Shape Detection in Images Using Machine Learning

Detta är en Uppsats för yrkesexamina på grundnivå från Örebro universitet/Institutionen för naturvetenskap och teknik

Författare: Axel Devlin; [2021]

Nyckelord: Multi-class classification; SVM; support vector machine; supervised learning; machine learning; Flerklass klassificering; SVM; stödvektormaskin; övervakat lärande; maskininlärning;

Sammanfattning: Rapporten undersöker hur man ska gå tillväga för att implementera en support vector machinesom kan klassificera olika former i bilder med hjälp av OpenCV libraryt i Python. Dettakommer att göras genom att beräkna scale-invariant features. De scale-invariant features somkommer undersökas är simple features och Hu moments. Dessa features ska sedantillsammans med sina tillhörande labels matas in i en SVM för träning. SVM ska därefterkunna urskilja mellan olika former baserat på deras scale-invariant feature. Rapportenundersöker även vilken av Hu moments och simple features som fungerar bäst för attklassificera former i bilder. Rapporten tittar också på tidigare forskning i området ochrapporter som täcker olika sätt att extrahera former ut bilder.Nyckelord: Flerklass klassificering, SVM, stödvektormaskin, övervakat

  HÄR KAN DU HÄMTA UPPSATSEN I FULLTEXT. (följ länken till nästa sida)