基于K均值聚类和宽度突变算法的田间麦穗计数方法技术

本发明专利技术特别涉及一种基于K均值聚类和宽度突变算法的田间麦穗计数方法，包括如下步骤：S1、采集麦穗原始图像并对原始图像进行预处理；S2、对预处理后的图像依次进行图像变换、K均值聚类、形态学处理后得到麦穗粗分割图；S3、选择随机森林分类器，用滑窗法对训练集图片滑窗取样，进一步对麦穗粗分割图进行细分割；S4、根据每个连通域中的麦穗区域宽度突变情况统计麦穗数量。通过预处理将原始图像转换成统一格式的图像以方便后续处理，通过K均值聚类可以将图像中连通域挑选出来，通过随机森林分类器，可以将其中的麦穗部分筛选出来，最后根据宽度突变情况来对麦穗进行计数，这样就能较为准确的计算出麦穗的数量，即使麦穗之间有遮挡，依然不会影响到麦穗的计数。

Counting method of wheat ear in field based on K-means clustering and width mutation algorithm

【技术实现步骤摘要】
基于K均值聚类和宽度突变算法的田间麦穗计数方法
本专利技术涉及计算机视觉和深度学习
，特别涉及一种基于K均值聚类和宽度突变算法的田间麦穗计数方法。
技术介绍
小麦作为全球主要的粮食作物之一，可为人们提供人体一些必须的营养元素，它的充足供应对保障全球的粮食安全至关重要。麦穗计数是预测小麦产量的一种重要手段，对小麦新品种培育、病损灾害评估和优质生产具有重要的意义。小麦赤霉病是一种常见的小麦病害，主要由禾谷镰刀菌引起的，发病后可以引起整株麦穗籽粒变质，是造成小麦减产的一个重要因素之一，且该病害在全球分布广泛。更为重要的是，禾谷镰刀菌产生的毒素脱氧雪腐烯醇(DON)对人畜危害极大，甚至会引起中毒。因此，对小麦赤霉病的无损监测研究意义重大。对于小麦的无损监测技术有很多种，最常见的就是通过拍摄田间麦穗照片，然后对麦穗照片进行复杂的图像处理，由于麦田中一大片麦穗的图像中，常出现麦穗重叠现象，使得在处理时，常常将多个麦穗识别为一个，或者有些被遮挡了的麦穗都识别不出来，只能大概的对麦穗的面积进行粗略估计，这样，对于麦穗产量估计时就会有很大误差。...

【技术保护点】
1.一种基于K均值聚类和宽度突变算法的田间麦穗计数方法，其特征在于：包括如下步骤：/nS1、采集麦穗原始图像并对原始图像进行预处理；/nS2、对预处理后的图像依次进行图像变换、K均值聚类、形态学处理后得到麦穗粗分割图；/nS3、选择随机森林分类器，用滑窗法对训练集图片滑窗取样，进一步对麦穗粗分割图进行细分割；/nS4、根据每个连通域中的麦穗区域宽度突变情况统计麦穗数量。/n

【技术特征摘要】
1.一种基于K均值聚类和宽度突变算法的田间麦穗计数方法，其特征在于：包括如下步骤：
S1、采集麦穗原始图像并对原始图像进行预处理；
S2、对预处理后的图像依次进行图像变换、K均值聚类、形态学处理后得到麦穗粗分割图；
S3、选择随机森林分类器，用滑窗法对训练集图片滑窗取样，进一步对麦穗粗分割图进行细分割；
S4、根据每个连通域中的麦穗区域宽度突变情况统计麦穗数量。


2.如权利要求1所述的基于K均值聚类和宽度突变算法的田间麦穗计数方法，其特征在于：所述的步骤S1中，包括如下步骤：
S11、以黑布作为田间麦穗的背景，用高清相机拍摄麦穗原始RGB图片；
S12、用矩形框裁剪出整个麦穗群体，去除多余的干扰背景；
S13、将裁剪后的图片像素统一为M*M。


3.如权利要求2所述的基于K均值聚类和宽度突变算法的田间麦穗计数方法，其特征在于：所述的步骤S2中，包括如下步骤：
S21、输入裁剪后的RGB图像，将其B分量替换成G分量，再用图像增强得到新的RGG图像；
S22、将RGB图像转换至HSI空间中得到Image1，将RGG图像转换至HSV空间中得到Image2；
S23、将Image1和Image2转换至Lab空间后经过K-means聚类处理后分别得到Image1'和Image2'；
S24、将Image1'和Image2'相减后得到Image3；
S25、将Image3与步骤S21中的RGB图像相与后得到Image3'；
S26、对Image3'进行形态学处理后得到麦穗粗分割图。


4.如权利要求3所述的基于K均值聚类和宽度突变算法的田间麦穗计数方法，其特征在于：所述的步骤S26中，包括如下步骤：先对Image3'进行腐蚀处理；然后进行膨胀处理；最后标记每个连通域，计算每个连通域的面积，剔除小于设定阈值的连通域即得到麦穗粗分割图。


5.如权利要求1所述的基于K均值聚类和宽度突变算法的田间麦穗计数方法，其特征在于：所述的步骤S3中，包括如下步骤：
S31、用随机森林算法对麦穗粗分割图进行分割得到麦穗二级细分割图，其中选择某一麦穗群体中的一个方位角对应的图片作为测试集，另外三个方位角对应的图片中随机剪裁的区域作为训练集，训练集中麦穗区域样本为10个、非麦穗区域样本为15个；
S32、用随机森林算法对麦穗二级细分割图进行分割得到麦穗三级细分割图，其中选择麦穗二级细分割图为测试集，训练集与步骤S31中一致，训练集中麦穗区域样本为10个、地面区域样本为7个；
以上两个步骤中，滑动窗口、特征选择、分类器均相同。


6.如权利要求5所述的基于K均值聚类和宽度突变算法的田间麦穗计数方法，其特征在于：所述的滑动窗口大小为8*8，特征选择包括6个颜色特征、4个纹理特征、1个植被指数特征和7个形状特征：对RGB和Lab颜色特征进行卷积得到6个颜色特征：Conv2(R)、Conv2(G)、Conv2(B)、Conv2(L)、Conv2(a)和Conv2(b)，卷积核大小为2*2；由灰度共生矩阵GLCM产生4个纹理特征：对比度、一致性、能量和相关性；归一化绿红绿蓝差异植被指数：NGRBDI＝α(g-r)/(g+r)-(g-b)/(g+b)，其中增强因子α等于2；7个Hu不变矩作为形状特征。


7.如权利要求1所述的基于K均值聚类和宽度突变算法的田间麦穗计数方法，其特征在于：所述的步骤S4中，包括如下步骤：
S41、划分连通域，确定各个连通域的最小点坐标、最大点坐标和高度，计算各个连通域的倾斜角angle；
S42、选择一个连通域，依据该连通域的angle将该连通域旋转成水平；
S43、若该连通域的高度小于设定的高度阈值且宽度小于设定的宽度阈值thresh_weight时，判断为非麦穗区域，舍弃该连通域，返回步骤S42选择下一个连通域，否则执行下一步；
S44、逐行扫描该连通域，计算i行和i+...

【专利技术属性】
技术研发人员：张东彦，汪志存，陈雨，梁栋，黄文江，杜世州，张秋思，谷春艳，
申请(专利权)人：安徽大学，
类型：发明
国别省市：安徽;34