[发明专利]基于改进k-means算法的作物病变叶片检测方法

说明书

本发明属于计算机信息处理、模式识别技术领域，公开了一种基于改进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。本发明不需要人工指定图像聚类的类别数，自动确定类别数；不需要人工指定初始聚类中心，自动确定初始聚类中心；计算像素点到聚类中心的相似度，不仅考虑颜色相似度，而且还考虑了距离大小，更能精确对图像进行分割。

技术领域

本发明属于计算机信息处理、模式识别技术领域，尤其涉及一种基于改进k-means算法的作物病变叶片检测方法。

背景技术

目前，最接近的现有技术：农作物是人类赖以生存的能量和营养的主要来源。2019年1月20联合国粮农组织发布的《全球粮食危机报告》称，2018年，全球共有50多个国家约10亿人受到农作物产量不足而处于饥饿状态，较上一年多出1100万人。病虫害是导致农作物减产的一个重要原因，全球每年因病虫害导致农作物减产10％。所以，及早地发现和防治作物病虫害，具有重要的现实意义。

农作物病虫害的发病迹象主要表现在作物叶片发生病变，因此通过机器视觉技术对作物叶片症状进行自动检测，是实现作物病害预警和防治的有效手段。目前，对作物病虫害的检测和识别主要还是通过人工观察，这种方式效率低、错误率高。基于机器视觉对叶片病变区域的检测算法主要是图像阈值分割算法和图像聚类算法。由于作物病害的致病病原种类的不同，会产生形状、颜色、纹理等方面有很大差异的病斑、孔洞等特异性症状，这时用全局阈值分割算法很难将病斑从叶片中分割出来，需要运用多阈值分割算法才可以完成，但是多阈值的确定很难用算法自动完成，往往需要辅以人工参与，这样就使得算法丧失了普适性和智能化。在用图像聚类算法进行叶片病斑分割时，事先需要人工确定类族的个数，人工的参与使得算法的适应性比较差，也容易导致分割错误。

综上所述，现有技术存在的问题是：在用图像聚类算法进行叶片病斑分割时，事先需要人工确定类族的个数，人工的参与使得算法的适应性比较差，也容易导致分割错误。

由于病变叶片的病斑会呈现各种不同的形状、各种不同的颜色，要对病斑进行精确分割存在很多困难。本发明通过对大量病变叶片图像进行归纳分析，发现了病变叶片图像的直方图存在独特的性质，利用此性质可以对病变叶片的病斑进行精确分割，不仅实现了自动化分割，而且大大提高了病变检测的效率，这对促进病变叶片的智能化检测技术发展具有重要意义。

发明内容

针对现有技术存在的问题，本发明提供了一种基于改进k-means算法的作物病变叶片检测方法。

本发明是这样实现的，一种基于改进k-means算法的作物病变叶片检测方法，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；