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.     

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。     

安徽省油菜花期连阴雨灾害损失评估指标

基于安徽省油菜主产区1980-2009年44个气象台站逐日气象资料和油菜产量资料,采用数理统计方法,获得油菜历年灾损率以及花期连阴雨特征量指标即连阴雨日数、持续降水量和日照时数。按照引入因子对产量的影响最大且因子之间相关性较低的原则,筛选出连阴雨关键致灾因子并确定致灾因子临界值。最后利用K-均值聚类分析方法,建立油菜花期连阴雨灾害评估等级指标,并利用2010-2014年连阴雨灾害样本进行验证。结果表明,油菜花期的连阴雨日数和持续降水量与减产率相关性较高,且因子间相关性较低,可作为连阴雨灾害评估的关键因子;连阴雨日数致灾临界值为3d,持续降水量致灾临界值在江淮区、沿江区和皖南地区分别为20、50和70mm。利用聚类分析法构建的包括江淮、沿江和皖南地区的安徽省油菜主产区花期连阴雨灾害评估指标为：轻度灾损率5%～10%、中度10%～20%、重度20%～30%和特重≥30%,其历史回代和独立样本检验表明轻度和中度准确率较高（88%～100%）,重度和特重准确率相对较低（65%～70%）。     

基于K-means聚类和RF算法的葡萄霜霉病检测分级方法

针对自然环境复杂背景下葡萄霜霉病检测分级困难的问题,提出了一种基于语义分割结合K-means聚类和随机森林算法的葡萄霜霉病检测分级方法,实现对葡萄霜霉病快速分级。构建了葡萄霜霉病数据集,采用HRNet v2+OCR网络建立葡萄叶片语义分割模型,提取复杂环境下葡萄叶片;采用K-means聚类算法将葡萄叶片分解为若干子区域图像,并标记少量数据集进行随机森林算法学习,实现葡萄叶片病斑分割与提取;同时在叶片提取和病斑提取过程中,设计一种像素尺寸变换方法,解决图像分辨率引起的精度低问题。基于HRNet v2+OCR网络的葡萄叶片分割模型的准确率为98.45%,平均交并比为97.23%;融合K-means聚类和随机森林(RF)算法的葡萄叶片正面、反面和正反面霜霉病病害分级准确率分别为52.59%、73.08%和63.32%,病害等级误差小于等于2级时的病害分级准确率分别为88.67%、96.97%和92.98%。研究结果表明,基于K-means聚类和随机森林算法的葡萄霜霉病检测分级方法能够准确地分割自然环境复杂背景下的葡萄叶片和葡萄霜霉病病斑,并实现葡萄霜霉病分级,为葡萄霜霉病精准防治提供了方法和...     

小麦倒伏信息无人机多时相遥感提取方法

采用两期无人机可见光遥感图像,对灌浆期冬小麦倒伏图像特征及倒伏信息提取方法进行研究。从增强图像空间域方面,对图像进行二次低通滤波,获取地物散点图,以散点存在明显分界线为判定标准,选出小麦倒伏信息提取的单特征,对两单特征线性拟合构建倒伏小麦两时期提取特征参数F_1和F_2,再以两特征参数相似性构建综合特征参数F_3。将特征参数结合K-means算法提取冬小麦倒伏信息,整体精度(OA)达86. 44%以上,Kappa系数达0. 73以上,倒伏信息提取精度(F)为81. 07%以上,因此综合特征参数可作为两个时期冬小麦倒伏信息提取特征参数。分别用本文方法、支持向量机、神经网络法和最大似然法提取验证区域倒伏小麦信息,经验证,本文方法提取小麦倒伏信息整体精度(OA)达86. 29%以上,Kappa系数达0. 71以上,倒伏信息提取精度(F)达80. 60%以上;其他3种常用方法提取的整体精度(OA)为69. 68%～87. 44%,Kappa系数为0. 49～0. 72,倒伏信息提取精度(F)为65. 33%～79. 76%。结果表明,本文方法整体精度和倒伏信息提取精度均高于目前常用分类方法。因此,综合特征参数与K-means算法对冬小麦在灌浆期倒伏信息提取具有一定的准确性和适用性。     

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。     

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。     

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。