[发明专利]基于改进k-means算法的作物病变叶片检测方法

权利要求书

1.一种基于改进k-means算法的作物病变叶片检测方法，其特征在于，所述基于改进k-means算法的作物病变叶片检测方法首先根据病变叶片的直方图特性，确定病变叶片的类别数；然后通过直方图的峰值点初步确定聚类中心，并计算每个像素点到不同聚类中心的相似度；最后根据相似度的大小利用k-means聚类算法进行病变叶片图像的分割，完成对病变叶片的快速检测；

所述k-means聚类算法为：

1)确定好聚类数目和初始聚类中心；

2)运用公式计算像素点到每个聚类中心的相似度；

s＝s₁*s₂；

式中，用颜色欧式距离表示像素点x与聚类中心x^*间的颜色相似度；用负指数平方和表示像素点x与聚类中心x^*间的空间距离相似度；

3)将像素点划归到相似度最大的聚类；

4)聚类结束后，用每个类中所有像素点的平均值更新聚类中心；

5)转至步骤2)，重新聚类；

6)直至聚类中心不在发生变化。

2.如权利要求1所述的基于改进k-means算法的作物病变叶片检测方法，其特征在于，所述基于改进k-means算法的作物病变叶片检测方法包括以下步骤：

第一步，将病变叶片图像的颜色空间从RGB转换到Lab；

第二步，在Lab颜色空间计算病变叶片图像的直方图；

第三步，根据直方图的波峰数确定图像的分割类别数；

第四步，根据直方图的峰值点确定图像的初始聚类中心；

第五步，计算每个像素点与初始聚类中心的相似度；

第六步，根据相似度的大小，利用k-means聚类算法对病变叶片图像进行迭代聚类，直到聚类中心不再发生变化。

3.如权利要求2所述的基于改进k-means算法的作物病变叶片检测方法，其特征在于，所述第一步将病变叶片图像的颜色空间从RGB转换到Lab具体包括：在Lab颜色空间中，L代表亮度，a、b代表色度；RGB无法直接转换到Lab，需要先转换成XYZ再转成Lab；

1)RGB转XYZ

r,g,b为像素三个通道，取值范围均为[0,255]，转换公式如下：

M等于；

2)XYZ转Lab；

公式中，L、a、b是最终的LAB色彩空间三个通道的值；X、Y、Z是RGB转XYZ后计算的值，Xn、Yn、Zn是95.047、100.0、108.883。

4.如权利要求2所述的基于改进k-means算法的作物病变叶片检测方法，其特征在于，所述第二步在Lab颜色空间计算病变叶片图像的直方图根据完成的病变叶片图像的颜色空间转换，在Lab颜色空间计算病变叶片的直方图；通过对积累的大量病变叶片图像特征的分析，发现病变叶片图像的组成有2种模式：第一种，是病变叶片图像由病斑和叶片两个区域构成；第二种是病变叶片图像由病斑、叶片和背景三个区域构成。

5.如权利要求2所述的基于改进k-means算法的作物病变叶片检测方法，其特征在于，所述第三步和第四步聚类数和初始聚类中心的确定首先用7点加权均值法对直方图曲线进行平滑，7点加权均值法如下式：

式中H(x)是灰度值x所对应的直方图的值，平滑后的直方图曲线通过求导和邻域值的大小判断峰值区域；峰值区域满足如下条件：

在x^*的邻域内，H(x^*)的值最大；

通过以上两个条件，在直方图上判断出图像的聚类数，峰值区域的峰值点作为初始的聚类中心。