[發(fā)明專利]基于改進(jìn)k-means算法的作物病變?nèi)~片檢測方法有效
| 申請?zhí)枺?/td> | 201911033512.7 | 申請日: | 2019-10-28 |
| 公開(公告)號: | CN110751228B | 公開(公告)日: | 2023-04-07 |
| 發(fā)明(設(shè)計(jì))人: | 劉哲;黃文準(zhǔn);郭建新 | 申請(專利權(quán))人: | 西京學(xué)院 |
| 主分類號: | G06V10/762 | 分類號: | G06V10/762;G06V20/10;G06T7/00;G06T7/11 |
| 代理公司: | 北京眾合誠成知識產(chǎn)權(quán)代理有限公司 11246 | 代理人: | 王學(xué)芝 |
| 地址: | 710100 *** | 國省代碼: | 陜西;61 |
| 權(quán)利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關(guān)鍵詞: | 基于 改進(jìn) means 算法 作物 病變 葉片 檢測 方法 | ||
1.一種基于改進(jìn)k-means算法的作物病變?nèi)~片檢測方法,其特征在于,所述基于改進(jìn)k-means算法的作物病變?nèi)~片檢測方法首先根據(jù)病變?nèi)~片的直方圖特性,確定病變?nèi)~片的類別數(shù);然后通過直方圖的峰值點(diǎn)初步確定聚類中心,并計(jì)算每個(gè)像素點(diǎn)到不同聚類中心的相似度;最后根據(jù)相似度的大小利用k-means聚類算法進(jìn)行病變?nèi)~片圖像的分割,完成對病變?nèi)~片的快速檢測;
所述k-means聚類算法為:
1)確定好聚類數(shù)目和初始聚類中心;
2)運(yùn)用公式計(jì)算像素點(diǎn)到每個(gè)聚類中心的相似度;
s=s1*s2;
式中,用顏色歐式距離表示像素點(diǎn)x與聚類中心x*間的顏色相似度;用負(fù)指數(shù)平方和表示像素點(diǎn)x與聚類中心x*間的空間距離相似度;
3)將像素點(diǎn)劃歸到相似度最大的聚類;
4)聚類結(jié)束后,用每個(gè)類中所有像素點(diǎn)的平均值更新聚類中心;
5)轉(zhuǎn)至步驟2),重新聚類;
6)直至聚類中心不在發(fā)生變化。
2.如權(quán)利要求1所述的基于改進(jìn)k-means算法的作物病變?nèi)~片檢測方法,其特征在于,所述基于改進(jìn)k-means算法的作物病變?nèi)~片檢測方法包括以下步驟:
第一步,將病變?nèi)~片圖像的顏色空間從RGB轉(zhuǎn)換到Lab;
第二步,在Lab顏色空間計(jì)算病變?nèi)~片圖像的直方圖;
第三步,根據(jù)直方圖的波峰數(shù)確定圖像的分割類別數(shù);
第四步,根據(jù)直方圖的峰值點(diǎn)確定圖像的初始聚類中心;
第五步,計(jì)算每個(gè)像素點(diǎn)與初始聚類中心的相似度;
第六步,根據(jù)相似度的大小,利用k-means聚類算法對病變?nèi)~片圖像進(jìn)行迭代聚類,直到聚類中心不再發(fā)生變化。
3.如權(quán)利要求2所述的基于改進(jìn)k-means算法的作物病變?nèi)~片檢測方法,其特征在于,所述第一步將病變?nèi)~片圖像的顏色空間從RGB轉(zhuǎn)換到Lab具體包括:在Lab顏色空間中,L代表亮度,a、b代表色度;RGB無法直接轉(zhuǎn)換到Lab,需要先轉(zhuǎn)換成XYZ再轉(zhuǎn)成Lab;
1)RGB轉(zhuǎn)XYZ
r,g,b為像素三個(gè)通道,取值范圍均為[0,255],轉(zhuǎn)換公式如下:
M等于;
2)XYZ轉(zhuǎn)Lab;
公式中,L、a、b是最終的LAB色彩空間三個(gè)通道的值;X、Y、Z是RGB轉(zhuǎn)XYZ后計(jì)算的值,Xn、Yn、Zn是95.047、100.0、108.883。
4.如權(quán)利要求2所述的基于改進(jìn)k-means算法的作物病變?nèi)~片檢測方法,其特征在于,所述第二步在Lab顏色空間計(jì)算病變?nèi)~片圖像的直方圖根據(jù)完成的病變?nèi)~片圖像的顏色空間轉(zhuǎn)換,在Lab顏色空間計(jì)算病變?nèi)~片的直方圖;通過對積累的大量病變?nèi)~片圖像特征的分析,發(fā)現(xiàn)病變?nèi)~片圖像的組成有2種模式:第一種,是病變?nèi)~片圖像由病斑和葉片兩個(gè)區(qū)域構(gòu)成;第二種是病變?nèi)~片圖像由病斑、葉片和背景三個(gè)區(qū)域構(gòu)成。
5.如權(quán)利要求2所述的基于改進(jìn)k-means算法的作物病變?nèi)~片檢測方法,其特征在于,所述第三步和第四步聚類數(shù)和初始聚類中心的確定首先用7點(diǎn)加權(quán)均值法對直方圖曲線進(jìn)行平滑,7點(diǎn)加權(quán)均值法如下式:
式中H(x)是灰度值x所對應(yīng)的直方圖的值,平滑后的直方圖曲線通過求導(dǎo)和鄰域值的大小判斷峰值區(qū)域;峰值區(qū)域滿足如下條件:
在x*的鄰域內(nèi),H(x*)的值最大;
通過以上兩個(gè)條件,在直方圖上判斷出圖像的聚類數(shù),峰值區(qū)域的峰值點(diǎn)作為初始的聚類中心。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息,商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于西京學(xué)院,未經(jīng)西京學(xué)院許可,擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作,請聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/201911033512.7/1.html,轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 一種實(shí)現(xiàn)K?means聚類的方法及裝置
- 一種K-means聚類的初值選擇方法
- 基于二次K-Means聚類的室內(nèi)位置指紋定位方法
- 一種基于改進(jìn)K-means聚類算法的缺失數(shù)據(jù)填充方法
- 基于K值估計(jì)的K-Means水下圖像背景分割改進(jìn)算法
- 沉積相邊界識別方法及裝置
- 一種基于密度Canopy的K-means聚類方法
- 基于并行改進(jìn)的K-means算法的大數(shù)據(jù)文本聚類方法及系統(tǒng)
- 基于K-Means和CART回歸樹的路感模擬方法
- 一種基于K-Means和BP神經(jīng)網(wǎng)絡(luò)的路感模擬方法





