基于参数优化改进型可能聚类的遥感图像分割

可能聚类算法（PCA）和可能C-均值聚类算法（PCM）对初始值非常敏感,容易产生一致性聚类。改进型可能C-均值聚类算法（IPCM）能解决PCM的问题,然而IPCM的执行更依赖于参数。IPCM必须计算参数两次,因此聚类时间长。为了克服PCA和IPCM的缺点,进而应用于复杂的遥感图像分割,将PCA和IPCM相结合,提出了一种基于参数优化的改进型可能聚类算法（IPCAOP）。实验表明,IPCAOP在处理遥感图像分割方面明显优于模糊C-均值聚类（FCM）和IPCM。     

基于模糊C均值聚类的作物病害叶片图像分割方法研究

为提高作物病害图像的分割效果,根据作物病害图像的特点,提出了一种基于模糊C均值聚类算法(FCM)的作物病害图像自适应分割方法.该方法将像素的灰度与其邻域均值作为FCM的输入特征,变换FCM的隶属度函数使其包含图像的局部邻域特性;通过聚类有效性验证分析和试验确定模糊C均值聚类算法(FCM)的最优聚类数、模糊加权指数.运用该方法对棉花病害叶片图像进行分割.结果表明:该方法能较好将病斑部分和正常部分分割开,平均分割误差率小于5%,对作物病害图像的分割处理非常有效.     

基于模糊C均值聚类的牛肉图像中脂肪和肌肉区域分割技术

介绍了一种自适应分割牛肉眼肌切面图像中脂肪和肌肉区域的图像处理技术。通过CCD摄像头获取以黑色平板为背景的牛肉眼肌切面彩色RGB图像。先根据彩色图像R分量的灰度直方图，利用最大方差自动取阀值法(OSTU)把黑色背景与整块牛肉图像分割开来；接着把处理后的图像变成灰度图像，用模糊C均值聚类算法(FCM)计算出牛肉脂肪像素和肌肉像素灰度值的聚类中心，以各个像素点灰度值与两个聚类中之间的绝对值距离来区分出图像中的脂肪和肌肉像素。结果表明，FCM方法是分割肌肉和脂肪区域的有效方法。     

黄土高原刺槐和侧柏根系固坡的有限元数值模拟

为探讨黄土高原主要造林树种刺槐和侧柏根系对土质边坡稳定性的作用,该文以刺槐(Robinia pseudoacacia)和侧柏(Platycladus orientalis)为例,应用有限元数值模拟法构建二维造林边坡稳定性分析模型,研究林木根系的空间异质性对水平阶整地坡和对照自然坡稳定性的影响。研究发现:1)无论是否经过整地处理,造林都可以提高边坡的稳定性,且刺槐根系的固土效果优于侧柏根系(P0.001);2)在不考虑水文过程的前提下,水平阶整地模式的人工林边坡稳定性优于对照自然坡;3)当根系表观附加黏聚力增加到某一阈值后,造林边坡的安全系数进入平稳阶段不再大幅上升,说明边坡稳定性模型对根系附加黏聚力计算法的精度并不敏感,揭示了根系固坡领域的研究重点应从过去的试图提高根系附加黏聚力的计算精度转变为提高评价造林边坡稳定性的准确性;4)根系附加黏聚力随坡位的变化而变化,两树种没有明显的规律,但安全系数均表现出较敏感于坡下位根系,建议在林分经营管理中充分利用坡下位林木的固土效益。该研究成果可为黄土高原地区浅表层滑坡灾害的防治工作提供理论依据。     

基于区域生长均值漂移聚类的苗期作物行提取方法

为解决传统机器视觉方法检测苗期作物行时不同作物种类、不同生长背景和不同作物行数导致的作物行提取精度低的问题,该研究提出一种基于区域生长和均值漂移聚类的苗期作物行提取方法。首先,通过Lab颜色空间中a、b双颜色分量最大熵法选取最优阈值进行图像分割;其次,通过垂直投影获取均值漂移的聚类窗口带宽,均值漂移时以聚类窗口边缘为种子点进行区域生长来归类和标记每一行作物,之后遍历所有作物行获取聚类中心点;最后,通过最小二乘法拟合聚类中心点得到作物行直线。试验结果表明,该方法对大蒜、玉米、油菜、水稻和小麦5种作物的苗期作物行提取精度较高,5种作物的平均行识别率为98.18%,平均误差角度为1.21°,每张图片的平均处理时间为0.48 s。该方法的作物行提取性能明显优于Hough变换方法,为田间环境多因素影响下的苗期作物行提取提供了一种更具鲁棒性的方法。     

基于熵权法加权的模糊C均值聚类算法研究

针对模糊C均值聚类算法不能区分数据各属性之间的不平衡性,提出了一种基于熵权法加权的模糊C均值聚类算法。该算法首先应用熵权法计算各属性的权重系数,然后对标准化之后的原始数据进行加权,最后应用模糊C均值聚类算法对加权之后的数据进行聚类。实验表明,该算法聚类准确率要明显高于未加权的模糊C均值聚类算法。     

基于K均值聚类和开闭交替滤波的黄瓜叶片水滴荧光图像分割

为了监测温室黄瓜叶片湿润情况以计算叶片湿润时间并用于病害预警,利用K-均值聚类算法实现黄瓜叶片的水滴荧光图像分割。选择人工气候室培育的健康且洁净的黄瓜叶片作为试验试材,采用移液枪向叶面、叶缘部位上滴水,模拟不同的叶片湿润情形,使用荧光成像仪蓝光镜头在白天（07：00）和夜晚（18：00）分别采集图像。应用 K-均值聚类算法在L*a*b颜色空间对水滴图像进行分割,首先要将原始图像由RGB颜色空间转换到L*a*b颜色空间,然后在在L*a*b颜色空间中利用a*b*二维数据空间的颜色差异,以欧式距离度量像素间的相似度,使用K均值对图像进行聚类,聚类得到的图像灰度化后进一步用数学形态学中的开闭交替滤波方法进行校正,最终完成图像分割。利用该方法对10幅含有不同水滴数量的黄瓜叶片荧光图像进行分割,为了验证该方法的有效性,分别采用基于H分量直方图分割算法、主动轮廓即C_V模型分割方法、融合K均值聚类和Ncut算法作对比试验。试验结果表明,该方法的平均匹配率、误分率相较于其他3种方法有明显的优势,平均匹配率为81.27%、平均误分率为9.57%,较之于其他3种方法,平均匹配率分别提高了44.11、11.50、10.90百分点,平均误分率分别降低了23.03、5.47和5.05百分点。该方法能够较为准确地将水滴从图像中分割出来,这为用计算机器视觉的方法监测黄瓜叶片的润湿时间提供了新的思路。     

采用K均值聚类和环形结构的狭叶锦鸡儿木质部提取算法

针对木质部交互统计误差大、效率低、重现性差、劳动强度高和传统图像处理算法精度不理想等问题,该文以狭叶锦鸡儿木质部切片图像为研究对象,根据木质部特点提出基于K均值聚类算法和环形结构提取算法相结合,实现木质部准确提取的方法。首先通过动态巴特沃斯同态滤波法对30幅供试图像进行光照不均校正,然后采用K均值聚类法对光照补偿后图像初分割,最后采用环形结构提取算法实现木质部提取计数。试验结果表明:采用K均值聚类算法对光照补偿后的木质部图像初分割分割误差R(section error, R)、过分割误差OR(over-segmentation error, OR)和欠分割误差UR(under-segmentation error, UR)均值分别为5.15%、1.48%和6.46%,优于未光照补偿和3R-G-B算法;该文提出的环形结构提取算法对初分割后木质部图像检测的平均相对误差为2.26%,比分水岭法低11.69个百分点,比凹点匹配法低4.93个百分点。从速度上看,该算法平均耗时3.17 s,比分水岭法快1.40 s,比凹点匹配法快4.88 s。该算法检测的均方根误差RMSE(root mean squared error, RMSE)为0.52%,约相当于分水岭法的1/3,约相当于凹点匹配法的1/2,该算法优于其他2种分割算法;在图像结构复杂、光照不均匀、内部分布不均等缺陷条件下,该文算法也能很好地实现木质部的分割和提取。该方法不仅能对狭叶锦鸡儿木质部自动分割和提取,也可为其他植物木质部分割提取提供参考。     

基于K-means聚类的柑橘红蜘蛛图像目标识别

为快速检测红蜘蛛虫害,该研究采用基于Lab颜色模型中a(红/绿)、b(黄/蓝)层信息的K-means聚类法识别彩色图像中的红蜘蛛。试验选取8幅具有不同清晰度的柑橘红蜘蛛图像,采用基于Sobel边缘检测算子的评价函数计算图像清晰度评价值以评价图像清晰度,对比采用灰度法和包含2、3、4或5个聚类中心的K-means聚类法的目标识别效果和识别效率。结果表明,灰度法对8幅图像中红蜘蛛目标识别率平均值为29%,误判率平均值为201%,无法应用于复杂背景图像中的红蜘蛛目标识别。包含5个聚类中心的K-means聚类法对清晰度较高的图像识别率为100%,误判率为0,对清晰度较低的图像识别率为88%,误判率为0;当图像尺寸较小时,包含4个聚类中心的K-means聚类法识别效率与灰度法相当;当图像尺寸较大时,重复计算聚类中心导致识别耗时较长;基于Lab颜色空间的识别算法无法有效识别其他颜色的红蜘蛛,继续研究的方向为引入红蜘蛛形态信息以提高识别准确率和优化聚类中心的选取以降低识别耗时。     

基于区域生长顺序聚类-RANSAC的水稻苗带中心线检测

为提高水稻苗带中心线检测的适应性和实时性,满足巡田机器人导航的低成本、轻量级计算、高实时性需求,针对水稻苗带中心线检测结果容易受到光照变化和机器震动等原因产生图像噪声影响的问题,本文以返青期和分蘖初期水稻秧苗为研究对象,提出基于区域生长顺序聚类-随机抽样一致性算法（random sample consensus,RANSAC）的水稻苗带中心线检测方法。首先,对采集的水稻秧苗图像运用归一化超绿特征法和最大类间方差法分割水田背景和秧苗区域,应用先腐蚀后开运算的形态学方法去除秧苗图像噪声点;然后,采用基于水平带的秧苗轮廓质心检测方法提取秧苗特征点,利用区域生长顺序聚类方法将同一秧苗行的特征点聚成一类;最后,通过RANSAC算法拟合苗带中心线,从而得到巡田机器人视觉导航基准线。试验结果表明：该方法对返青期和分蘖初期水稻苗带中心线检测率均在97%以上,比已有YOLOv3算法提高6.69%,比基于区域生长均值漂移聚类算法降低2.41%;平均误差角度小于2.34°,比文献[11]算法高1.37°,比文献[24]算法低0.12°,平均每帧图像检测时间为15.53 ms,比已有YOLOv3算法缩短81.19%,比基于区域生长均值漂移聚类算法缩短82.74%,本文方法在保证检测精度的基础上,大幅提升了检测速度,具有良好的适应性和实时性。研究结果可为巡田机器人视觉导航提供参考。     

基于竞争学习网络的田间籽棉图像分割

为了正确识别田间籽棉,将籽棉和铃壳、绿叶、根茎、土地等自然背景视为二个类别,基于竞争学习网络进行了图像分割。从多幅典型的籽棉图像中选取10000个像素作为训练样本,并为它们贴上类别标签,在HSI、Lab、Ohta、RGB颜色空间下对训练样本的颜色特征及其组合进行K-均值聚类,选取了误分率普遍较低的RGB颜色空间,其B值的误分率尤其低。在RGB颜色空间下,用训练样本的R、G、B组合或B值一次性地训练了竞争学习网络,将图像的全部像素输入网络进行测试,同时与K-均值聚类比较,形态学滤波去噪后的结果表明,基于B值的竞争学习网络较优,用907幅籽棉图像对其进行仿真的精度达92.94%。该方法结合了有监督的学习算法,避免了传统K-均值聚类的反复迭代和过拟合现象,提高了图像分割的效率和精度。     

基于空间连续性聚类算法的精准农业管理分区研究

该研究在K均值算法KM的基础上,根据空间单元位置的相互依赖关系,提出了一种新的空间连续性聚类算法SCKM。以北京精准农业示范基地获取的OMIS图像为数据源,选用K均值算法、等间隔法、分位数法、自然断点法等传统分区方法和SCKM算法,对肥水需求关键时期的小麦的长势差异进行了管理分区提取研究,并引入了权重方差和聚集度两种分区效果评价指标,对分区结果进行了比较和评价。结果表明：SCKM算法与传统分区方法分区结果相比,区内方差差异不显著;而空间聚集度远好于后者,利用SCKM法分区能够有效地去除大量的孤立单元或碎片。     

基于MFICSC算法的生菜图像目标聚类分割

生菜图像目标分割是基于图像处理的生菜生理信息无损检测的前提。为了解决因生菜富含水分使得图像采集镜头反光而导致生菜叶片图像灰度分布不均的问题,该文采用一种修正的图像灰度均衡算法对生菜图像进行灰度均衡处理,应用混合模糊类间分离聚类算法(MFICSC)进行生菜图像目标分割,使总体类间距离最大化,能够同时生成模糊隶属度和典型值,对处理噪声数据和克服一致性聚类问题均表现良好。分别采用MFICSC算法和Otsu算法进行了生菜图像目标分割对比试验,结果表明MFICSC算法具有较好的聚类准确度,效果优于传统Otsu分割算法。     

基于K-means和近邻回归算法的Kinect植株深度图像修复

针对Kinect传感器应用于农业植株检测产生的图像噪声问题,特别是由光线以及传感器自身局限导致的匹配图像目标植株数据的缺失,提出一种基于K-means和近邻回归算法的植株深度检测图像修复方法。首先对Kinect传感器获取的彩色RGB图像进行阈值分割预处理提取植株目标区域,再利用K-means聚类算法去除背景噪声,使得植株目标区域轮廓更加清晰;然后基于配准的彩色图像和深度图像,对获取的深度图像中可疑像素点的深度数据采取近邻回归算法进行修复,再将修复后的深度图像与目标分割后的彩色图像进行植株区域的匹配,并进行二次近邻回归算法修正错误的深度数据,最后获取目标植株深度信息的检测图像。试验结果证明,采用RGB阈值分割和K-means聚类算法植株目标区域分割误差均值为12.33%,比单一RGB阈值分割和K-means聚类分割误差降低了12.12和41.48个百分点;同时结合聚类后的彩色图像对深度数据进行两次近邻回归算法修复深度数据,能够提高深度数据边缘的清晰度,单帧深度数据空洞点进行修复数据的准确度提高。该研究结果可为农业植株检测、植株三维重构、精准对靶喷雾等提供参考。     

基于K_means硬聚类算法的葡萄病害彩色图像分割方法

为了提高植物病害图像的分割精度与效果,根据植物病害症状及图像的特点,提出了一种基于K_means硬聚类算法（HCM）的葡萄病害彩色图像非监督性分割处理方法。该方法是在L*a*b*颜色空间模式下利用ab二维数据空间的颜色差异,以平方欧式距离作为像素间的相似度距离、以均方差作为聚类准则函数对颜色进行二分类聚类,并通过数学形态学运算对聚类结果进行校正。利用该方法对3种葡萄病害彩色图像进行分割的结果表明,该方法能够较为准确地将病斑区域从彩色图像中分割出来,对葡萄病害彩色图像的分割处理比较理想,鲁棒性好,分割准确率     

基于同态滤波和K均值聚类算法的杨梅图像分割

针对自然环境下光照不均杨梅果实分割效果不理想问题展开研究。应用同态滤波算法对HSV（色调hue,饱和度 saturation,亮度value）颜色空间下杨梅图像V分量进行亮度增强,以补偿光线。而后针对彩色杨梅图像的颜色特征,结合Lab（L（亮度Lightness）,a（色度chromaticity,+a表示红色,?a表示绿色）,b（色度 chromaticity,+b表示黄色,?b表示蓝色）颜色空间a、和b分量的特点,应用K均值聚类算法在Lab颜色空间中对彩色杨梅图像进行分割。为了验证该算法的有效性,在100余幅图像中选用15幅因光照不均和生长状态不同而存在不同程度阴影影响的杨梅图像,进行了3组比较试验,先采用K均值聚类算法对光线补偿去除阴影前后的杨梅图像分割结果进行比较;接着,采用基于色差2*R-G-B自适应灰度阈值分割算法和K均值聚类算法2种不同分割算法对去除阴影后的杨梅图像分割结果进行比较;最后,与基于灰度变换法、直方图均衡化方法的图像增强法去除阴影的效果进行对比。试验结果表明,该文算法的分割误差、假阳性率、假阴性率平均值分别为3.78%,0.69%和 6.8%,分别比光线补偿前降低了21.01,12.79 和21.14个百分点;与基于色差（2*R-G-B）自适应灰度阈值分割算法相比,分割误差、假阳性率、假阴性率这3个指标的性能平均提高了12.93,1.45和7.11个百分点;与基于灰度变换法图像增强法比较表明,分割误差、假阳性率、假阴性率平均值分别降低了32.94 ,6.85 和29.65个百分点,与直方图均衡化图像增强法相比,这3个值分别降低了24.92,6.12和33.06个百分点。通过试验结果图的主观判断和评价指标的定量分析,验证了该算法能有效地分割出杨梅目标,保证了杨梅目标在颜色、纹理和形状方面的完整度,研究结果为研究采摘机器人进行杨梅等果实的分割和识别提供参考。     

基于优化模糊C均值聚类算法的路面不平度识别

模糊C均值(fuzzy C-mean,FCM)聚类算法具有良好的抗噪声性能,但FCM是一种局部搜索算法,易陷入局部最优,而遗传算法则具有全局优化搜索的优点。基于此该文提出了一种改进的FCM算法与遗传算法结合的聚类方法,先运用遗传算法得到聚类中心,然后用改进的FCM聚类算法得到最优解。并基于真实采集的道路谱数据,利用该算法对路面不平度进行识别。试验结果表明,改进的FCM算法与遗传算法结合的聚类算法路面识别率为94.54%,比FCM聚类算法高出4.98个百分点,比改进FCM算法高出4.67个百分点,具有更好的处理噪声数据的能力,提高了聚类的准确率和路面的识别率。     

基于K-means聚类的植物叶片图像叶脉提取

植物的叶片是植物最基本、最主要的生命活动场所。叶脉的提取与分析对叶片和整株植物结构的分析有一定的应用价值。该文提出一种基于K-means聚类(clustering)的叶脉提取算法。该算法首先对叶片图像的HSI彩色空间中的I信息进行K-means聚类处理,根据聚类的结果提取叶片边界,并将叶片图像分为受光均匀和受光不均匀的2类。对于受光均匀的叶片图像在聚类结果中直接提取叶脉,而受光不均匀的叶片图像则需去除部分叶肉后再进行一次K-means聚类提取叶脉。结果表明:该算法能有效地降低叶脉提取的错分率。     

基于混沌优化K均值算法的马铃薯芽眼的快速分割

为提高芽眼分割的准确性,该文实现了基于混沌优化K均值算法的马铃薯芽眼的快速分割。K均值算法具有有效性及易于实现的优点,但是容易陷入局部最优值的缺点造成了其聚类结果的不准确。混沌系统由于其遍历性和不重复性,能够以较快的速度执行全局搜索。该文提出的算法的主要思想就是将混沌变量映射到K均值算法的变量中,用混沌变量代替其寻找全局最优值。分割试验结果表明:该文提出的算法,不仅在分割准确性上优于当下流行的K均值算法和模糊C均值算法,而且在运行时间上也更胜一筹,K均值算法和模糊C均值算法分割一幅马铃薯芽眼的图像所需的平均时间分别为2.895 5 s和3.556 4 s,而该文提出的算法仅需1.109 s。当聚类数大于3时,该文提出的算法在运行时间上受聚类数目的影响非常小,这一特点可用于其他一些适合聚类数大于3的农作物上。试验结果还表明,对于该文中的样本,最佳聚类数不宜超过3。最后,精度试验验证了该文提出的算法能够对样本中的马铃薯芽眼实现完全,无遗漏的分割,总的分割精度为98.87%,其中,对正常的马铃薯芽眼分割精度可达100%,对特殊马铃薯的芽眼分割精度为91.67%,总体分割精度较好。因此,该文提出的算法能够为后续种薯的自动切块提供参考。     

基于阵列式ESP32-CAM的番茄根系表型原位测量方法

为原位采集番茄根系图像，解决番茄根系表型原位测量问题，该研究提出一种基于阵列式ESP32-CAM的番茄根系表型原位测量方法。通过4×4阵列式ESP32-CAM结合OV2640镜头模组实现土壤中根系图像原位自动化无线采集，并采用张正友标定法实现相机标定和畸变校正，利用尺度不变特征转换和最邻近分类的特征检测匹配算法实现图像配准，基于离线标定方法获取相机间变换矩阵实现根系图像拼接；通过引入多头自注意力机制改进U型卷积神经网络（Uarchitecture convolutional networks,U-Net）模型对根系图像进行语义分割，采用形态学处理和骨架提取测量根系长度、面积、平均直径、根深和根宽。研究结果表明：相机阵列图像的拼接迭代均方根误差小于1.11 mm，全局拼接图像的拼接融合质量评分大于0.85；改进后的U-Net模型应用于番茄根系分割的精度、召回率、交并比和F1值分别为86.06%、78.98%、71.41%和82.37%，相比于原始U-Net模型分别提高了18.97、13.21、21.67和16.30个百分点；与人工测量值相比，根系的面积、长度、平均直径、根深和根宽的平均绝...