پروژه آموزشی شبیه سازی ترکیب غیرخطی داده های تصویر مرکبات میوه چند طیفی با محتوای اطلاعات با متلب

پروژه آماده متلب شامل قسمتی از یک مقاله است نه کل مقاله.تعدادی تصویر ورودی مرئی و فروسرخ را با هم ترکیب میکند.مراحل در شکل 4 و 5 مقاله ضمیمه شده وجود دارد.ابتدا خواندن تصویر تبدیل موجک گسسته فیلتر گذاری سپس حذف فرکانس بالا ترکیب تصاویر و تبدیل عکس گرفتن.

 

چکیده مقاله (ترجمه ماشینی)

 مسئله اصلی مبتنی بر دید برداشت خودکار مبتنی بر ویسن ، دشواری در شناسایی صحیح میوه در تصاویر در شرایط نوری طبیعی است. عمدتا ، راه حل بر اساس ترکیبی خطی از اجزای رنگ در تصاویر چند طیفی است. با این حال ، نتایج به سطح رضایت بخشی نرسیده است. برای غلبه بر این مسئله ، این مقاله یک روش همجوشی غیرخطی قوی برای افزایش تصویر رنگی اصلی با تصویر همزمان مادون قرمز هماهنگ پیشنهاد می کند. این دو تصویر با تبدیل موجک Daubechies (DWT) در یک روش تجزیه چند مقیاس ترکیب شده اند. با DWT ، با ترکیب کنتراست رنگی اجزای رنگ و همگن بودن مادون قرمز نزدیک مادون قرمز (NIR) ، صداهای پس زمینه کاهش می یابد و ویژگی های تصویر لازم افزایش می یابد. تصویر رنگی ذوب شده با الگوریتم C-means برای بازسازی طبقه بندی می شود. عملکرد روش پیشنهادی با اندازه گیری آماری F در مقایسه با برخی از روش های موجود با استفاده از ترکیبات خطی اجزای رنگ ارزیابی می شود. نتایج نشان می دهد که تلفیق اطلاعات در اجزای طیفی مختلف از مزایای افزایش کیفیت تصویر است ، بنابراین دقت طبقه بندی را در شناسایی مرکبات در شرایط نوری طبیعی بهبود می بخشد.
کلمات کلیدی: همجوشی تصویر؛ فیلتر آنتروپی؛ تجزیه چند مقیاس تبدیل موجک ؛ خوشه بندی

1. مقدمه
برای دستگاه دستکاری برداشت رباتیک که در صنعت باغبانی استفاده می شود ، اصلی ترین تکنیک برای شناسایی محل قرارگیری میوه ها ، سیستم بینایی است. از آنجا که یک سیستم بینایی در این زمینه پیشنهاد شده است [1] ، طرح های مختلف حسگر با استفاده از شدت ، اطلاعات طیفی یا دستگاه یاب لیزر [2] تمرین شده اند. میزان موفقیت شناسایی میوه با تغییر در شرایط آزمایشگاهی بین 70 تا 90 درصد گزارش شده است. برخی از مسائل هنوز قبل از استفاده گسترده تجاری از دستکاری برداشت خودکار حل شده است. به طور معمول ، از آستانه شدت رنگ با یک فیلتر خاص برای تقابل با ویژگی های برجسته یک تصویر استفاده شده است [3]. در عمل ، داده های تصویری بدست آمده توسط یک سنسور تخریب می شود زیرا سنسورهای تصویربرداری دارای محدودیت های فیزیکی خاصی هستند. از طرف دیگر ، طیف نوری به طور بالقوه تحت تأثیر عوامل متعددی در یک محیط باز بدون ساختار قرار می گیرد [4]. به منظور بررسی ویژگیهای باند موجهای مختلف در مختصات طیفی ، از روشهای فراطیفی برای گرفتن اطلاعات لازم از طیف وسیعی از طیف نور استفاده شده است. مطالعه آمار بخشهای تصویر به دست آمده از باند موجهای مختلف ، به ویژه تکنیکهای مربوط به باند موجهای فازی ، ممکن است مرجع ویژگیهای لازم برای توسعه سیستم بینایی ماشین را فراهم کند [5]. انجام پروژه متلب

کد و گزارش ضمیمه شده است. کد اصلی code.m است و باید اجرا شود. تصاویر را در کنار کدها قرار دهید بعد کد را اجرا کنید. همچون مقاله کار تجزیه ویولت در سطح 3 انجام شده است.

توضیح کد:

% reading images

I = imread(‘bonirob_2016_05_23_10_37_10_0_frame23.png’);

% cropping

I = imcrop(I,[1 150 965 965]);

% RGB components retreival

Ir = I(:,:,1);

Ig = I(:,:,2);

Ib = I(:,:,3);

تصویر ورودی خوانده شده و بخش مرکزی آن به صورت مربع انتخاب میشود. سپس اجزا قرمز، سبز و آبی جدا میشوند. برای انجام پردازش روی سایر تصاویر کافیست نام تصویر را در بالا عوض کنید. انجام پروژه برق

% NIR image reading

In = imread(‘bonirob_2016_05_23_10_37_10_0_frame23_nir.png’);

% cropping

In = imcrop(In,[1 150 965 965]);

 

تصویر مادون قرمز نیز خوانده میشود. در اینجا نیز با تصویر ورودی جدید نام تصویر NIR مربوط به آن را در بخش اسم فایل عوض کنید.

 

پروژه شبیه سازی ترکیب غیرخطی داده های تصویر مرکبات میوه چند طیفی با محتوای اطلاعات با متلب توسط کارشناسان گروه ۱.۲.۳ پروژه پیاده سازی گردیده .