Estrazione di feature per immagini di farfalle

Question

Ho un set di immagini di farfalle per addestrare il mio sistema a segmentare una farfalla da una determinata immagine di input. A tale scopo, desidero estrarre le funzioni come spigoli, angoli, limiti dell'area, intensità locale massima/minima ecc.

Ho trovato molti metodi di estrazione delle caratteristiche come il rilevamento angolo di Harris, SIFT ma non hanno funzionato bene quando lo sfondo dell'immagine aveva lo stesso colore del colore del corpo/contorno della farfalla.

Qualcuno potrebbe indicare se esiste un buon metodo di estrazione delle caratteristiche che funzioni bene per la segmentazione delle farfalle? Sto usando l'implementazione Python di OpenCV.

Answer 1

Sei disposto a scrivere la tua logica di elaborazione delle immagini?

L'opzione migliore sarà probabilmente quella di ottimizzare la segmentazione/l'estrazione di funzionalità per il problema, invece di utilizzare implementazioni precedenti come opencv destinate a casi d'uso più generali.

Un'opzione che ho trovato che funziona bene in ambienti rumorosi/a basso contrasto consiste nell'utilizzare una finestra scorrevole (ovvero 10x10 pixel) e creare un istogramma di orientamento del gradiente. Da questo istogramma è possibile riconoscere la presenza di più spigoli dominanti (si accumulano nell'istogramma) e i loro orientamenti (consentendo il rilevamento di cose come angoli) e vedere il massimo/minimo locale. (Se necessario, posso fornire ulteriori dettagli)

Se è possibile un'interazione dell'interazione utente con E, si consiglia di eseguire il taglio del grafico o il taglio. Negli utenti di taglio grafico sarebbe possibile perfezionare la segmentazione. Il taglio Grab è già in corso, ma può comportare gli stessi problemi in quanto richiede un singolo input dall'utente, quindi segmenta automaticamente l'immagine.

Answer 2

Si può provare a costruire un modello caricando i dati di allenamento (immagini di butterlys) per demo.nanonets.ai (da usare gratuitamente)

1) Carica i dati di allenamento qui:

demo.nanonets.ai

2) poi interrogare l'API utilizzando la seguente (codice Python):

import requests 
import json 
import urllib 
model_name = "Enter-Your-Model-Name-Here" 
url = "https://i.ytimg.com/vi/xT6UsQwZyy0/maxresdefault.jpg" 
files = {'uploadfile': urllib.urlopen(url).read()} 
url = "http://demo.nanonets.ai/classify/?appId="+model_name 
r = requests.post(url, files=files) 
print json.loads(r.content) 

3) la risposta appare come:

{ 
    "message": "Model trained", 
    "result": [ 
    { 
     "label": "Black Swallowtail", 
     "probability": 0.97 
    }, 
    { 
     "label": "Orange Sulphur", 
     "probability": 0.025 
    }, 
    { 
     "label": "Monarch", 
     "probability": 0.005 
    } 
    ] 
}