CN111754501B - 基于fcm算法的自适应土壤图像阴影检测方法 - Google Patents

Abstract

本发明提供的一种基于FCM算法的自适应土壤图像阴影检测方法，包括：确定土壤图像的I分量和L分量的聚类中心；构建改进FCM算法优化模型：采用拉格朗日乘子法将改进FCM算法优化模型转换；转换后的优化模型分别对u_ij，v_i和λ_j求偏导并令偏导等于零，解出u_ij和v_i，根据步骤S4得出的隶属度u_ij以及聚类中心v_i构建隶属度矩阵U和聚类中心矩阵V，并构建吸引权重矩阵F；初始化聚类中心矩阵V、L分量图像和I分量图像；找出聚类中心值最小的聚类中心，该聚类中心为土壤图像的阴影的聚类中心v_shadow，并提取出隶属于聚类中心为v_shadow的数据点，即为土壤图像的阴影数据点；能够对土壤图像中的阴影做出准确检测，确保检测精度，效率高。

Description

基于FCM算法的自适应土壤图像阴影检测方法

技术领域

本发明涉及一种图像处理方法，尤其涉及一种基于FCM算法的自适应土壤图像阴影检测方法。

背景技术

土壤自然断口包含重要的土种识别特征，是对土壤的土种鉴别的最重要的特征识别点，在土壤自然断口的识别时往往通过土壤图像进行，而在获取土壤图像时，土壤自然断口由于存在凹凸不平的现象，从而导致图像中会出现阴影，因此，需要对土壤图像的阴影进行检测并在后期进行阴影消除，从而保证土种识别的准确性，现有技术中，对于土壤图像阴影的检测精度低，而且算法过程复杂。

因此，为了解决上述技术问题，亟需提出一种新的技术手段。

发明内容

有鉴于此，本发明的目的是提供一种基于FCM算法的自适应土壤图像阴影检测方法，能够对土壤图像中的阴影做出准确检测，确保检测精度，而且整个过程简单，易于实施。

本发明提供的一种基于FCM算法的自适应土壤图像阴影检测方法，包括如下步骤：

S1.确定土壤图像的I分量和L分量的聚类中心；

S2.构建改进FCM算法优化模型：

其中，u_ij表示图像数据点x_j隶属于聚类中心v_i的隶属度，v_i表示第i类的聚类中心；m为模糊加权数，F_i表示第i类的吸引权重，||x_j-v_i||表示图像数据点x_j与聚类中心v_i的欧式距离；

S3.采用拉格朗日乘子法将改进FCM算法优化模型转换为：

其中，λ_j拉格朗日乘子；

S4.步骤S3中的转换后的优化模型分别对u_ij，v_i和λ_j求偏导并令偏导等于零，解出u_ij和v_i：

其中，c为聚类数；

S5.根据步骤S4得出的隶属度u_ij以及聚类中心v_i构建隶属度矩阵U和聚类中心矩阵V，并构建吸引权重矩阵F，其中，F＝{F₁,F₂,···,F_i,···,F_c}；

S6.初始化聚类中心矩阵V、L分量图像和I分量图像；

更新隶属度矩阵U、聚类中心矩阵V以及吸引权重矩阵F，直至各聚类中心的变化值小于设定阈值δ或者达到最大迭代次数T；

S7.找出聚类中心值最小的聚类中心，该聚类中心为土壤图像的阴影的聚类中心v_shadow，并提取出隶属于聚类中心为v_shadow的数据点，即为土壤图像的阴影数据点。

进一步，步骤S1中，根据如下方法确定土壤图像的I分量和L分量的聚类中心：

S11.统计土壤图像的L分量和I分量的直方图：

s.t.f＝{L,I}

其中，M和N分别表示图像image的高和宽；image_f(i,j)表示图像在f分量下坐标点为(i,j)的灰度值；hist_f(k)表示图像在f分量下灰度值为k的频数；

S12.确定土壤图像的L分量和I分量的直方图峰值集合：

S_peaks ^(f)＝{k|hist_f(k)>hist_f(k-1),

hist_f(k)>hist_f(k+1)}；

分别将土壤图像的L分量和I分量的峰值集合中的元素从小到大进行排列，将土壤图像的L分量和I分量的峰值集合长度较短的峰值集合赋值为S₁，将土壤图像的L分量和I分量的峰值集合长度较长的峰值集合赋值为S₂，其中，hist_f(k-1)为图像在f分量下灰度值为k-1的频数，hist_f(k+1)为图像在f分量下灰度值为k+1的频数；

S13.构建峰值集合截断对齐模型：

s.t.1≤a≤len(S₂)-len(S₁)+1,a∈N^*；其中，len(.)为集合长度，S₁(a)为S₁的第a个元素，S₁(b)为S₁的第b个元素，S₂(a+b)为S₂的第a+b个元素，λ为比例系数；

截取S₂的a^*到a^*+len(S₁)-1元素，将S₁、S₂对应赋值回L和I分量峰值集合S_peaks ^(L)和S_peaks ^(I)；

S14.对步骤S13中的峰值集合S_peaks ^(L)和S_peaks ^(I)中的灰度点以及灰度点在原分量直方图中的频数进行提取，然后组成新的L分量子直方图和I分量子直方图，对新的子直方图进行高斯平滑处理并进行迭代计算，直到新的子直方图剩余两个峰值点{L₁,L₂}和{I₁,I₂}为止，将点集V＝{(L₁,I₁),(L₂,I₂)}作为聚类中心。

进一步，步骤S13中，根据如下方法确定比例系数λ：

其中：I(r,g,b)和L(r,g,b)表示RGB颜色空间下R＝r,G＝g,B＝b时I与L分量值。

进一步，步骤S4中，根据如下方法确定吸引权重F_i：

其中，width_i和height_i为第i类聚类中心的宽和高，x_j ^(k)为x_j的第k个特征值,k＝1,2；ρ_i为第i类的全局密度，CS_i为第i类的类面积。

本发明的有益效果：通过本发明，能够对土壤图像中的阴影做出准确检测，确保检测精度，而且整个过程简单，效率高，易于实施。

附图说明

下面结合附图和实施例对本发明作进一步描述：

图1为本发明的流程图。

图2为本发明的算法与现有算法对于土壤图像阴影检测结果对比图。

图3为本发明的算法与现有算法迭代次数对比图。

图4为本发明的算法与现有算法耗时对比图。

具体实施方式

以下结合说明书附图对本发明做出进一步向详细说明：

本发明提供的一种基于FCM算法的自适应土壤图像阴影检测方法，包括如下步骤：

S1.确定土壤图像的I分量和L分量的聚类中心；

S2.构建改进FCM算法优化模型：

其中，u_ij表示图像数据点x_j隶属于聚类中心v_i的隶属度，v_i表示第i类的聚类中心；m为模糊加权数，F_i表示第i类的吸引权重，||x_j-v_i||表示图像数据点x_j与聚类中心v_i的欧式距离；

S3.采用拉格朗日乘子法将改进FCM算法优化模型转换为：

其中，λ_j拉格朗日乘子；

S4.步骤S3中的转换后的优化模型分别对u_ij，v_i和λ_j求偏导并令偏导等于零，解出u_ij和v_i：

其中，c为聚类数；

S5.根据步骤S4得出的隶属度u_ij以及聚类中心v_i构建隶属度矩阵U和聚类中心矩阵V，并构建吸引权重矩阵F，其中，F＝{F₁,F₂,···,F_i,···,F_c}；

S6.初始化聚类中心矩阵V、L分量图像和I分量图像；

更新隶属度矩阵U、聚类中心矩阵V以及吸引权重矩阵F，直至各聚类中心的变化值小于设定阈值δ或者达到最大迭代次数T；

S7.找出聚类中心值最小的聚类中心，该聚类中心为土壤图像的阴影的聚类中心v_shadow，并提取出隶属于聚类中心为v_shadow的数据点，即为土壤图像的阴影数据点；通过本发明，能够对土壤图像中的阴影做出准确检测，确保检测精度，而且整个过程简单，效率高，易于实施，其中L分量为LAB颜色空间的L分量(即LAB颜色空间的亮度分量)，I分量为HSI颜色空间的I分量(即HIS颜色空间的强度分量)。

本实施例中，步骤S1中，根据如下方法确定土壤图像的I分量和L分量的聚类中心：

S11.统计土壤图像的L分量和I分量的直方图：

s.t.f＝{L,I}

其中，M和N分别表示图像image的高和宽；image_f(i,j)表示图像在f分量下坐标点为(i,j)的灰度值；hist_f(k)表示图像在f分量下灰度值为k的频数；

S12.确定土壤图像的L分量和I分量的直方图峰值集合：

S_peaks ^(f)＝{k|hist_f(k)>hist_f(k-1),

hist_f(k)>hist_f(k+1)}；

分别将土壤图像的L分量和I分量的峰值集合中的元素从小到大进行排列，将土壤图像的L分量和I分量的峰值集合长度较短的峰值集合赋值为S₁，将土壤图像的L分量和I分量的峰值集合长度较长的峰值集合赋值为S₂，其中，hist_f(k-1)为图像在f分量下灰度值为k-1的频数，hist_f(k+1)为图像在f分量下灰度值为k+1的频数；

S13.构建峰值集合截断对齐模型：

s.t.1≤a≤len(S₂)-len(S₁)+1,a∈N^*；其中，len(.)为集合长度，S₁(a)为S₁的第a个元素，S₁(b)为S₁的第b个元素，S₂(a+b)为S₂的第a+b个元素，λ为比例系数；

截取S₂的a^*到a^*+len(S₁)-1元素，将S₁、S₂对应赋值回L和I分量峰值集合S_peaks ^(L)和S_peaks ^(I)；

S14.对步骤S13中的峰值集合S_peaks ^(L)和S_peaks ^(I)中的灰度点以及灰度点在原分量直方图中的频数进行提取，然后组成新的L分量子直方图和I分量子直方图，对新的子直方图进行高斯平滑处理并进行迭代计算，该高斯平滑处理以及迭代计算为现有算法，直到新的子直方图剩余两个峰值点{L₁,L₂}和{I₁,I₂}为止，将点集V＝{(L₁,I₁),(L₂,I₂)}作为聚类中心。

具体地，步骤S13中，根据如下方法确定比例系数λ：

其中：I(r,g,b)和L(r,g,b)表示RGB颜色空间下R＝r,G＝g,B＝b时I与L分量值。

步骤S4中，根据如下方法确定吸引权重F_i：

其中，其中，width_i和height_i为第i类聚类中心的宽和高，x_j ^(k)为x_j的第k个特征值,k＝1,2；ρ_i为第i类的全局密度，CS_i为第i类的类面积。

以下以具体实例进一步说明：

如图2所示：本发明的算法和FLICM算法基本能检测出土壤的阴影区域，且对离散的小阴影块、点的分割提取具有鲁棒性。FCM_S1算法、FCM_S2算法和FCMS_MLI算法易受碎片状离散阴影的干扰，无法实现对较小的离散阴影的检测，且对大面积阴影边界的分割提取精度较低。

如图3所示：本发明的算法迭代次数较少，本发明的算法收敛速度较快。其中FCM_S1、FCM_S2、FLICM、FCMS_MLI算法针对不同样本收敛次数易出现抖动，收敛次数易受样本阴影形态影响，不稳定；本发明的算法在不同组样本下的迭代次数较为稳定。

图4所示：对于FCM_S1算法和FCM_S2算法首先需要对图像进行均值滤波和中值滤波，且相比本发明的算法迭代次数较多，因此算法时间花销较大。对于FLICM算法和FCMS_MLI算法在迭代优化的过程中引入了邻域信息和空间位置信息，且FCMS_MLI算法在迭代更新过程中运用隶属度矩阵局部信息(Membership matrix local information，MLI)修正隶属度矩阵，导致算法的时间复杂度上升，时间花销较大。虽然本发明的算法优化过程中需迭代更新吸引权重F，但本发明的算法总体迭代次数相对较少，收敛速度更快，本发明的算法的平均时间花销相比对比算法更低。图2-图4中的本文算法即为本发明算法。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种基于FCM算法的自适应土壤图像阴影检测方法，其特征在于：包括如下步骤：

S1.确定土壤图像的I分量和L分量的聚类中心，其中，L分量为LAB颜色空间的亮度分量，I分量为HIS颜色空间的强度分量；

S2.构建改进FCM算法优化模型：

其中，u_ij表示图像数据点x_j隶属于聚类中心v_i的隶属度，v_i表示第i类的聚类中心；m为模糊加权数，F_i表示第i类的吸引权重，||x_j-v_i||表示图像数据点x_j与聚类中心v_i的欧式距离；

S3.采用拉格朗日乘子法将改进FCM算法优化模型转换为：

其中，λ_j拉格朗日乘子；

S4.步骤S3中的转换后的优化模型分别对u_ij，v_i和λ_j求偏导并令偏导等于零，解出u_ij和v_i：

其中，c为聚类数；

S5.根据步骤S4得出的隶属度u_ij以及聚类中心v_i构建隶属度矩阵U和聚类中心矩阵V，并构建吸引权重矩阵F，其中，F＝{F₁,F₂,…,F_i,…,F_c}；

S6.初始化聚类中心矩阵V、L分量图像和I分量图像；

更新隶属度矩阵U、聚类中心矩阵V以及吸引权重矩阵F，直至各聚类中心的变化值小于设定阈值δ或者达到最大迭代次数T；

S7.找出聚类中心值最小的聚类中心，该聚类中心为土壤图像的阴影的聚类中心v_shadow，并提取出隶属于聚类中心为v_shadow的数据点，即为土壤图像的阴影数据点。

2.根据权利要求1所述基于FCM算法的自适应土壤图像阴影检测方法，其特征在于：步骤S1中，根据如下方法确定土壤图像的I分量和L分量的聚类中心：

S11.统计土壤图像的L分量和I分量的直方图：

s.t.f＝{L,I}

其中，M和N分别表示图像image的高和宽；image_f(i,j)表示图像在f分量下坐标点为(i,j)的灰度值；hist_f(k)表示图像在f分量下灰度值为k的频数；

S12.确定土壤图像的L分量和I分量的直方图峰值集合：

S_peaks ^(f)＝{k|hist_f(k)>hist_f(k-1),hist_f(k)>hist_f(k+1)}；

分别将土壤图像的L分量和I分量的峰值集合中的元素从小到大进行排列，将土壤图像的L分量和I分量的峰值集合长度较短的峰值集合赋值为S₁，将土壤图像的L分量和I分量的峰值集合长度较长的峰值集合赋值为S₂，其中，hist_f(k-1)为图像在f分量下灰度值为k-1的频数，hist_f(k+1)为图像在f分量下灰度值为k+1的频数；

S13.构建峰值集合截断对齐模型：

s.t.1≤a≤len(S₂)-len(S₁)+1,a∈N^*；其中，len(.)为集合长度，S₁(a)为S₁的第a个元素，S₁(b)为S₁的第b个元素，S₂(a+b)为S₂的第a+b个元素，λ为比例系数；

截取S₂的a^*到a^*+len(S₁)-1元素，将S₁、S₂对应赋值回L和I分量峰值集合S_peaks ^(L)和S_peaks ^(I)；

S14.对步骤S13中的峰值集合S_peaks ^(L)和S_peaks ^(I)中的灰度点以及灰度点在原分量直方图中的频数进行提取，然后组成新的L分量子直方图和I分量子直方图，对新的子直方图进行高斯平滑处理并进行迭代计算，直到新的子直方图剩余两个峰值点{L₁,L₂}和{I₁,I₂}为止，将点集V＝{(L₁,I₁),(L₂,I₂)}作为聚类中心。

3.根据权利要求2所述基于FCM算法的自适应土壤图像阴影检测方法，其特征在于：步骤S13中，根据如下方法确定比例系数λ：

其中：I(r,g,b)和L(r,g,b)表示RGB颜色空间下R＝r,G＝g,B＝b时I与L分量值。

4.根据权利要求1所述基于FCM算法的自适应土壤图像阴影检测方法，其特征在于：步骤S4中，根据如下方法确定吸引权重F_i：

其中，width_i和height_i为第i类聚类中心的宽和高，x_j ^(k)为x_j的第k个特征值,k＝1,2；ρ_i为第i类的全局密度，CS_i为第i类的类面积。

Images