CN107274418A - 一种基于ap聚类算法的作物图像分割方法 - Google Patents
一种基于ap聚类算法的作物图像分割方法 Download PDFInfo
- Publication number
- CN107274418A CN107274418A CN201710554933.9A CN201710554933A CN107274418A CN 107274418 A CN107274418 A CN 107274418A CN 201710554933 A CN201710554933 A CN 201710554933A CN 107274418 A CN107274418 A CN 107274418A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- crop
- image
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于AP聚类算法的作物图像分割方法,其中,包括:基于AP聚类算法对原始作物图像进行聚类处理得到聚类后的图像,其中所述基于AP聚类算法对原始作物图像进行聚类处理;将所述原始作物图像置于不同光照下得到不同光照下的作物图像,并统计不同光照下的作物图像的亮度和色度关系,其中所述统计不同光照下的作物图像的亮度和色度关系;根据所述色度‑亮度关系图表对所述原始作物图像进行图像分割得到粗分割图像,并将所述粗分割图像与所述聚类后的图像进行区域重合得到作物分割图像。本发明提供的基于AP聚类算法的作物图像分割方法,能够快速将作物从户外不同光照下的复杂背景图像中准确的提取出来。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于AP聚类算法的作物图像分割方法。
背景技术
随着计算机软硬件、数字图像处理、机器学习等理论与技术的迅速发展,计算机视觉技术已经越来越多地应用到农业生产的各个领域,如作物长势监测、病虫害监测、灾害监测及预警、农业无人机等领域。
为了监测作物的长势,首先必须对作物进行自动提取,到目前为止,已有许多关于作物图像分割的方法和策略被提出。例如,应用计算机图像处理技术识别玉米苗期田间杂草的研究(农业工程学报,2001(17):154-156)通过分析土壤与植物的绿色分量的差异,提出根据G分量的灰度直方图采用双峰法寻找最佳阈值对图像进行分割。2003年T.Kataoka,T.Kaneko,H.Okamoto,and S.Hata,“Crop growth estimation system using machinevision”in Proc.IEEE/ASME International Conference on Advanced IntelligentMechatronics提出了一种作物颜色提取算子CIVE来对作物进行分割。基于改进的K-均值聚类算法的农作物图像分割(农机化研究,2008(6):57~60)中提出首先将RGB彩色图像转换到HIS色彩空间,运用均值-方差与粗糙集理论选取适当的初始聚类中心和聚类个数,再进行聚类计算,实现色彩分量的快速自动化分割。
上述方法一般适用背景简单,光照变化不剧烈的作物图像,然而实际拍摄的作物图像存在复杂的背景,光照不均匀且会随着时间变化等特点,上述方法对于实际户外图像具有一定的局限性,处理实际户外图像时往往容易出现较严重的错分情况。
因此,如何对复杂背景的作物图像进行快速自动化分割成为本领域技术人员亟待解决的技术问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一,提供一种基于AP聚类算法的作物图像分割方法,以解决现有技术中的问题。
作为本发明的一个方面,提供一种基于AP聚类算法的作物图像分割方法,其中,所述基于AP聚类算法的作物图像分割方法包括:
基于AP聚类算法对原始作物图像进行聚类处理得到聚类后的图像,其中所述基于AP聚类算法对原始作物图像进行聚类处理包括:
将所述原始作物图像由RGB颜色空间转换到LAB空间,并获取每个像素点的A和B分量组成特征向量,
根据每个像素点的特征向量计算像素点之间的相似度矩阵S,并以相似度矩阵S的均值初始化每个像素点的参考度矩阵P,
初始化每个像素点的吸引度和归属度矩阵,并设置最大迭代次数T和衰减系数λ,
根据每个像素点的所述相似度矩阵S、参考度矩阵P、吸引度和归属度矩阵将所述原始图像的每个像素点基于AP聚类算法做迭代运算并统计实时迭代次数T0,
当所述实时迭代次数T0超过所述最大迭代次数T时,终止所述迭代运算,
得到所述聚类后的图像,所述聚类后的图像包括多个类别,且所述聚类后的图像中的每个像素点都对应一个类别标签;
将所述原始作物图像置于不同光照下得到不同光照下的作物图像,并统计不同光照下的作物图像的亮度和色度关系,其中所述统计不同光照下的作物图像的亮度和色度关系包括:
将不同光照下的原始作物图像分别保留含有作物的区域,并将非作物的区域的像素点置为白色,得到多幅训练样本图像,
将每幅训练样本图像均由RGB颜色空间分别转换到HSI空间和YUV空间,并将每幅训练样本图像中的所有作物像素点的色度值H和亮度值Y形成训练数据矩阵,且将所述色度值H和所述亮度值Y分别保存到所述训练数据矩阵的第一列和第二列,
对所述训练数据矩阵中的第二列所保存的亮度值Y进行遍历,并将所有作物像素点按照所述亮度值Y是否相同划分为多行形成为色度-亮度矩阵,
计算所述色度-亮度矩阵中每行作物像素点的均值μ和方差δ2,
根据每行作物像素点的均值μ和方差δ2的计算结果生成色度-亮度关系图表;
根据所述色度-亮度关系图表对所述原始作物图像进行图像分割得到粗分割图像,并将所述粗分割图像与所述聚类后的图像进行区域重合得到作物分割图像。
优选地,所述根据所述色度-亮度关系图对所述原始作物图像进行图像分割得到粗分割图像,并将所述粗分割图像与所述聚类后的图像进行区域重合得到作物分割图像包括:
将所述原始作物图像由RGB颜色空间转换为HSI空间和YUV空间,并得到所述原始作物图像的所有作物像素点的色度值H0和亮度值Y0;
将所述原始作物图像中的每个作物像素点按照行数与所述色度-亮度关系图表对应,并查找出所述色度-亮度关系图表中与所述原始作物图像中的当前作物像素点行数相同的行所对应的作物像素点的均值μ0和方差δ0 2;
将当前作物像素点的色度值H0和与当前作物像素点对应的均值μ0相减得到色度差值ΔH;
若所述色度差值ΔH≤k*δ0 2,则将当前作物像素点的色度调整为白色,否则调整为黑色,其中k∈[1.5,2.1];
将所述原始作物图像中的所有作物像素点均进行色度调整后的图像进行去燥处理得到所述粗分割图像;
计算所述粗分割图像与所述聚类后的图像的区域重合率并根据所述区域重合率得到所述作物分割图像。
优选地,所述计算所述粗分割图像与所述聚类后的图像的区域重合率并根据所述区域重合率得到所述作物分割图像包括:
统计所述聚类后的图像中的每一类别图像的像素点总数;
计算所述聚类后的图形中的每一类别图像的重合率;
判断每一类图像的重合率是否大于预设门限值;
若所述每一类图像的重合率大于所述预设门限值,则保留所述聚类后的图像中该类别的像素点,否则把该类别的所有像素点置为黑色;
根据所述聚类后的图像中的各个类别的像素点的色度的区分获得所述作物分割图像;
其中,所述预设门限值的取值范围为0.6~0.8。
优选地,所述AP聚类算法包括:
计算两个数据点p(xp,yp)与q(xp,yp)之间的相似度S(p,q):
选用代表矩阵r(p,q)表示数据点q(xp,yp)适合作为数据点p(xp,yp)的类代表点所积累的证据;
选用适选矩阵a(p,q)表示数据点p(xp,yp)选择q(xp,yp)作为其类代表点的合适程度所积累的证据;
将N个数据点的相似度形成的矩阵的对角线上的数据作为每个数据点的所述参考度P,并设所有数据点的所述参考度P均相同;
根据所述相似度S(p,q)和所述参考度P计算所述代表矩阵r(p,q)和所述适选矩阵a(p,q):
其中,p1表示支持数据点q成为聚类中心的数据点,q1表示竞争候选聚类中心数据点;
引入衰减系数λ,所述代表矩阵r(p,q)和所述适选矩阵a(p,q)第T0+1次的结果迭代均被设置为第T0次迭代的1-λ倍,其中,所述衰减系数λ∈[0,1]的实数,第T0+1次的代表矩阵和适选矩阵分别为:
优选地,所述根据每个像素点的所述相似度矩阵S、参考度矩阵、吸引度和归属度矩阵将所述原始图像的每个像素点基于AP聚类算法做迭代运算并计算实时迭代次数T0包括:
设置每个所述像素点表示为像素点[row,column],其中row表示所述像素点的行数,column表示所述像素点的列数;
计算所述像素点的代表矩阵r(p,q)和适选矩阵a(p,q):
其中,p=1,2,…,row,q=1,2,…,column;
将所述代表矩阵r(p,q)和所述适选矩阵a(p,q)分别迭代T0次,得到第T0+1的代表矩阵和适选矩阵分别为:
其中,p=1,2,…,row,q=1,2,…,column。
优选地,所述计算所述色度-亮度矩阵中每行作物像素点的均值μ和方差δ2包括:
将所述色度-亮度矩阵表示为HYData(m,n),其中m表示所述色度-亮度矩阵中内的行,n表示所述色度-亮度矩阵中的列,则所述色度-亮度矩阵中第m行作物像素点的均值μm为:
其中,HYData(m,n)表示所述色度-亮度矩阵,col表示所述色度-亮度矩阵中第m行的所有非零项的个数;
根据所述第m行作物像素点的均值μm计算所述色度-亮度矩阵中第m行作物像素点的方差δm 2
其中,HYData(m,n)表示所述色度-亮度矩阵,col表示所述色度-亮度矩阵中第m行的所有非零项的个数。
本发明提供的基于AP聚类算法的作物图像分割方法,通过采用AP聚类算法先对原始作物图像进行聚类处理得到聚类后的图像,同时对原始作物图像精心训练处并进行粗分割处理得到粗分割后的图像,将聚类后的图像与粗分割后的图像进行区域重合率计算,得到最终的图像分割结果,这种基于AP聚类算法的作物图像分割方法不仅能够快速将作物从户外不同光照下的复杂背景图像中准确的提取出来,且提取出来的图像没有明显的错分情况。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1为本发明提供的基于AP聚类算法的作物图像分割方法的流程图。
图2为图1中的步骤S130的具体实施方式流程图。
图3为本发明提供的AP聚类算法中的数据点的示意图。
图4为本发明提供的原始作物图像。
图5为本发明提供的经过聚类阶段得到的聚类后的结果图。
图6为本发明提供的经过粗分割后得到的粗分割的结果图。
图7为本发明提供的最终分割图像。
图8为本发明提供的训练阶段的具体实施过程流程图。
图9为本发明提供的分割阶段的具体实施过程流程图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
作为本发明的一个方面,提供一种基于AP聚类算法的作物图像分割方法,其中,如图1所示,所述基于AP聚类算法的作物图像分割方法包括:
S110、基于AP聚类算法对原始作物图像进行聚类处理得到聚类后的图像,其中所述基于AP聚类算法对原始作物图像进行聚类处理包括:
S111、将所述原始作物图像由RGB颜色空间转换到LAB空间,并获取每个像素点的A和B分量组成特征向量,
S112、根据每个像素点的特征向量计算像素点之间的相似度矩阵S,并以相似度矩阵S的均值初始化每个像素点的参考度矩阵P,
S113、初始化每个像素点的吸引度和归属度矩阵,并设置最大迭代次数T和衰减系数λ,
S114、根据每个像素点的所述相似度矩阵S、参考度矩阵P、吸引度和归属度矩阵将所述原始图像的每个像素点基于AP聚类算法做迭代运算并统计实时迭代次数T0,
S115、当所述实时迭代次数T0超过所述最大迭代次数T时,终止所述迭代运算,
S116、得到所述聚类后的图像,所述聚类后的图像包括多个类别,且所述聚类后的图像中的每个像素点都对应一个类别标签;
S120、将所述原始作物图像置于不同光照下得到不同光照下的作物图像,并统计不同光照下的作物图像的亮度和色度关系,其中所述统计不同光照下的作物图像的亮度和色度关系包括:
S121、将不同光照下的原始作物图像分别保留含有作物的区域,并将非作物的区域的像素点置为白色,得到多幅训练样本图像,
S122、将每幅训练样本图像均由RGB颜色空间分别转换到HSI空间和YUV空间,并将每幅训练样本图像中的所有作物像素点的色度值H和亮度值Y形成训练数据矩阵,且将所述色度值H和所述亮度值Y分别保存到所述训练数据矩阵的第一列和第二列,
S123、对所述训练数据矩阵中的第二列所保存的亮度值Y进行遍历,并将所有作物像素点按照所述亮度值Y是否相同划分为多行形成为色度-亮度矩阵,
S124、计算所述色度-亮度矩阵中每行作物像素点的均值μ和方差δ2,
S125、根据每行作物像素点的均值μ和方差δ2的计算结果生成色度-亮度关系图表;
S130、根据所述色度-亮度关系图表对所述原始作物图像进行图像分割得到粗分割图像,并将所述粗分割图像与所述聚类后的图像进行区域重合得到作物分割图像。
本发明提供的基于AP聚类算法的作物图像分割方法,通过采用AP聚类算法先对原始作物图像进行聚类处理得到聚类后的图像,同时对原始作物图像精心训练处并进行粗分割处理得到粗分割后的图像,将聚类后的图像与粗分割后的图像进行区域重合率计算,得到最终的图像分割结果,这种基于AP聚类算法的作物图像分割方法不仅能够快速将作物从户外不同光照下的复杂背景图像中准确的提取出来,且提取出来的图像没有明显的错分情况。
作为分割处理的具体实施方式,具体地,如图2所示,步骤S130所述根据所述色度-亮度关系图对所述原始作物图像进行图像分割得到粗分割图像,并将所述粗分割图像与所述聚类后的图像进行区域重合得到作物分割图像包括:
S131、将所述原始作物图像由RGB颜色空间转换为HSI空间和YUV空间,并得到所述原始作物图像的所有作物像素点的色度值H0和亮度值Y0;
S132、将所述原始作物图像中的每个作物像素点按照行数与所述色度-亮度关系图表对应,并查找出所述色度-亮度关系图表中与所述原始作物图像中的当前作物像素点行数相同的行所对应的作物像素点的均值μ0和方差δ0 2;
S133、将当前作物像素点的色度值H0和与当前作物像素点对应的均值μ0相减得到色度差值ΔH;
S134、若所述色度差值ΔH≤k*δ0 2,则将当前作物像素点的色度调整为白色,否则调整为黑色,其中k∈[1.5,2.1];
S135、将所述原始作物图像中的所有作物像素点均进行色度调整后的图像进行去燥处理得到所述粗分割图像;
S136、计算所述粗分割图像与所述聚类后的图像的区域重合率并根据所述区域重合率得到所述作物分割图像。
进一步地,步骤S136所述计算所述粗分割图像与所述聚类后的图像的区域重合率并根据所述区域重合率得到所述作物分割图像具体可以包括:
统计所述聚类后的图像中的每一类别图像的像素点总数;
计算所述聚类后的图形中的每一类别图像的重合率;
判断每一类图像的重合率是否大于预设门限值;
若所述每一类图像的重合率大于所述预设门限值,则保留所述聚类后的图像中该类别的像素点,否则把该类别的所有像素点置为黑色;
根据所述聚类后的图像中的各个类别的像素点的色度的区分获得所述作物分割图像;
其中,所述预设门限值的取值范围为0.6~0.8。
应当理解的是,上述将所述像素点置为黑色或白色指的是图像在RGB颜色模式下,将R、G、B三个通道下的亮度均设置为0时,像素点置为黑色,而将R、G、B三个通道下的亮度均设置为255时,像素点置为白色。
需要说明的是,结合图3所示,所述AP聚类算法包括:
计算两个数据点p(xp,yp)与q(xp,yp)之间的相似度S(p,q):
选用代表矩阵r(p,q)表示数据点q(xp,yp)适合作为数据点p(xp,yp)的类代表点所积累的证据;
选用适选矩阵a(p,q)表示数据点p(xp,yp)选择q(xp,yp)作为其类代表点的合适程度所积累的证据;
将N个数据点的相似度形成的矩阵的对角线上的数据作为每个数据点的所述参考度P,并设所有数据点的所述参考度P均相同;
根据所述相似度S(p,q)和所述参考度P计算所述代表矩阵r(p,q)和所述适选矩阵a(p,q):
其中,p1表示支持数据点q成为聚类中心的数据点,q1表示竞争候选聚类中心数据点;
引入衰减系数λ,所述代表矩阵r(p,q)和所述适选矩阵a(p,q)第T0+1次的结果迭代均被设置为第T0次迭代的1-λ倍,其中,所述衰减系数λ∈[0,1]的实数,第T0+1次的代表矩阵和适选矩阵分别为:
具体地,AP聚类算法是一种新的无监督聚类算法,聚类的目标是使数据点与其类代表点之间的距离达到最小化,因此选用欧氏距离作为相似度的测量指标,即任意两个数据点p(xp,yp)与q(xp,yp)的相似度为:
如图3所示,AP聚类算法用代表矩阵r(p,q)和适选矩阵a(p,q)来表示数据点之间的两类信息,其中r(p,q)是从p(xp,yp)指向侯选代表点q(xp,yp),它反映了q(xp,yp)适合作为p(xp,yp)的类代表点所积累的证据,a(p,q)从侯选类代表点q(xp,yp)指向p(xp,yp),它反映了p(xp,yp)选择q(xp,yp)作为其类代表点的合适程度所积累的证据。
AP算法的输入是N个数据点之间的相似度矩阵S(p,q),以矩阵S(p,q)对角线上的数据作为该点成为聚类中心的评判标准,称之为参考度P,初始时候,所用点的参考度设为相同值(通常取S(p,q)的均值)。其中r(p,q)和a(p,q)分别按照式(1)和式(2)进行计算:
其中,p1表示支持数据点q成为聚类中心的数据点,q1表示竞争候选聚类中心数据点。
为了避免振荡,AP算法更新信息时引入了衰减系数λ,每条信息被设置为它前次迭代更新的倍加上本次信息更新的1-λ倍,其中衰减系数λ∈[0,1]的实数,即第T0+1次的代表矩阵和适选矩阵分别按照(3)式和(4)式计算:
进一步具体地,所述根据每个像素点的所述相似度矩阵S、参考度矩阵、吸引度和归属度矩阵将所述原始图像的每个像素点基于AP聚类算法做迭代运算并计算实时迭代次数T0包括:
设置每个所述像素点表示为像素点[row,column],其中row表示所述像素点的行数,column表示所述像素点的列数;
计算所述像素点的代表矩阵r(p,q)和适选矩阵a(p,q):
其中,p=1,2,…,row,q=1,2,…,column;
将所述代表矩阵r(p,q)和所述适选矩阵a(p,q)分别迭代T0次,得到第T0+1的代表矩阵和适选矩阵分别为:
其中,p=1,2,…,row,q=1,2,…,column。
具体地,所述计算所述色度-亮度矩阵中每行作物像素点的均值μ和方差δ2包括:
将所述色度-亮度矩阵表示为HYData(m,n),其中m表示所述色度-亮度矩阵中内的行,n表示所述色度-亮度矩阵中的列,则所述色度-亮度矩阵中第m行作物像素点的均值μm为:
其中,HYData(m,n)表示所述色度-亮度矩阵,col表示所述色度-亮度矩阵中第m行的所有非零项的个数;
根据所述第m行作物像素点的均值μm计算所述色度-亮度矩阵中第m行作物像素点的方差δm 2
其中,HYData(m,n)表示所述色度-亮度矩阵,col表示所述色度-亮度矩阵中第m行的所有非零项的个数。
可以理解的是,本发明提供的基于AP聚类算法的作物图像分割方法主要经过三个阶段,第一个阶段为聚类阶段,第二个阶段为训练阶段,第三个阶段为分割阶段。
下面结合实际作物图像分割,对三个阶段的具体过程进行详细说明,其中,图4为原始作物图像,图5为聚类后的结果图ApResultImage,图6为粗分割的结果图RoughResultImage,图7为最终分割得到的图像。
其中聚类阶段即为基于AP聚类算法对原始作物图像进行聚类处理得到聚类后的图像,具体地,基于AP算法的图像聚类阶段描述如下:
原始作为图像由RGB颜色空间转换到LAB空间,获取每个像素点的A和B分量组成特征向量;
根据特征向量计算像素点之间的相似度矩阵S,以S的均值初始化每个像素点的参考度矩阵P;
初始化吸引度和归属度矩阵,设置最大迭代次数T,衰减系数λ;
对于每幅图像的像素点[row,column],其中row为原始作为图像的行数,column为原始作为图像的列数,迭代计算并统计实时迭代次数T0:
按照式(1)和式(2)计算原始作物图像的代表矩阵r(p,q)和适选矩阵a(p,q),按照式(3)和式(1)计算更新的代表矩阵和适选矩阵
判断实时迭代次数T0是否超过预设的最大迭代次数T,如果超过,则终止迭代计算,否则返回迭代计算步骤;
最终获得聚类后的结果图ApResultImage,如图5所示,该图中的每个像素都对应一个类别标签i,i=1,2,…,n。
对于第二阶段训练阶段是为了实现对原始作物图像的粗分割所进行的步骤,具体地,如图8所示,所述训练阶段具体可以描述如下。
采集不同光照下作物图片,对历史图像中的作物像素统计其亮度和色度的关系,具体步骤如下:
选取不同光照下的原始作物图像,保留含有作物的区域,将非作物区域像素点置为全白,得到训练样本图像;
将上述训练样本图像由RGB颜色空间转换到HSI空间和YUV空间,并将每幅训练样本图像的作物像素点H值和Y的值分别保存到训练数据矩阵TrainingData的第一列和第二列;
对所述训练数据矩阵TrainingData的第二列进行查找,当训练数据矩阵TrainingData(:,2)为亮度Y0时,将当前行对应的训练数据矩阵TrainingData(:,1)值保存到色度-亮度矩阵HYData(Y0,:)中;
该步骤可以理解的是,在对所述训练数据矩阵的第二列进行查找时,将亮度相同的行提取出来,存储到色度-亮度矩阵的同一行中,由于亮度值Y的范围为0~255,所以色度-亮度矩阵的最大存储空间为256*Numtotal,Numtotal为所选训练样本图像的作物总像素,即色度-亮度矩阵的存储空间足够大。
计算色度-亮度矩阵HYData中每行的均值和方差,具体为:
其中,将所述色度-亮度矩阵表示为HYData(m,n),其中m表示所述色度-亮度矩阵中内的行,n表示所述色度-亮度矩阵中的列,则所述色度-亮度矩阵中第m行作物像素点的均值μm,第m行作物像素点的方差δm 2,col表示所述色度-亮度矩阵中第m行的所有非零项的个数;
最终获得色度-亮度关系图表HY-Table。
关于分割阶段的具体步骤结合图9所示:
利用训练生成的色度-亮度关系图表HY-Table,对原始作物图像中的作物进行自动提取,具体操作步骤如下:
将所述原始作物图像由RGB颜色空间转换为HSI空间以及YUV空间,即所述原始作物图像的第m行n列在RGB空间分别为R(m,n)、G(m,n)、B(m,n),在HSI空间为H(m,n),S(m,n)、I(m,n),在YUV空间为Y(m,n)、U(m,n)、V(m,n);
在色度-亮度关系图表HY-Table中查找行数与像素点Y(m,n)相等的一行,并提取对应的和
将当前像素点的色度H(m,n)与相减,以得到当时,则把当前像素点变为白色,否则该像素点置为黑色,其中k的取值范围为[1.5,2.1];
对分割得到的预分割结果做去燥处理,去除较小的连通域以降低小杂质点的干扰。本算法中采用8邻域连通标记,连通域的面积阈值范围为[5,12]。
在对原始作物图像进行如上操作之后,就可以得到粗分割的结果图RoughResultImage,如图6所示。
然后计算粗分割的结果图与聚类后的结果图的区域重合率:
若原始作为图像的第m行n列满足:ApResultImage(m,n)==i,且RoughResultImage(m,n)==0,则将coincidenceAreai=coincidenceAreai+1;
统计ApResultImage每一类的像素总数;
将coincidenceAreai除以ApAreai,得到每一类的重合率coincideRatei,计算coincideRatei是否大于所述预设门限值RateThreshold,经多次试验确定所述预设门限值RateThreshold的取值范围为[0.6,0.8],若满足条件则保留ApResultImage中该类别的像素,否则把该类别的所有像素置为黑色,得到最终分割结果,如图7所示。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (6)
1.一种基于AP聚类算法的作物图像分割方法,其特征在于,所述基于AP聚类算法的作物图像分割方法包括:
基于AP聚类算法对原始作物图像进行聚类处理得到聚类后的图像,其中所述基于AP聚类算法对原始作物图像进行聚类处理包括:
将所述原始作物图像由RGB颜色空间转换到LAB空间,并获取每个像素点的A和B分量组成特征向量,
根据每个像素点的特征向量计算像素点之间的相似度矩阵S,并以相似度矩阵S的均值初始化每个像素点的参考度矩阵P,
初始化每个像素点的吸引度和归属度矩阵,并设置最大迭代次数T和衰减系数λ,
根据每个像素点的所述相似度矩阵S、参考度矩阵P、吸引度和归属度矩阵将所述原始图像的每个像素点基于AP聚类算法做迭代运算并统计实时迭代次数T0,
当所述实时迭代次数T0超过所述最大迭代次数T时,终止所述迭代运算,
得到所述聚类后的图像,所述聚类后的图像包括多个类别,且所述聚类后的图像中的每个像素点都对应一个类别标签;
将所述原始作物图像置于不同光照下得到不同光照下的作物图像,并统计不同光照下的作物图像的亮度和色度关系,其中所述统计不同光照下的作物图像的亮度和色度关系包括:
将不同光照下的原始作物图像分别保留含有作物的区域,并将非作物的区域的像素点置为白色,得到多幅训练样本图像,
将每幅训练样本图像均由RGB颜色空间分别转换到HSI空间和YUV空间,并将每幅训练样本图像中的所有作物像素点的色度值H和亮度值Y形成训练数据矩阵,且将所述色度值H和所述亮度值Y分别保存到所述训练数据矩阵的第一列和第二列,
对所述训练数据矩阵中的第二列所保存的亮度值Y进行遍历,并将所有作物像素点按照所述亮度值Y是否相同划分为多行形成为色度-亮度矩阵,
计算所述色度-亮度矩阵中每行作物像素点的均值μ和方差δ2,
根据每行作物像素点的均值μ和方差δ2的计算结果生成色度-亮度关系图表;
根据所述色度-亮度关系图表对所述原始作物图像进行图像分割得到粗分割图像,并将所述粗分割图像与所述聚类后的图像进行区域重合得到作物分割图像。
2.根据权利要求1所述的基于AP聚类算法的作物图像分割方法,其特征在于,所述根据所述色度-亮度关系图对所述原始作物图像进行图像分割得到粗分割图像,并将所述粗分割图像与所述聚类后的图像进行区域重合得到作物分割图像包括:
将所述原始作物图像由RGB颜色空间转换为HSI空间和YUV空间,并得到所述原始作物图像的所有作物像素点的色度值H0和亮度值Y0;
将所述原始作物图像中的每个作物像素点按照行数与所述色度-亮度关系图表对应,并查找出所述色度-亮度关系图表中与所述原始作物图像中的当前作物像素点行数相同的行所对应的作物像素点的均值μ0和方差δ0 2;
将当前作物像素点的色度值H0和与当前作物像素点对应的均值μ0相减得到色度差值ΔH;
若所述色度差值ΔH≤k*δ0 2,则将当前作物像素点的色度调整为白色,否则调整为黑色,其中k∈[1.5,2.1];
将所述原始作物图像中的所有作物像素点均进行色度调整后的图像进行去燥处理得到所述粗分割图像;
计算所述粗分割图像与所述聚类后的图像的区域重合率并根据所述区域重合率得到所述作物分割图像。
3.根据权利要求2所述的基于AP聚类算法的作物图像分割方法,其特征在于,所述计算所述粗分割图像与所述聚类后的图像的区域重合率并根据所述区域重合率得到所述作物分割图像包括:
统计所述聚类后的图像中的每一类别图像的像素点总数;
计算所述聚类后的图形中的每一类别图像的重合率;
判断每一类图像的重合率是否大于预设门限值;
若所述每一类图像的重合率大于所述预设门限值,则保留所述聚类后的图像中该类别的像素点,否则把该类别的所有像素点置为黑色;
根据所述聚类后的图像中的各个类别的像素点的色度的区分获得所述作物分割图像;
其中,所述预设门限值的取值范围为0.6~0.8。
4.根据权利要求1至3中任意一项所述的基于AP聚类算法的作物图像分割方法,其特征在于,所述AP聚类算法包括:
计算两个数据点p(xp,yp)与q(xp,yp)之间的相似度S(p,q):
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>p</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>q</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>p</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>q</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>;</mo>
</mrow>
选用代表矩阵r(p,q)表示数据点q(xp,yp)适合作为数据点p(xp,yp)的类代表点所积累的证据;
选用适选矩阵a(p,q)表示数据点p(xp,yp)选择q(xp,yp)作为其类代表点的合适程度所积累的证据;
将N个数据点的相似度形成的矩阵的对角线上的数据作为每个数据点的所述参考度P,并设所有数据点的所述参考度P均相同;
根据所述相似度S(p,q)和所述参考度P计算所述代表矩阵r(p,q)和所述适选矩阵a(p,q):
<mrow>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>s</mi>
<mrow>
<mo>(</mo>
<munder>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
<mrow>
<mi>q</mi>
<mo>&NotEqual;</mo>
<msub>
<mi>q</mi>
<mn>1</mn>
</msub>
</mrow>
</munder>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>{</mo>
<mi>a</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<msub>
<mi>q</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<msub>
<mi>q</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>,</mo>
</mrow>
<mrow>
<mi>a</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>min</mi>
<mo>{</mo>
<mn>0</mn>
<mo>,</mo>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>q</mi>
<mo>,</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>&NotEqual;</mo>
<mi>p</mi>
</mrow>
</munder>
<mi>max</mi>
<mo>{</mo>
<mn>0</mn>
<mo>,</mo>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>}</mo>
<mo>,</mo>
<mi>p</mi>
<mo>&NotEqual;</mo>
<mi>p</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>&NotEqual;</mo>
<mi>p</mi>
</mrow>
</munder>
<mi>max</mi>
<mo>{</mo>
<mn>0</mn>
<mo>,</mo>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>,</mo>
<mi>p</mi>
<mo>=</mo>
<mi>q</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
其中,p1表示支持数据点q成为聚类中心的数据点,q1表示竞争候选聚类中心数据点;
引入衰减系数λ,所述代表矩阵r(p,q)和所述适选矩阵a(p,q)第T0+1次的结果迭代均被设置为第T0次迭代的1-λ倍,其中,所述衰减系数λ∈[0,1]的实数,第T0+1次的代表矩阵和适选矩阵分别为:
<mrow>
<msub>
<mi>r</mi>
<mrow>
<msub>
<mi>T</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>r</mi>
<mrow>
<msub>
<mi>T</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&lambda;r</mi>
<msub>
<mi>T</mi>
<mn>0</mn>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
<mrow>
<msub>
<mi>a</mi>
<mrow>
<msub>
<mi>T</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>a</mi>
<mrow>
<msub>
<mi>T</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&lambda;a</mi>
<msub>
<mi>T</mi>
<mn>0</mn>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
5.根据权利要求4所述的基于AP聚类算法的作物图像分割方法,其特征在于,所述根据每个像素点的所述相似度矩阵S、参考度矩阵、吸引度和归属度矩阵将所述原始图像的每个像素点基于AP聚类算法做迭代运算并计算实时迭代次数T0包括:
设置每个所述像素点表示为像素点[row,column],其中row表示所述像素点的行数,column表示所述像素点的列数;
计算所述像素点的代表矩阵r(p,q)和适选矩阵a(p,q):
<mrow>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>s</mi>
<mrow>
<mo>(</mo>
<munder>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
</mrow>
<mrow>
<mi>q</mi>
<mo>&NotEqual;</mo>
<msub>
<mi>q</mi>
<mn>1</mn>
</msub>
</mrow>
</munder>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>{</mo>
<mi>a</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<msub>
<mi>q</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<msub>
<mi>q</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>,</mo>
</mrow>
<mrow>
<mi>a</mi>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>min</mi>
<mo>{</mo>
<mn>0</mn>
<mo>,</mo>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>q</mi>
<mo>,</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>&NotEqual;</mo>
<mi>p</mi>
</mrow>
</munder>
<mi>max</mi>
<mo>{</mo>
<mn>0</mn>
<mo>,</mo>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>}</mo>
<mo>,</mo>
<mi>p</mi>
<mo>&NotEqual;</mo>
<mi>p</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>&NotEqual;</mo>
<mi>p</mi>
</mrow>
</munder>
<mi>max</mi>
<mo>{</mo>
<mn>0</mn>
<mo>,</mo>
<mi>r</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>,</mo>
<mi>p</mi>
<mo>=</mo>
<mi>q</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
其中,p=1,2,…,row,q=1,2,…,column;
将所述代表矩阵r(p,q)和所述适选矩阵a(p,q)分别迭代T0次,得到第T0+1的代表矩阵和适选矩阵分别为:
<mrow>
<msub>
<mi>r</mi>
<mrow>
<msub>
<mi>T</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>r</mi>
<mrow>
<msub>
<mi>T</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&lambda;r</mi>
<msub>
<mi>T</mi>
<mn>0</mn>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>a</mi>
<mrow>
<msub>
<mi>T</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>a</mi>
<mrow>
<msub>
<mi>T</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>&lambda;a</mi>
<msub>
<mi>T</mi>
<mn>0</mn>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>p</mi>
<mo>,</mo>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中,p=1,2,…,row,q=1,2,…,column。
6.根据权利要求1至3中任意一项所述的基于AP聚类算法的作物图像分割方法,其特征在于,所述计算所述色度-亮度矩阵中每行作物像素点的均值μ和方差δ2包括:
将所述色度-亮度矩阵表示为HYData(m,n),其中m表示所述色度-亮度矩阵中内的行,n表示所述色度-亮度矩阵中的列,则所述色度-亮度矩阵中第m行作物像素点的均值μm为:
<mrow>
<msub>
<mi>&mu;</mi>
<mi>m</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>l</mi>
</mrow>
</munderover>
<mi>H</mi>
<mi>Y</mi>
<mi>D</mi>
<mi>a</mi>
<mi>t</mi>
<mi>a</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>l</mi>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中,HYData(m,n)表示所述色度-亮度矩阵,col表示所述色度-亮度矩阵中第m行的所有非零项的个数;
根据所述第m行作物像素点的均值μm计算所述色度-亮度矩阵中第m行作物像素点的方差δm 2
<mrow>
<msup>
<msub>
<mi>&delta;</mi>
<mi>m</mi>
</msub>
<mn>2</mn>
</msup>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>l</mi>
</mrow>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mi>H</mi>
<mi>Y</mi>
<mi>D</mi>
<mi>a</mi>
<mi>t</mi>
<mi>a</mi>
<mo>(</mo>
<mrow>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>&mu;</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>l</mi>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中,HYData(m,n)表示所述色度-亮度矩阵,col表示所述色度-亮度矩阵中第m行的所有非零项的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710554933.9A CN107274418A (zh) | 2017-07-07 | 2017-07-07 | 一种基于ap聚类算法的作物图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710554933.9A CN107274418A (zh) | 2017-07-07 | 2017-07-07 | 一种基于ap聚类算法的作物图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107274418A true CN107274418A (zh) | 2017-10-20 |
Family
ID=60072654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710554933.9A Pending CN107274418A (zh) | 2017-07-07 | 2017-07-07 | 一种基于ap聚类算法的作物图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107274418A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108548846A (zh) * | 2018-06-21 | 2018-09-18 | 电子科技大学 | 基于热图像ap聚类的承压设备亚表面缺陷提取方法 |
CN108898603A (zh) * | 2018-05-29 | 2018-11-27 | 北京佳格天地科技有限公司 | 卫星影像上的地块分割***及方法 |
CN109783178A (zh) * | 2019-01-24 | 2019-05-21 | 北京字节跳动网络技术有限公司 | 一种界面组件的颜色调整方法、装置、设备和介质 |
CN109859212A (zh) * | 2019-01-16 | 2019-06-07 | 中国计量大学 | 一种无人机航拍图像大豆作物行分割方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208099A (zh) * | 2011-05-30 | 2011-10-05 | 华中科技大学 | 一种抗光照变化的作物彩色图像分割方法 |
CN106780502A (zh) * | 2016-12-27 | 2017-05-31 | 江苏省无线电科学研究所有限公司 | 基于图像的甘蔗出苗期自动检测方法 |
-
2017
- 2017-07-07 CN CN201710554933.9A patent/CN107274418A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208099A (zh) * | 2011-05-30 | 2011-10-05 | 华中科技大学 | 一种抗光照变化的作物彩色图像分割方法 |
CN106780502A (zh) * | 2016-12-27 | 2017-05-31 | 江苏省无线电科学研究所有限公司 | 基于图像的甘蔗出苗期自动检测方法 |
Non-Patent Citations (3)
Title |
---|
BRENDAN J. FREY ET AL.: "Clustering by Passing Messages Between Data Points", 《SCIENCE》 * |
ZHENGHONG YU ET AL.: "Automatic image-based detection technology for two critical growth stages of maize: Emergence and three-leaf stage", 《AGRICULTURAL AND FOREST METEOROLOGY》 * |
码迷: "AP聚类算法", 《HTTP://MAMICODE.COM/INFO-DETAIL-1380807.HTML》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898603A (zh) * | 2018-05-29 | 2018-11-27 | 北京佳格天地科技有限公司 | 卫星影像上的地块分割***及方法 |
CN108548846A (zh) * | 2018-06-21 | 2018-09-18 | 电子科技大学 | 基于热图像ap聚类的承压设备亚表面缺陷提取方法 |
CN109859212A (zh) * | 2019-01-16 | 2019-06-07 | 中国计量大学 | 一种无人机航拍图像大豆作物行分割方法 |
CN109783178A (zh) * | 2019-01-24 | 2019-05-21 | 北京字节跳动网络技术有限公司 | 一种界面组件的颜色调整方法、装置、设备和介质 |
CN109783178B (zh) * | 2019-01-24 | 2022-08-23 | 北京字节跳动网络技术有限公司 | 一种界面组件的颜色调整方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108549891B (zh) | 基于背景与目标先验的多尺度扩散显著目标检测方法 | |
CN107274418A (zh) | 一种基于ap聚类算法的作物图像分割方法 | |
US8295606B2 (en) | Device and method for detecting shadow in image | |
CN104217438B (zh) | 基于半监督的图像显著性检测方法 | |
CN110060233B (zh) | 一种玉米果穗破损检测方法 | |
US7577280B2 (en) | Measurement of mitotic activity | |
CN102208099A (zh) | 一种抗光照变化的作物彩色图像分割方法 | |
CN106611421B (zh) | 基于特征学习和素描线段约束的sar图像分割方法 | |
EP1700269A2 (en) | Detection of sky in digital color images | |
CN108537239A (zh) | 一种图像显著性目标检测的方法 | |
Schaefer et al. | Fuzzy clustering for colour reduction in images | |
Mythili et al. | Color image segmentation using ERKFCM | |
CN111259925A (zh) | 基于k均值聚类和宽度突变算法的田间麦穗计数方法 | |
Kumar et al. | Pest detection using adaptive thresholding | |
CN114494739B (zh) | 基于人工智能的色粉混合效果检测方法 | |
CN114821268A (zh) | 一种基于机器学习的杂草与作物识别方法 | |
CN109816629A (zh) | 一种基于k-means聚类的苔质分离方法和装置 | |
CN112489049A (zh) | 基于超像素和svm的成熟番茄果实的分割方法及*** | |
CN112329818A (zh) | 基于图卷积网络嵌入表征的高光谱图像非监督分类方法 | |
CN106203447A (zh) | 一种基于像素遗传的前景目标提取方法 | |
CN116258968B (zh) | 一种林果病虫管理方法及*** | |
CN110807357A (zh) | 一种基于直方图估计的非监督大田作物分类方法及*** | |
Pereira et al. | Fruit recognition and classification based on SVM method for production prediction of peaches-preliminary study | |
CN112258522B (zh) | 基于二次区域生长的武术竞赛区域分割方法 | |
Johari et al. | Automated rubber seed ventral surface identification using hue, saturation, value (HSV) image processing and a decision rule approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171020 |