2.5. Detection of egg internal bubb

2.5. Detection of egg internal bubbles
2.5.1. Principal component analysis for extracting characteristic
picture
The large amount of hyperspectral image data was a computational
burden. In addition, the redundant band pictures could be a
difficult task to identify specific features of eggs. Therefore, it is
necessary to extract optimal characteristic pictures which are most
relevant to egg internal bubbles.
Principal component analysis (PCA) is one of the techniques
commonly used to reduce the dimensionality or to reduce redundant
bands and also to reduce the computational burden. PC
images were selected according to their variant contribution.
Every PC image is modeled as

where PCm is the mth PC image; n is the number of pictures of the
original hyperspectral image data; ai is the weight-coefficient of
the picture at the i waveband; and Ii is the original picture at the i
waveband. 2.5.2. Extraction of optimal texture variables from the characteristic
pictures
Texture is an important image feature, which can be used as an
effective tool for pattern recognition. Gray level co-occurrence
matrix (GLCM) has been widely used to extract image texture
information, in which texture features are extracted from the
co-occurrence matrix using statistical approaches, Pd,h with the
gray value i and j (ElMasry et al., 2007; Haralick et al., 1973).
Prior to building the matrix, the distance between pixel pairs (d)
and the direction of pixel pairs (h) were selected. Five textural features,
including contrast, correlation, energy, homogeneity, and
entropy, were extracted using GLCM texture analysis. These parameters
were calculated according to different distance between
each pixel pairs (from d = 1 to d = 10), and averaged to produce
only one value at each direction of 0, 45, 90 or 135. These 5 features
at four directions were extracted from each PC image. The
GLCM parameters were calculated using Matlab (Version 7.9, the
Mathworks Inc., Massachusetts, USA).

ผลลัพธ์ (ไทย) 1:

2.5. การตรวจหาฟองอากาศภายในไข่2.5.1. หลักส่วนประกอบวิเคราะห์แยกลักษณะรูปภาพจำนวนมากของข้อมูลภาพ hyperspectral แก้ไขการคำนวณภาระ นอกจากนี้ รูปภาพวงซ้ำซ้อนอาจจะมีงานที่ยากในการระบุคุณลักษณะเฉพาะของไข่ จึง มันเป็นจำเป็นต้องแยกรูปภาพลักษณะที่ดีที่สุดซึ่งมีมากที่สุดเกี่ยวข้องกับไข่ฟองอากาศภายในการวิเคราะห์ส่วนประกอบหลัก (PCA) เป็นหนึ่งในเทคนิคใช้ เพื่อลดมิติ หรือ เพื่อลดความซ้ำซ้อนกันวงดนตรีและยัง เพื่อลดภาระคำนวณ พีซีภาพได้เลือกตามการผันแปรของตัวแปรทุก PC ภาพจะจำลองเป็นที่ PCm เป็นรูป PC เดือน n คือ จำนวนของภาพของการข้อมูลเดิมใน hyperspectral ภาพ ai คือ ค่าสัมประสิทธิ์ น้ำหนักของรูปที่ i waveband รูปเดิมที่ i และ Iiwaveband 2.5.2. สกัดเนื้อสุดตัวแปรจากลักษณะรูปภาพเนื้อเป็นคุณสมบัติสำคัญภาพ ซึ่งสามารถใช้เป็นการเครื่องมือที่มีประสิทธิภาพสำหรับการรู้จำแบบ เกิดร่วมกันระดับสีเทาเมทริกซ์ (GLCM) มีการใช้กันอย่างแพร่หลายเพื่อแยกเนื้อภาพข้อมูล เนื้อซึ่งคุณลักษณะที่สกัดจากการเมทริกซ์เกิดร่วมกันโดยใช้วิธีทางสถิติ Pd, h กับการสีเทาค่าผมและ j (ElMasry et al. 2007 Haralick et al. 1973)ก่อนสร้างเมตริกซ์ ระยะห่างระหว่างเซลคู่ (d)และทิศทางของพิกเซลที่เลือกคู่ (h) ลักษณะเนื้อสัมผัสที่ห้ารวมทั้งความคมชัด ความสัมพันธ์ พลังงาน homogeneity และentropy ถูกสกัดโดยใช้การวิเคราะห์เนื้อ GLCM พารามิเตอร์เหล่านี้มีคำนวณตามระยะทางที่แตกต่างกันระหว่างคู่แต่ละพิกเซล (จาก d = 1 d = 10), และเฉลี่ยในการผลิตเพียงหนึ่งค่าในแต่ละทิศทาง 0, 45, 90 หรือ 135 คุณลักษณะเหล่านี้ 5ที่สี่ทิศถูกสกัดจากพีซีแต่ละรูป การพารามิเตอร์ GLCM ถูกคำนวณโดยใช้ Matlab (7.9 รุ่น การMathworks Inc. แมซซาซูเสท์ สหรัฐอเมริกา)

ผลลัพธ์ (ไทย) 2:

2.5 การตรวจหาไข่ฟองภายใน
2.5.1 การวิเคราะห์องค์ประกอบหลักสำหรับการสกัดลักษณะ
ภาพ
จำนวนมากของข้อมูลภาพ Hyperspectral คำนวณเป็น
ภาระ นอกจากนี้ภาพวงซ้ำซ้อนที่อาจจะเป็น
งานที่ยากที่จะระบุคุณลักษณะเฉพาะของไข่ ดังนั้นจึงเป็น
สิ่งจำเป็นที่จะดึงภาพลักษณะที่ดีที่สุดที่มีมากที่สุด
ที่เกี่ยวข้องกับฟองอากาศภายในไข่.
วิเคราะห์องค์ประกอบหลัก (PCA) เป็นหนึ่งในเทคนิคที่
นิยมใช้ในการลดมิติหรือเพื่อลดความซ้ำซ้อน
วงและยังช่วยลดภาระในการคำนวณ PC
ภาพที่ได้รับการคัดเลือกตามผลงานที่แตกต่างกันของพวกเขา.
ภาพทุกเครื่องคอมพิวเตอร์จำลองเป็น

ที่ PCM เป็นภาพเดือนพีซี; n คือจำนวนของภาพของ
ข้อมูลภาพ Hyperspectral เดิม; AI เป็นน้ำหนักค่าสัมประสิทธิ์ของ
ภาพที่ waveband ผมนั้น และ II เป็นภาพต้นฉบับที่ผม
waveband 2.5.2 การสกัดของตัวแปรพื้นผิวที่ดีที่สุดจากลักษณะ
ภาพ
พื้นผิวเป็นคุณลักษณะที่สำคัญของภาพซึ่งสามารถนำมาใช้เป็น
เครื่องมือที่มีประสิทธิภาพสำหรับการจดจำรูปแบบ สีเทาระดับร่วมเกิด
เมทริกซ์ (GLCM) ได้รับการใช้กันอย่างแพร่หลายในการสกัดเนื้อภาพ
ข้อมูลซึ่งในคุณสมบัติพื้นผิวที่สกัดจาก
เมทริกซ์ร่วมที่เกิดขึ้นโดยใช้วิธีการทางสถิติแพลเลเดียม H กับ
ค่าสีเทา i และ j (Elmasry et al, 2007;.. Haralick, et al, 1973)
ก่อนที่จะมีการสร้างเมทริกซ์, ระยะห่างระหว่างคู่พิกเซล (ง)
และทิศทางของคู่พิกเซล (H) ได้รับการคัดเลือก ห้าคุณลักษณะเนื้อสัมผัส
รวมทั้งความคมชัดความสัมพันธ์, พลังงาน, ความสม่ำเสมอและ
เอนโทรปีถูกสกัดโดยใช้การวิเคราะห์พื้นผิว GLCM พารามิเตอร์เหล่านี้
จะถูกคำนวณตามระยะทางที่แตกต่างกันระหว่าง
แต่ละคู่พิกเซล (จาก d = 1 ถึง D = 10) และมีค่าเฉลี่ยในการผลิต
เพียงค่าเดียวในแต่ละทิศทางของ 0 ?, 45 ?, 90? หรือ 135 ?. เหล่านี้ 5 คุณสมบัติ
ที่สี่ทิศทางถูกสกัดจากภาพเครื่องคอมพิวเตอร์แต่ละ
พารามิเตอร์ GLCM ถูกคำนวณโดยใช้ Matlab (เวอร์ชั่น 7.9 ที่
Mathworks อิงค์, Massachusetts, USA)

ผลลัพธ์ (ไทย) 3:

2.5 การตรวจหาไข่ฟองภายในดาวน์โหลด . การวิเคราะห์องค์ประกอบหลักสำหรับการสกัดลักษณะภาพปริมาณขนาดใหญ่ของข้อมูลภาพ hyperspectral เป็นคอมพิวเตอร์ภาระ นอกจากนี้ ภาพวงดนตรี ) จะยากที่จะระบุคุณลักษณะเฉพาะของไข่ ดังนั้น จึงเป็นสารสกัดจากภาพเป็นลักษณะที่เหมาะสมซึ่งมีมากที่สุดที่เกี่ยวข้องกับไข่ฟองภายในการวิเคราะห์องค์ประกอบหลัก ( PCA ) เป็นหนึ่งในเทคนิคที่ใช้กันทั่วไปเพื่อลด dimensionality หรือเพื่อลดความซ้ำซ้อนวง และยังลดภาระในการคำนวณ พีซีภาพที่ได้รับเลือกตามสัดส่วนที่แตกต่างของพวกเขาทุกรูปแบบ พีซีที่ PCM เป็นเดือน PC ภาพ ; n คือหมายเลขของรูปภาพของข้อมูลภาพต้นฉบับ hyperspectral ; AI คือน้ำหนักสัมประสิทธิ์ของภาพที่ผม waveband ; และ 2 คือภาพต้นฉบับที่ผมwaveband . งานวาง . การสกัดตัวแปรลักษณะพื้นผิวที่เหมาะสมจากรูปภาพพื้นผิวเป็นคุณลักษณะที่สำคัญของภาพ ซึ่งสามารถใช้เป็นเครื่องมือที่มีประสิทธิภาพสำหรับการรู้จำรูปแบบ . การระดับสีเทาเมทริกซ์ ( glcm ) ได้ถูกใช้อย่างกว้างขวางเพื่อสกัดพื้นผิวภาพข้อมูล ซึ่งคุณลักษณะของพื้นผิวจะสกัดจากการใช้วิธีการทางสถิติแบบ , PD , H กับสีเทาค่า I และ J ( elmasry et al . , 2007 ; haralick et al . , 1973 )ก่อนที่จะสร้างเมทริกซ์ ระยะห่างระหว่างพิกเซลคู่ ( D )และทิศทางของพิกเซลคู่ ( H ) ได้รับเลือก คุณสมบัติเนื้อห้า ,รวมทั้งความคมชัด , ความสัมพันธ์ , พลังงาน , ค่า , และเอนโทรปี ถูกสกัดโดยใช้การวิเคราะห์เนื้อ glcm . พารามิเตอร์เหล่านี้คำนวณตามระยะทางที่แตกต่างกันระหว่างพิกเซลแต่ละคู่ ( จาก D = 1 D = 10 ) และจำนวนผลิตเพียงหนึ่งค่าในแต่ละทิศทาง 0 , 45 , 90 หรือ 135 . 5 คุณสมบัติเหล่านี้4 เส้นทางสกัดจากภาพแต่ละ PC ที่พารามิเตอร์ glcm คำนวณโดยใช้โปรแกรม Matlab ( รุ่น 7.9 ,แมธเวิร์คส์ อิงค์ , Massachusetts , USA )