基于MapReduce的新聚类算法在农业领域的应用——以柑橘红蜘蛛图像目标识别为例

针对K-means聚类算法需要先给定k值,在一些应用场景中最优k值是未知的问题,提出基于评价机制的自适应K-means算法(SAK-means),并将该算法的核心步骤改写成Mapper/Reducer的形式,部署在Hadoop集群中。经过试验,该算法能够根据数据集的分布情况适当修正k值,特别适用于处理批量的、大尺寸的、最优k值非固定的聚类分析任务,并以批量的柑橘红蜘蛛图像目标识别为例进行验证,结果表明使用SAK-means算法无需给出最优的聚类中心数目,在一定范围内算法可以对聚类中心数目进行有效修正,对于实验中所选用的4幅图像,均可以达到100%的识别率与0%的误判率。进一步研究的方向是最优初始参数的选取,以及算法在集群中的扩展性与加速比。     

大数据处理技术在土壤肥力评价中的研究

采用K-means算法对土壤肥力数据进行聚类分析,然后针对传统K-means聚类算法在处理大数据量时时间复杂度高的难题,提出基于大数据处理技术的K-means算法。实验结果表明:(1)用K-means算法对2013年农安县13个乡镇的土壤养分数据的聚类结果显示,当k值设为3时聚类效果最优,且与实际情况相符。(2)基于Hadoop平台的MapReduce分布式下实现的K-means算法与传统的串行算法相比,提高运行速度并完成大数据量下的计算任务。     

面向立木识别的有效K 均值聚类算法研究

针对林区自动对靶施药过程中,当立木生长密集时,获取的点云数据聚类准确率低、效率低的问题,提出优化后的K-均值聚类算法,数据获取方式基于2D激光扫描。针对立木点云信息聚类前需对相关数据进行滤波,提出窗口滤波算法,选取产生混合像素点的树干边缘,提取3次连续扫描的混合像素及其近邻点组成滤波窗口,进行最大阈值滤波,结果显示50次试验中仅有2个混合像素点未被滤除,混合噪声的滤除率高。在K-均值算法优化方面,针对算法需预先确定聚类数和初始聚类中心的不足,提出利用斜率变化确定聚类数的方法,试验对5个不同距离下5组立木分别进行100次测量,结果显示错误测量次数仅为3次,并可在试验前期通过人工方式去除,算法合理有效;对哈夫曼树法确定立木扫描点聚类中心的性能进行了试验分析,3种不同树干分布类型下分别运用随机抽样法和哈夫曼树法进行K-均值聚类,前者平均正确率仅为76.4%,后者则为95.5%;同时分析了Ⅰ型分布下2种算法聚类的迭代次数和耗时,5个不同距离下,随机抽样法的平均迭代次数明显高于哈夫曼树法,平均运行耗时上,哈夫曼树法则高于随机抽样法,前者变化范围为120~220 ms,后者为50~85 ms,该范围为林区测绘的可接受范围。试验证明,基于斜率变化确定聚类数和基于哈夫曼树法确定聚类中心的K-均值算法是林区立木点云聚类的有效算法,可应用于林区的立木检测。     

改进加权FCM用于裂纹蛋2D图像分割的研究

解决裂纹鸡蛋图像灰度直方图目标与背景区域分布模糊、图像分割效果差的问题.通过将包含空间信息的二维直方图和改进特征加权FCM算法有机结合,迭代寻求最佳聚类有效性函数和加权矩阵,实现鸡蛋图像缺陷分割.同时,对经典FCM和改进特征加权FCM算法的性能进行了分析比较.结果表明:提出的算法更接近于真实聚类中心,目标函数值亦得到改善;二维直方图的改进特征加权模糊聚类算法更好地提取了裂纹鸡蛋图像的细节信息,图像分割效果好.     

基于模糊聚类的黄瓜病害图像自动分割

提出了一种基于模糊聚类的黄瓜病害图像自动分割方法,模糊聚类与差分进化算法相结合,在进化过程中根据聚类中心对应的阈值确定模糊聚类中心的个数,由差分进化适应度函数值确定聚类中心是否被选中,以此实现图像的模糊聚类自动分割。经黄瓜炭疽病叶图像、白粉病叶图像、灰霉病叶图像和霜霉病叶图像的实验测试,该方法可以实现无人干预情况下的黄瓜病害图像自动分割,与相同类别个数的FCM算法相比,表现出了更好的性能。     

基于改进K均值特征点聚类算法的作物行检测

精准施药是现代精准农业发展不可或缺的一部分,而准确地提取作物行是进行精准施药的关键环节。为此,以苗期的玉米为研究对象,提出一种基于改进K均值特征点聚类算法的作物行检测方法。该方法根据距离函数最值关系求出最佳聚类数目,再依据点密度大小和邻域半径确定初始聚类中心,减少了迭代次数,提高了算法的执行效率和划分效果。首先,采用改进的超绿法(1.27G-R-B)进行灰度化和Otsu方法进行二值化,得到作物行的二值图像;然后,利用左右边缘中间线算法提取作物行特征点;最后,采用改进K均值算法和最小二乘法对作物行中心线特征点进行聚类和直线拟合。试验数据表明:提出的改进K均值特征点聚类算法识别效果好,精确度高,可为精准施药提供理论依据。     

西红柿果实目标识别方法研究——基于模糊聚类算法

为了准确识别成熟的西红柿目标,提出了一种模糊C-均值聚类算法(Fuzzy Clustering Means,FCM)的西红柿目标分割方法。该方法首先利用FCM算法对西红柿图像进行模糊聚类,并对聚类后的果实图像与丢失的部分目标图像进行相加,以得到更加完整的西红柿目标;然后对西红柿目标进行二值化、去噪、开运算与闭运算等处理,完成西红柿目标的分割。为了验证算法的有效性,利用20幅图像进行了试验并与K-means算法和Otsu算法分割效果进行了对比。结果表明:利用文中算法所分割出的西红柿目标最高分割误差率均低于Kmeans算法和Otsu算法,平均分割错误率为1 6.5 5%,比K-means算法低了3.5 6%,比Otsu算法低了1 2.8 0%。这表明,将该方法应用于西红柿目标的识别是可行的。     

DBSCAN算法优化及在村镇管理决策中的应用

作为空间数据挖掘技术中的一种,带有噪声的空间聚类应用算法(DBSCAN算法)是基于密度的聚类算法,其可以从空间数据库中发现任意形状的聚类。本文研究了基于密度的空间聚类算法优化原理及实现过程,分析了原始DBSCAN算法存在的问题,通过避免公共领域对象的重复查询,减少对核心对象邻域查询的计算,优化后算法的时间效率提高了33.73%。将优化后的DBSCAN算法应用于村镇网格化管理,可对网格化管理系统中的数据记录进行有效挖掘,为村镇管理工作提供信息和辅助决策。     

基于同态滤波和K均值聚类算法的草原植被盖度测量

针对草原盖度地表测量法费时、费力、重现性差及自然环境下光照不均草原植被图像分割效果不理想问题,应用动态巴特沃斯同态滤波法对草原植被图像进行光照补偿,采用K均值聚类算法对补偿后图像进行分割,最后根据植被盖度定义,实现草原植被盖度测量。试验结果表明:本算法测量标准差、相对误差、均方根误差RMSE和耗时均值分别为0.5 7 0%、3.9 8 8%、0.1 0 0和2.3 5 s,比方格纸测量法标准差低4.6 8 6%,速度提升9 0倍左右。通过对分割效果定性和定量分析,验证了本文算法的草原植被盖度测量精度、稳定性和速度,可为草原盖度研究提供参考和技术支持。     

改进共原点灰色聚类评价方法在灌区节水改造中的应用

针对灰色聚类评价共原点聚类函数存在的灰类交叉及隶属度等速率变化不合理现象,对原函数的灰类区间以及隶属度走势进行修改,提出了中心化抛物线型函数的改进共原点聚类函数,用此函数对评价体系指标进行模糊化处理,使得评价更具合理性与真实性.采用主客观最优组合权重计算综合聚类系数,解决了权重与阈值信息重叠的矛盾.将改进后的中心化抛物线型函数与共原点灰色聚类函数进行对比分析,分析函数变化趋势以及最终的综合聚类系数,改进的中心化抛物线型函数比共原点灰色聚类更加符合实际情况.最后选取潘庄大型灌区,进行续建配套与节水改造工程建设后评价,评价结果与实际情况较为吻合.