基于K均值聚类的厚壁组织区域自动提取

桉树是我国南方的速生丰产林,区域提取是定量分析各种组织抑制桉树茎生根原因的重要前提。为此,介绍了基于K均值聚类的在桉树茎切片图像中自适应提取厚壁组织区域的图像处理技术。将桉树茎切片彩色图像转换为CIEL*a*b*彩色空间,用K均值聚类分析算法对描述颜色的a*和b*通道进行聚类分析,提取细胞厚壁,然后填充其中白色的细胞腔,构成完整的厚壁组织区域。实验结果表明,在CIEL*a*b*空间使用该算法可以获得较准确的实验结果。     

基于核K—均值聚类算法的植物叶部病害识

针对植物叶部病害图像的特点,首先对采集到的玉米病害彩色图像采用矢量中值滤波法去除噪声,然后提取玉米病叶彩色图像的纹理特征和颜色特征作为特征向量,利用Mercer核,把输入空间的样本映射到高维特征空间进行K-均值聚类以及植物病害识别.试验涉及的4种玉米病害识别正确率达82.5%,核K-均值聚类方法适合玉米叶部病害分类.     

基于彩色空间距离优化的秸秆覆盖率检测算法研究

秸秆覆盖率是保护性耕作重要的评价指标之一。针对田间秸秆形态各异、细碎秸秆难以识别的难题,基于机器视觉技术,提出了一种基于K-means和彩色空间距离灰度化方法相结合的田间秸秆覆盖率检测算法。采用彩色空间距离方法对秸秆图像进行预处理,基于K-means算法实现秸秆和土壤背景的分类识别,使用数学形态学腐蚀和膨胀方法对识别后的图像进行处理,降低细碎秸秆对覆盖率的影响,最后计算秸秆图像的覆盖率。2022年10月,通过田间试验对北京小汤山国家精准农业研究示范基地采集的220幅玉米秸秆图像进行了算法验证。试验结果表明,对低秸秆覆盖率(0～30%)图像,识别准确率达到90%;对中等秸秆覆盖率(30%～60%)图像,识别准确率达到88%;对高秸秆覆盖率(60%以上)图像,识别准确率达到86%;整体秸秆覆盖率分等定级准确度达到98.18%。本研究设计的基于K-means和彩色空间距离灰度化方法相结合的田间秸秆覆盖率检测算法为保护性耕作评价提供了快速检测方法和手段。     

复杂背景下黄瓜病害叶片的分割方法研究

利用图像处理和模式识别技术进行复杂背景下黄瓜叶部病害的自动识别,需要先把目标叶片从复杂背景中分割出来,才能进行后续的特征提取和病害识别。为实现复杂背景下黄瓜叶片的分割,首先利用K-均值聚类算法去除图片中的非绿色部分,再采用基于laplacian of gaussia(LOG)算子的方法对待分割的叶片进行区域检测,然后进行基于形状上下文(shape context)的模板匹配和分割。为了提高匹配速度,先检测叶片的生长点和叶尖,以确定叶片的位置、尺寸和方向;然后使用基于超像素(superpixel)的最优匹配搜索方法来减少搜索的复杂度。对20幅黄瓜叶部病害图像进行分割测试,并与人工分割法进行对比,结果表明,本文所采用的分割算法能较好地从复杂背景下提取出黄瓜叶部病害图像,分割准确率达94.7%,为后期黄瓜病斑的特征提取等工作奠定了良好的基础。     

基于双次Otsu算法的野外荔枝多类色彩目标快速识别

针对目前野外环境下多类目标识别速度偏慢,导致机器人视觉定位精度低和工作效率不高的难题,以野外环境下成熟荔枝的多类色彩目标识别为例,提出了一种双次Otsu分割算法对多类色彩目标进行识别。首先为了提高算法的效率,改进了传统的Otsu算式;然后对目标色彩图像的背景、果梗、果实分别用改进的Otsu算法进行粗分割和细分割。最后通过与K-均值聚类(K-means)算法、模糊C均值聚类(FCM)算法、Otsu和K-means结合算法、Otsu和FCM结合算法这4种算法进行对比,双次Otsu算法从分割质量及其正确分割率、运行时间、稳定性3方面都优于其他4种算法。实验结果表明,双次Otsu算法对色彩目标的成熟荔枝识别的时间少于0.2 s。     

基于无线传感器网络的奶牛行为特征监测系统设计

奶牛等大型动物的疾病和发情状况目前主要依赖饲养员目测判断,大规模集约化养殖仍采用人工观测方法,这不仅带来繁重的人力负担,也容易误判。为了能自动准确地识别奶牛是否发情或生病,该文提出在奶牛颈部安装无线传感器节点,通过各种传感器获取奶牛的体温、呼吸频率和运动加速度等参数,采用K-均值聚类算法对提取的各种参数进行行为特征多级分类识别,以此建立的动物行为监测系统能准确区分奶牛静止、慢走、爬跨等行为特征,从而可以长时间监测奶牛的健康状态。而且,这种监测系统易于推广到对其他动物的监测,对促进养殖业和畜牧业的发展也具有指导意义。     

基于颜色特征的玉米种子纯度识别

为准确快速的识别出玉米种子中的杂粒,提高玉米种的纯度,该文提出一种以玉米种子冠部与侧面颜色作为特征向量进行纯度识别的新方法。该方法首先将玉米种子原始图像进行背景分割、单粒提取,然后进行冠部核心区域及侧面RGB、HSV颜色特征向量的提取,最后采用Fisher判别理论将多维特征向量投影到一维空间中,进行K-均值聚类分析。试验结果证明：利用Fisher判别理论在一维空间上进行K-均值聚类分析,玉米种子纯度的识别率高于93.75%。影响玉米种子正确识别率的主要因素是投影方向的选择及正确的冠部核心区域的提取。     

基于改进的BP神经网络集成的作物精准施肥模型

作物最优施肥量与土壤养分含量、产量之间存在复杂的非线性关系。为更加准确地模拟这种关系,提出一种改进的的BP神经网络集成方法。该方法采用K-均值聚类优选神经网络个体,采用拉格朗日乘子方法计算待集成的神经网络个体的权值。然后,基于农田肥料效应试验数据,以土壤养分含量和施肥量作为神经网络的输入,以产量作为神经网络的输出,建立了作物精准施肥模型。该模型通过求解一个非线性规划问题,能同时获得最大产量和最优施肥量。试验结果表明,在施肥模型的拟合精度方面,改进的神经网络集成方法（其均方根误差为64.54）明显优于单个神经网络方法（其均方根误差为169.74）。而且,作为一种定量模型,基于改进的神经网络集成的施肥模型优于传统施肥模型,能有效地指导精准施肥。     

思茅松人工林土壤潜在养分临界值的确定

选择云南省景谷县思茅松人工林标准地进行土壤潜在养分的调查分析,在将蓄积量及其土壤潜在养分值规格化处理的基础上,运用快速聚类分析法将土壤分为4类,根据分类结果表征的土壤潜在养分与蓄积量的关系推算出土壤各潜在养分的临界值.分析结果表明:思茅松人工林各土壤潜在养分含量的临界值分别为:全N=[0.640 0,0.895 0](g/kg);全P=[0.307 8,0.431 1](g/kg);全K=[3.327 3,4.0046](g/kg).     

一种改进的K-均值聚类算法的研究

聚类分析在科研和商业应用中都有着非常重要的作用。K-均值聚类算法是一种基于样本间相似性度量的间接聚类方法,其不足之处是,它采用均值作为一类的代表点,一个点往往不能充分反映该类的模式分布结构,从而损失了很多有用的信息。研究了一种改进的K-均值聚类算法,在求样本间距离时,采用核函数距离代替欧氏距离,考虑了各模式间的相关性。试验结果表明,利用改进的K-均值聚类算法,聚类结果的准确率更高,更稳定。