Phát hiện mẫu tĩnh mạch trong lá?

Question

Mục đích của tôi là để phát hiện các mô hình tĩnh mạch trong lá đặc trưng cho loài khác nhau của cây

Tôi đã thực hiện như sau:

Original image:

Sau khi thích ứng thresholding:

Tuy nhiên tĩnh mạch không phải là rõ ràng và được bóp méo, Có cách nào tôi có thể có được một kết quả tốt hơn

EDIT:

tôi đã cố gắng màu ngưỡng kết quả của tôi vẫn không đạt yêu cầu tôi nhận được như sau hình ảnh

Xin giúp

Answer 1

Sự thật tha Hình ảnh JPEG của nó sẽ tạo ra các khối "tạo tác", trong ví dụ mà bạn đã đăng khiến hầu hết các vùng hình vuông xung quanh các tĩnh mạch có nhiều nhiễu, vì vậy lý tưởng là làm việc trên một hình ảnh không bị nén. Nếu điều đó là không thể, sau đó thử lọc hình ảnh để loại bỏ một số tiếng ồn.

Các tĩnh mạch bạn muốn trích xuất có màu khác với nền, lá và bóng để một số loại ngưỡng màu dựa trên có thể là một ý tưởng hay. Có một S.O. câu hỏi với một số mã có thể giúp here. Sau đó, một số loại chuẩn hóa thích ứng sẽ giúp tăng độ tương phản trước khi bạn ngưỡng.

[sửa]
Có thể việc làm tròn không phải là bước trung gian mà bạn muốn thực hiện. Tôi đã làm như sau bằng cách lọc để loại bỏ các tạo phẩm jpeg, thực hiện một số phép toán kênh CMYK (nhiều màu lục lam và đen) sau đó áp dụng cân bằng thích ứng. Tôi khá chắc chắn rằng bạn có thể tiếp tục tạo ra các điểm cạnh bằng cách sử dụng các gradient hình ảnh và không bị maxima, và có thể sử dụng độ sáng tại mỗi điểm và các thuộc tính của cấu trúc tĩnh mạch (chủ yếu là kết nối với nhau) tham gia các điểm thành các dòng.

Answer 2

Điều này nghe giống như điều tôi đã học đại học với mạng thần kinh. Các công cụ mạng thần kinh là một chút khó khăn vì vậy tôi sẽ không đi đến đó. Dù sao, mô hình là ứng cử viên hoàn hảo cho biến đổi 2D Fourier! Đây là một chương trình có thể:

1. Bạn có dữ liệu đào tạo và dữ liệu đầu vào
2. Dữ liệu của bạn được thể hiện dưới dạng một 2D biến đổi Fourier
3. Nếu cơ sở dữ liệu của bạn là lớn, bạn nên chạy PCA trên chuyển đổi kết quả để chuyển đổi một phổ 2D cho một phổ 1D
4. So sánh khoảng cách hamming bằng cách kiểm tra phổ (sau PCA) của 1 hình ảnh với tất cả các hình ảnh trong tập dữ liệu của bạn.

Bạn nên mong đợi ~ 70% công nhận với các phương pháp nguyên thủy miễn là các hình ảnh có cùng khoảng xoay. Nếu hình ảnh không phải là cùng một vòng quay. Bạn có thể phải sử dụng SIFT. Để có được sự công nhận tốt hơn, bạn sẽ cần nhiều tập huấn luyện thông minh hơn như Mô hình Markov ẩn hoặc mạng thần kinh. Sự thật là để có được kết quả tốt cho loại vấn đề này có thể khá nhiều công việc.

Check-out: https://theiszm.wordpress.com/2010/07/20/7-properties-of-the-2d-fourier-transform/

Answer 3

Trong quá khứ tôi đã thực hiện những kinh nghiệm tốt với Edge phát hiện thuật toán difference of Gaussian. Mà về cơ bản hoạt động như thế này: Bạn làm mờ hình ảnh hai lần với gaussian blurr algorithm nhưng với bán kính mờ khác nhau. Sau đó, bạn tính toán sự khác biệt giữa cả hai hình ảnh.

Pixel có cùng màu bên dưới lẫn nhau sẽ tạo ra cùng một màu được làm mờ. Pixel với các màu khác nhau bên dưới mỗi phần tử khác sẽ tạo thành một gradient phụ thuộc vào bán kính mờ. Đối với bán kính lớn hơn gradient sẽ kéo dài xa hơn. Đối với những người nhỏ hơn nó sẽ không.

Vì vậy, về cơ bản đây là bộ lọc dải. Nếu bán kính được lựa chọn là nhỏ, một nhân vật phản diện vô ích tạo ra 2 dòng "song song". Nhưng kể từ khi tĩnh mạch của lá nhỏ so với mở rộng của hình ảnh bạn chủ yếu là tìm bán kính, nơi một kết quả tĩnh mạch trong 1 dòng.

Ở đây tôi đã thêm ảnh đã xử lý thứ. bước tôi đã làm trên ảnh này:

1. Desaturate (grayscaled)
2. khác biệt của Gaussian. Ở đây tôi blured hình ảnh đầu tiên với bán kính 10px và hình ảnh thứ hai với bán kính 2px. Kết quả bạn có thể xem bên dưới.

Đây chỉ là kết quả được tạo nhanh chóng. Tôi đoán rằng bằng cách tối ưu hóa các tham số, bạn thậm chí có thể có được những cái tốt hơn.