CN110751228A - 基于改进k-means算法的作物病变叶片检测方法 - Google Patents
基于改进k-means算法的作物病变叶片检测方法 Download PDFInfo
- Publication number
- CN110751228A CN110751228A CN201911033512.7A CN201911033512A CN110751228A CN 110751228 A CN110751228 A CN 110751228A CN 201911033512 A CN201911033512 A CN 201911033512A CN 110751228 A CN110751228 A CN 110751228A
- Authority
- CN
- China
- Prior art keywords
- clustering
- similarity
- histogram
- clustering center
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Abstract
本发明属于计算机信息处理、模式识别技术领域,公开了一种基于改进k‑means算法的作物病变叶片检测方法,首先根据病变叶片的直方图特性,确定病变叶片的类别数;然后通过直方图的峰值点初步确定聚类中心,并计算每个像素点到不同聚类中心的相似度;最后根据相似度的大小利用k‑means聚类算法进行病变叶片图像的分割,完成对病变叶片的快速检测。本发明不需要人工指定图像聚类的类别数,自动确定类别数;不需要人工指定初始聚类中心,自动确定初始聚类中心;计算像素点到聚类中心的相似度,不仅考虑颜色相似度,而且还考虑了距离大小,更能精确对图像进行分割。
Description
技术领域
本发明属于计算机信息处理、模式识别技术领域,尤其涉及一种基于改进k-means算法的作物病变叶片检测方法。
背景技术
目前,最接近的现有技术:农作物是人类赖以生存的能量和营养的主要来源。2019年1月20联合国粮农组织发布的《全球粮食危机报告》称,2018年,全球共有50多个国家约10亿人受到农作物产量不足而处于饥饿状态,较上一年多出1100万人。病虫害是导致农作物减产的一个重要原因,全球每年因病虫害导致农作物减产10%。所以,及早地发现和防治作物病虫害,具有重要的现实意义。
农作物病虫害的发病迹象主要表现在作物叶片发生病变,因此通过机器视觉技术对作物叶片症状进行自动检测,是实现作物病害预警和防治的有效手段。目前,对作物病虫害的检测和识别主要还是通过人工观察,这种方式效率低、错误率高。基于机器视觉对叶片病变区域的检测算法主要是图像阈值分割算法和图像聚类算法。由于作物病害的致病病原种类的不同,会产生形状、颜色、纹理等方面有很大差异的病斑、孔洞等特异性症状,这时用全局阈值分割算法很难将病斑从叶片中分割出来,需要运用多阈值分割算法才可以完成,但是多阈值的确定很难用算法自动完成,往往需要辅以人工参与,这样就使得算法丧失了普适性和智能化。在用图像聚类算法进行叶片病斑分割时,事先需要人工确定类族的个数,人工的参与使得算法的适应性比较差,也容易导致分割错误。
综上所述,现有技术存在的问题是:在用图像聚类算法进行叶片病斑分割时,事先需要人工确定类族的个数,人工的参与使得算法的适应性比较差,也容易导致分割错误。
由于病变叶片的病斑会呈现各种不同的形状、各种不同的颜色,要对病斑进行精确分割存在很多困难。本发明通过对大量病变叶片图像进行归纳分析,发现了病变叶片图像的直方图存在独特的性质,利用此性质可以对病变叶片的病斑进行精确分割,不仅实现了自动化分割,而且大大提高了病变检测的效率,这对促进病变叶片的智能化检测技术发展具有重要意义。
发明内容
针对现有技术存在的问题,本发明提供了一种基于改进k-means算法的作物病变叶片检测方法。
本发明是这样实现的,一种基于改进k-means算法的作物病变叶片检测方法,所述基于改进k-means算法的作物病变叶片检测方法首先根据病变叶片的直方图特性,确定病变叶片的类别数;然后通过直方图的峰值点初步确定聚类中心,并计算每个像素点到不同聚类中心的相似度;最后根据相似度的大小利用k-means聚类算法进行病变叶片图像的分割,完成对病变叶片的快速检测;
所述k-means聚类算法为:
1)确定好聚类数目和初始聚类中心;
2)运用公式计算像素点到每个聚类中心的相似度;
s=s1*s2;
3)将像素点划归到相似度最大的聚类;
4)聚类结束后,用每个类中所有像素点的平均值更新聚类中心;
5)转至步骤2),重新聚类;
6)直至聚类中心不在发生变化。
进一步,所述基于改进k-means算法的作物病变叶片检测方法包括以下步骤:
第一步,将病变叶片图像的颜色空间从RGB转换到Lab;
第二步,在Lab颜色空间计算病变叶片图像的直方图;
第三步,根据直方图的波峰数确定图像的分割类别数;
第四步,根据直方图的峰值点确定图像的初始聚类中心;
第五步,计算每个像素点与初始聚类中心的相似度;
第六步,根据相似度的大小,利用k-means聚类算法对病变叶片图像进行迭代聚类,直到聚类中心不再发生变化。
进一步,所述第一步将病变叶片图像的颜色空间从RGB转换到Lab具体包括:在Lab颜色空间中,L代表亮度,a、b代表色度;RGB无法直接转换到Lab,需要先转换成XYZ再转成Lab;
1)RGB转XYZ
r,g,b为像素三个通道,取值范围均为[0,255],转换公式如下:
M等于;
2)XYZ转Lab;
公式中,L、a、b是最终的LAB色彩空间三个通道的值;X、Y、Z是RGB转XYZ后计算的值,Xn、Yn、Zn是95.047、100.0、108.883。
进一步,所述第二步在Lab颜色空间计算病变叶片图像的直方图根据完成的病变叶片图像的颜色空间转换,在Lab颜色空间计算病变叶片的直方图;通过对积累的大量病变叶片图像特征的分析,发现病变叶片图像的组成有2种模式:第一种,是病变叶片图像由病斑和叶片两个区域构成;第二种是病变叶片图像由病斑、叶片和背景三个区域构成。
进一步,所述第三步和第四步聚类数和初始聚类中心的确定首先用7点加权均值法对直方图曲线进行平滑,7点加权均值法如下式:
式中H(x)是灰度值x所对应的直方图的值,平滑后的直方图曲线通过求导和邻域值的大小判断峰值区域;峰值区域满足如下条件:
在x*的邻域内,H(x*)的值最大。
通过以上两个条件,在直方图上判断出图像的聚类数,峰值区域的峰值点作为初始的聚类中心。
进一步,所述第六步的改进的k-means聚类算法x*点代表聚类中心,对于像素点x,根据公式求像素点x与聚类中心x*的相似度s;
s=s1*s2;
在式中,通过引入空间距离相似度,对图像进行分割。
本发明的另一目的在于提供一种应用所述基于改进k-means算法的作物病变叶片检测方法的信息数据处理终端。
综上所述,本发明的优点及积极效果为:本发明不需要人工指定图像聚类的类别数,自动确定类别数;不需要人工指定初始聚类中心,自动确定初始聚类中心;计算像素点到聚类中心的相似度,不仅考虑颜色相似度,而且还考虑了距离大小,更能精确对图像进行分割。
附图说明
图1是本发明实施例提供的基于改进k-means算法的作物病变叶片检测方法流程图。
图2是本发明实施例提供的(a)-(d)为RGB颜色空间的病变叶片图。
图3是本发明实施例提供的(a)-(d)为Lab颜色空间的病变叶片图。
图4是本发明实施例提供的(a)-(d)为Lab颜色空间病变叶片的直方图。
图5是本发明实施例提供的(a)-(d)为平滑后的直方图。
图6是本发明实施例提供的(a)-(d)为待处理的病变叶片图。
图7是本发明实施例提供的(a)-(d)为用本发明方法处理的结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种基于改进k-means算法的作物病变叶片检测方法,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的基于改进k-means算法的作物病变叶片检测方法包括以下步骤:
S101:将病变叶片图像的颜色空间从RGB转换到Lab;
S102:在Lab颜色空间计算病变叶片图像的直方图;
S103:根据直方图的波峰数来确定图像的分割类别数;
S104:根据直方图的峰值点来确定图像的初始聚类中心;
S105:计算每个像素点与初始聚类中心的相似度;
S106:根据相似度的大小,利用k-means聚类算法对病变叶片图像进行迭代聚类,直到聚类中心不再发生变化。
下面结合附图对本发明的技术方案作进一步的描述。
本发明实施例提供的基于改进k-means算法的作物病变叶片检测方法具体包括以下步骤:
(1)颜色空间转换
Lab色彩模型不仅与显示设备无关,还具有色域宽阔的优势。它不仅包含了RGB,CMYK的所有色域,还能表现它们不能表现的色彩。人的肉眼能感知的色彩,都能通过Lab模型表现出来。另外,Lab色彩模型的绝妙之处还在于它弥补了RGB色彩模型色彩分布不均的不足,因为RGB模型在蓝色到绿色之间的过渡色彩过多,而在绿色到红色之间又缺少黄色和其他色彩。在Lab颜色空间中,L代表亮度,a、b代表色度。
RGB无法直接转换到Lab,需要先转换成XYZ再转成Lab。
1)RGB转XYZ
假设r,g,b为像素三个通道,取值范围均为[0,255],转换公式如下:
这里,M等于;
2)XYZ转Lab;
上面两个公式中,L、a、b是最终的LAB色彩空间三个通道的值。X、Y、Z是RGB转XYZ后计算出来的值,Xn、Yn、Zn一般默认是95.047、100.0、108.883。图2(a)-图2(d)是RGB颜色空间的病变叶片图像,图3(a)-图3(d)是对应的Lab颜色空间的病变叶片图像。
(2)直方图计算
根据上节完成的病变叶片图像的颜色空间转换,在Lab颜色空间计算病变叶片的直方图。本发明对象是病变叶片病斑的分割,通过对积累的大量病变叶片图像特征的分析,发现病变叶片图像通常的组成有2种模式:第一种,是病变叶片图像由病斑和叶片两个区域构成;第二种是病变叶片图像由病斑、叶片和背景三个区域构成。所以,绝大多数病变叶片在直方图上呈现出双峰或三峰的特征,如图4(a)-图4(d)所示的直方图,其分别对应的是图3(a)-图3(d)病变叶片的直方图。
(3)聚类数和初始聚类中心的确定
通过分析病变叶片图像的直方图可以看出,直方图有几个峰值区域就代表有几个聚类,而且峰值区域的峰值点就是初始的聚类中心。由于直方图曲线是一条不光滑的曲线,局部存在震荡,要用数学方法直接判断直方图的峰值区域存在一定的困难。所以,首先用7点加权均值法对直方图曲线进行平滑,7点加权均值法如公式(7)所示。
式中H(x)是灰度值x所对应的直方图的值。经公式(7)平滑后的直方图如图5(a)-图5(d)所示,由图可见,平滑后的直方图曲线变得很光滑,可以通过求导和邻域值的大小来判断峰值区域。峰值区域满足如下条件:
b)在x*的邻域内,H(x*)的值最大。
通过以上两个条件,就可以在直方图上判断出图像的聚类数,峰值区域的峰值点作为初始的聚类中心。
(4)改进的k-means聚类算法
设x*点代表聚类中心,对于像素点x,根据公式(8)求像素点x与聚类中心x*的相似度s;
s=s1*s2 (8)
在式(8)中,通过引入空间距离相似度,可以更加精确的对图像进行分割。
本发明的改进的k-means聚类算法描述如下:
1)确定好聚类数目和初始聚类中心;
2)运用(8)式计算像素点到每个聚类中心的相似度;
3)将像素点划归到相似度最大的聚类;
4)聚类结束后,用每个类中所有像素点的平均值更新聚类中心;
5)转至步骤2),重新聚类;
6)直至聚类中心不在发生变化。
下面用附图对本发明的技术效果作详细的描述。
为了验证本发明的有效性,运用本发明对图6(a)-图6(d)所示的病变叶片进行病斑的分割,分割结果如图7(a)-图7(d)所示。由图可以看出,由于本发明方法充分挖掘像素间的相互关系,不仅考虑了像素间的颜色信息,而且考虑了空间信息,所以本发明抗噪声性能好、区域定位效果好、分割精度高,能较好的将病变叶片的区域完整分割出来,错分和漏分的情况较少。与现有技术相比,本发明实现了病斑的自动精准分割,从图可以看出,本发明对病斑的边缘分割非常干净。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于改进k-means算法的作物病变叶片检测方法,其特征在于,所述基于改进k-means算法的作物病变叶片检测方法首先根据病变叶片的直方图特性,确定病变叶片的类别数;然后通过直方图的峰值点初步确定聚类中心,并计算每个像素点到不同聚类中心的相似度;最后根据相似度的大小利用k-means聚类算法进行病变叶片图像的分割,完成对病变叶片的快速检测;
所述k-means聚类算法为:
1)确定好聚类数目和初始聚类中心;
2)运用公式计算像素点到每个聚类中心的相似度;
s=s1*s2;
3)将像素点划归到相似度最大的聚类;
4)聚类结束后,用每个类中所有像素点的平均值更新聚类中心;
5)转至步骤2),重新聚类;
6)直至聚类中心不在发生变化。
2.如权利要求1所述的基于改进k-means算法的作物病变叶片检测方法,其特征在于,所述基于改进k-means算法的作物病变叶片检测方法包括以下步骤:
第一步,将病变叶片图像的颜色空间从RGB转换到Lab;
第二步,在Lab颜色空间计算病变叶片图像的直方图;
第三步,根据直方图的波峰数确定图像的分割类别数;
第四步,根据直方图的峰值点确定图像的初始聚类中心;
第五步,计算每个像素点与初始聚类中心的相似度;
第六步,根据相似度的大小,利用k-means聚类算法对病变叶片图像进行迭代聚类,直到聚类中心不再发生变化。
4.如权利要求2所述的基于改进k-means算法的作物病变叶片检测方法,其特征在于,所述第二步在Lab颜色空间计算病变叶片图像的直方图根据完成的病变叶片图像的颜色空间转换,在Lab颜色空间计算病变叶片的直方图;通过对积累的大量病变叶片图像特征的分析,发现病变叶片图像的组成有2种模式:第一种,是病变叶片图像由病斑和叶片两个区域构成;第二种是病变叶片图像由病斑、叶片和背景三个区域构成。
5.如权利要求2所述的基于改进k-means算法的作物病变叶片检测方法,其特征在于,所述第三步和第四步聚类数和初始聚类中心的确定首先用7点加权均值法对直方图曲线进行平滑,7点加权均值法如下式:
式中H(x)是灰度值x所对应的直方图的值,平滑后的直方图曲线通过求导和邻域值的大小判断峰值区域;峰值区域满足如下条件:
在x*的邻域内,H(x*)的值最大;
通过以上两个条件,在直方图上判断出图像的聚类数,峰值区域的峰值点作为初始的聚类中心。
7.一种应用权利要求1~6任意一项所述基于改进k-means算法的作物病变叶片检测方法的信息数据处理终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911033512.7A CN110751228B (zh) | 2019-10-28 | 2019-10-28 | 基于改进k-means算法的作物病变叶片检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911033512.7A CN110751228B (zh) | 2019-10-28 | 2019-10-28 | 基于改进k-means算法的作物病变叶片检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110751228A true CN110751228A (zh) | 2020-02-04 |
CN110751228B CN110751228B (zh) | 2023-04-07 |
Family
ID=69280571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911033512.7A Active CN110751228B (zh) | 2019-10-28 | 2019-10-28 | 基于改进k-means算法的作物病变叶片检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751228B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013149038A1 (en) * | 2012-03-28 | 2013-10-03 | University Of Houston System | Methods and software for screening and diagnosing skin lesions and plant diseases |
CN105844285A (zh) * | 2016-02-25 | 2016-08-10 | 中国农业大学 | 基于图像信息的黄瓜病害识别方法及装置 |
CN106447676A (zh) * | 2016-10-12 | 2017-02-22 | 浙江工业大学 | 一种基于快速密度聚类算法的图像分割方法 |
CN109544538A (zh) * | 2018-11-27 | 2019-03-29 | 安徽大学 | 小麦赤霉病病害等级分级方法及装置 |
AU2020102883A4 (en) * | 2020-10-20 | 2020-12-17 | Zhengzhou Sias University | Apple disease identification method based on the histogram of layered gradient directions in logarithmic frequency domain |
-
2019
- 2019-10-28 CN CN201911033512.7A patent/CN110751228B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013149038A1 (en) * | 2012-03-28 | 2013-10-03 | University Of Houston System | Methods and software for screening and diagnosing skin lesions and plant diseases |
CN105844285A (zh) * | 2016-02-25 | 2016-08-10 | 中国农业大学 | 基于图像信息的黄瓜病害识别方法及装置 |
CN106447676A (zh) * | 2016-10-12 | 2017-02-22 | 浙江工业大学 | 一种基于快速密度聚类算法的图像分割方法 |
CN109544538A (zh) * | 2018-11-27 | 2019-03-29 | 安徽大学 | 小麦赤霉病病害等级分级方法及装置 |
AU2020102883A4 (en) * | 2020-10-20 | 2020-12-17 | Zhengzhou Sias University | Apple disease identification method based on the histogram of layered gradient directions in logarithmic frequency domain |
Non-Patent Citations (2)
Title |
---|
符运阳等: "基于LAB颜色空间的植物病变区域提取", 《电子世界》 * |
陈坤等: "一种自适应无监督彩色图像分割方法", 《小型微型计算机系统》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110751228B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108108761B (zh) | 一种基于深度特征学习的快速交通信号灯检测方法 | |
CN109636784B (zh) | 基于最大邻域和超像素分割的图像显著性目标检测方法 | |
CN106934418B (zh) | 一种基于卷积递归网络的绝缘子红外诊断方法 | |
CN106803257B (zh) | 一种作物病害叶片图像中病斑的分割方法 | |
CN109740721B (zh) | 麦穗计数方法及装置 | |
CN105894503A (zh) | 一种对Kinect植株彩色和深度检测图像的修复方法 | |
CN109145848B (zh) | 一种麦穗计数方法 | |
Niu et al. | Image segmentation algorithm for disease detection of wheat leaves | |
WO2020038312A1 (zh) | 多通道舌体边缘检测装置、方法及存储介质 | |
Zakir et al. | Road sign segmentation based on colour spaces: A Comparative Study | |
CN112257702A (zh) | 一种基于增量学习的农作物病害识别方法 | |
Mythili et al. | Color image segmentation using ERKFCM | |
CN106651966B (zh) | 图片颜色识别方法和系统 | |
CN102354388B (zh) | 一种自适应计算图像底层特征重要性权重的方法 | |
CN108711160B (zh) | 一种基于hsi增强性模型的目标分割方法 | |
CN115131375B (zh) | 一种矿石自动分割方法 | |
CN115578660B (zh) | 基于遥感图像的土地地块分割方法 | |
CN114359323A (zh) | 一种基于视觉注意机制的图像目标区域检测方法 | |
CN104598914A (zh) | 一种肤色检测的方法及装置 | |
CN111008967A (zh) | 一种绝缘子rtv涂层缺陷识别方法 | |
CN110751228B (zh) | 基于改进k-means算法的作物病变叶片检测方法 | |
CN111612797B (zh) | 一种水稻图像信息处理系统 | |
CN111783673B (zh) | 一种基于osvos的视频分割改进方法 | |
CN109165659B (zh) | 一种基于超像素分割的车辆颜色识别方法 | |
CN109064490B (zh) | 一种基于MeanShift的运动目标跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |