Informatyka, studia dzienne, II st. semestr II Rozpoznawanie obrazów 2012/2013 Prowadzący: dr inż. Bartłomiej Stasiak czwartek, 8:30 Data oddania: Ocena: Andrzej Stasiak 178736 Grzegorz Graczyk 178717 Zadanie 3: Liczenie winogron 1. Cel Celem zadania jest stworzenie metody pozwalającej policzyć winogrona znajdujące się na obrazie. Ponadto na obrazie znajdują się winogrona w dwóch kolorach, które należy policzyć osobno. 2. Algorytm Zastosowany algorytm składa się z kilku faz. Pierwszą fazą jest przygotowanie obrazu do odnajdywania obiektów. Wybrany kanał obrazu, niebieski, jest poddawany progowaniu. Następnie następuje usunięcie rozbłysków zdefiniowanych jako małe, białe obszary. Właściwa metoda to iteracyjne pomniejszanie czarnych obszarów i zapamiętywanie punktów w których czarny obszar zanika. Ponieważ obiekty są dość nierówne należy usunąć punkty leżące bardzo blisko siebie. Ostatnią fazą jest klasyfikacja znalezionego winogrona. Następuje ona w oparciu o średnią wartość kanału zielonego na pierścieniu wokoło punktu. 3. Opis implementacji Implementacja została stworzaplikacja została napisana bez użycia żadnej biblioteki wczytującej bądź przetwarzającej obrazy. Uruchomienie aplikacji powoduje wygenerowanie wyniku dla 15 z góry ustalonych plików. 1
4. Wyniki 4.1. Ocena wzrokowa Najefektywniejszą formą oceny tego zadania jest ocena na oko. Pozwala ona wyłapać wszystkie błędy oraz znaleźć potencjalną przyczynę. W przypadku 1. widoczny jest jeden błąd w klasyfikacji Przypadek 2. został rozpoznany w pełni poprawnie Przypadek 3. został rozpoznany w pełni poprawnie Przypadek 4. został rozpoznany w pełni poprawnie 2
Przypadek 5. został rozpoznany w pełni poprawnie Przypadek 6. został rozpoznany w pełni poprawnie W przypadku 7. widoczne są dwa błędy klasyfikacji. Widać również, że przy użytym zestawie cech klasy nie są liniowo separowalne Przypadek 8. został rozpoznany w pełni poprawnie 3
W przypadku 9. widoczny jest pięć błędów w klasyfikacji. Widoczne jest również jedno winogrono, które nie zostało odnalezione - jest jednak widoczny jedynie jego bardzo mały fragment W przypadku 10. widoczny jest jeden błąd w klasyfikacji. Nie zostało również odnalezione jedno winogrono, które nie zostało odnalezione ze względu na małą odległość od innych pomyloną z przebłyskiem W przypadku 11. widoczne jest jedno nadmiarowe winogrono powstałe za sprawą częściowego ucięcia połączonego z ustawieniem prostopadłym do krawędzi obrazu. Ponadto jedno z winogron za sprawą przebłysku uległo znacznemu przesunięciu W przypadku 12. widoczny jest brak dwóch winogron oraz istotne przesunięcie jednego 4
W przypadku 13. widocznych jest sześć nadmiarowych winogron oraz dziesięć błędów klasyfikacji. Większość z nich wydaje się pochodzić z dużego zbliżenia tego obrazu, czyli większych rozbłysków oraz samych winogron W przypadku 14. widocznyjest jedynie brak jednego, bardzo małego winogrona W przypadku 15. widocznyjest jedynie brak jednego, bardzo małego winogrona 4.2. Ocena ilościowa Odnalezione winogrona: 5
Statystyki: Zielonych Filoetowych 1 19 22 2 16 25 3 19 23 4 23 25 5 22 5 6 11 9 7 20 23 8 23 24 9 21 16 10 22 14 11 14 16 12 30 28 13 41 21 14 22 24 15 25 24 Znalezione zielone winogrona 328 Znalezione fioletowe winogrona 186 Znalezione winogrona 514 Zielone sklasyfikowane jako fioletowe 3 Fioletowe sklasyfikowane jako zielone 16 Nieodnalezione winogrona 3 Nieodnalezione pomijalnie małe winogrona 3 Nadmiarowe winogrona 7 Skuteczność odnajdywania 98.1% Skuteczność klasyfikacji 96.3% Łącznie błędów 29 5. Wnioski Osiągnięte wysokie wyniki pokazują, że zaimplementowana metoda jest skuteczna. Możliwość wskazania przyczyn błędów sugeruje, że poprawienie tych wyników jest możliwe. Z drugiej strony, ilość błędów na 13. obrazku sugeruje małą odporność programu na zmieniające się cechy obrazów. Czyni to przygotowany algorytm przydatny jedynie do bardzo podobnych zdjęć, a także może wymagać istotnych usprawnień przy niewielkim przedefiniowaniu problemu. 6