayarak ve sayarak özelliği oluşturur. HOG özelliğini çıkarmak için, önce giriş çiçek görüntüsünün merkezini kırpın. Standartlaştırılmış renkleri sağlamak için, giriş görüntüsünün ön işlenmesiyle RGB sıkıştırması uygulanır. Gradyan, çeşitli ayrı maskeler kullanılarak görüntü filtrelenerek hesaplanır. Hücredeki her piksel için oryantasyon histogramına dayalı olarak ağırlığı hesaplayın ve büyük ölçekli uzamsal bilgileri HOG yakalamak için 60x60 hücre boyutunu seçin. Nihai sonuç, tüm tek vektörlerin birleşiminden gelir ve çıktı vektörünün boyutu 1x36'dır.
HOG özelliği çıkarma akış şeması
Son olarak yukarıda çıkarılan özelliklere göre çiçek çeşitlerine karşılık gelen özellikler bilgi tabanına konulur. Böylece çiçekleri tanımlayabilen bir sistem elde edilir.
Benzer çiçeklerin tanıma sonuçları
Referanslar
1. Dijital Görüntülerden Otomatik Çiçek Türleri Algılama ve Tanıma, Aalaa Albadarneh, Ashraf Ahmad2, International Journal of Computer Science and Network Security, VOL.17 No. 4, Nisan 2017
2. İmge Anlamsal Analiz ve Anlamaya Genel Bakış, Gao Jun, Xie Zhao, Zhang Jun, Wu Kewei, Örüntü Tanıma ve Yapay Zeka,
Vo 1. 23 NO. 2, 2010.4
Düzenleme: parlayan
En Yeni 10 Popüler Makale
Görüntülemek için başlığa tıklayın
