一种植物图像分割的改进的核密度峰值聚类方法技术

本发明专利技术提出了一种植物图像分割的改进的核密度峰值聚类方法，该方法通过利用决策图选取中心点后，利用RBF将数据映射到高维空间，然后对样本点采用两种分配策略进行聚类在高维空间中，从而更好地解决K

An improved kernel density peak clustering method for plant image segmentation

【技术实现步骤摘要】
一种植物图像分割的改进的核密度峰值聚类方法


[0001]本专利技术图像处理
，具体涉及一种植物图像分割的改进的核密度峰值聚类方法。

技术介绍

[0002]在研究农作物时，植物在不同的条件下需要额外的水和肥料，所以准确了解当前农作物的生长状况是非常必要的。图像分割是图像处理的基本技术，该技术在农业中的应用需求也越来越强烈。随着对图像分割技术研究的不断深入，许多机器学习方法也被应用于该领域。聚类的目的是将相似的点分成相似的组，在很多领域得到了广泛的应用。K
‑
means方法是一种基于距离的聚类方法，具有快速的收敛速度和稳健的通用性。它是众多聚类方法中比较有效的方法之一，在农业领域，K
‑
means经常被用来分割农作物形态图像。然而，作物在生长初期的颜色往往与土壤颜色相似，这暴露了k
‑
means方法的缺点。K
‑
means方法中的K值需要手动设置。之后，它随机地迭代执行，寻找聚类中心。在很多情况下，这种方法会偏向于选择聚类中心，而且k
‑
means方法对于非凸的数据更难收敛。
[0003]此外，通过快速搜索和寻找密度峰的DPC进行聚类是一种基于密度的聚类方法，与k
‑
means方法相比，更多的数据集适合于DPC。然而，该方法仍有一些不足之处。(1)根据决策图选择点的中心点后，而将剩余的点分配到其密度较高的近邻的类中，在DPC方法的点分配过程中，离聚类中心较近的点会被正确分配。然而，随着分配的进行，如果一个点被错误地划分到一个不相关的、不正确的聚类中，一个连锁反应将导致一系列的点被错误地分配到不相关的聚类中。(2)对于部分非线性数据集，特别是在一些维度较高的数据集或点的分布重叠的数据集中，DPC方法不能取得满意的聚类结果。

技术实现思路

[0004]为解决上述技术问题，本专利技术提出了一种植物图像分割的改进的核密度峰值聚类方法，通过在多个人工数据集和UCI数据集上进行试验，并与其他聚类算法进行比较，最后再应用在植物图像分割中，实验结果表明，本专利技术的算法具有较好的聚类效果。
[0005]根据本专利技术得到实施例，本专利技术提出了一种植物图像分割的改进的核密度峰值聚类方法，所述方法包括：
[0006]输入待分割图像，
[0007]基于密度峰值聚类DPC算法中的局部密度ρ和高密度最小距离δ选择数据集的中心点来生成决策图；
[0008]利用径向基函数RBF算法将所有样本点映射到高位空间中，得到一个包含每个样本之间相似度的矩阵，使用所述数据集的中心点作为初始值，以实现分配其他的样本，并采用分配策略进行图像聚类；
[0009]使用该图像聚类对植物图像进行分割。
[0010]进一步的，基于密度峰值聚类DPC算法中的局部密度ρ和高密度最小距离δ选择数
据集的中心点来生成决策图的步骤包括：基于DPC算法中的截断密度核、高斯密度核、逻辑判断函数以及最小距离δ绘制决策图，并将决策图右上角的点作为聚类中心。
[0011]进一步的，采用分配策略进行图像聚类，包括：
[0012]对给定的整数i和j，首先，聚类中心对象C
n
在样本空间Ω中相似度最大的对象为X
i
；其次，对象X
i
为核心在样本空间Ω中重复C
n
的查找方式，
[0013]搜索未被分配类别的样本X
j
(i≠j)；最后，以样本X
j
替换对象X
i
进行搜索。在样本点重复寻找最大相似点的过程中，将每个被搜索到的对象都划分在C
n
的簇中，并记录样本空间Ω的第k次查找点的相似值S
k
与相似平均差D
i
，其中，
[0014][0015][0016]如果搜索到临时边界点，则将停止查找，并结束当前分配方式。
[0017]进一步的，所述临时边界点的定义为:如果相似平均差D
i
大于样本空间Ω中所有聚类中心的局部密度和的平均值的时:
[0018][0019]则这第i个点称为临时边界点。
[0020]进一步的，当结束当前分配方式后，所述方法还包括，将未划分簇的样本点分配到与它最大相似度的数据点的簇中并且每次分配都将相似度：
[0021]S
k
＝N
ij
＝K(X
i
,X
j
)
[0022]进行降序排列。
[0023]本文提出了一种新的聚类方法。首先，用决策图来确定它像DPC方法一样的中心点，然后用高斯核(径向基函数(RBF))将数据映射到高维空间，最后，从每个中心点出发，在高维空间中搜索最相关的点，直到找到这个聚类的临时边界点，然后将未聚类的点分配到相似度最高的数据点聚类中。综上所述，所提出的方法支持选择合适的中心点，可以较好地解决非线性数据集聚的问题。更重要的是，所提出的方法已经成功地应用于植物生长初期的图像分割，以加强农田的建设。
附图说明
[0024]图1为本专利技术提出的植物图像分割的改进的核密度峰值聚类方法实施例图；
[0025]图2为本专利技术提出的植物图像分割的改进的核密度峰值聚类方法临时边界点概念图；
[0026]图3为本专利技术提出的植物图像分割的改进的核密度峰值聚类方法中关于当前分配方式结束后的示意图；
[0027]图4为本专利技术提出的植物图像分割的改进的核密度峰值聚类方法中关于降序排列后的实施例图；
[0028]图5为四种聚类算法螺旋数据集下的聚类影响实施例图；
[0029]图6为四种聚类算法火焰数据集下的聚类影响实施例图；
[0030]图7为四种聚类算法双排数据集下的聚类影响实施例图；
[0031]图8为杂草图像分割实验中其中一张角度的图像分割前确定聚类中心点的决策图；
[0032]图9为杂草图像分割实验中另外一张角度的图像分割前确定聚类中心点的决策图；
[0033]图10为不同算法下其中一张角度的图像分割对比图；
[0034]图11为不同算法下另外一张角度的图像分割对比图；
具体实施方式
[0035]为便于理解，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0036]如图1所示，本专利技术提出了一种植物图像分割的改进的核密度峰值聚类方法，所述方法包括：
[0037]输入待分割图像，
[0038]基于密度峰值聚类DPC算法中的局部密度ρ和高密度最小距离δ选择数据集的中心点来生成决策图；
[0039]利用径向基函数RBF算法将所有样本点映射到高位空间中，得到一个包含每个样本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种植物图像分割的改进的核密度峰值聚类方法，其特征在于，所述方法包括：输入待分割图像，基于密度峰值聚类DPC算法中的局部密度ρ和相对距离δ选择数据集的中心点来生成决策图；利用径向基函数RBF算法将所有样本点映射到高维空间中，得到一个包含每个样本之间相似度的矩阵，使用所述数据集的中心点作为初始值，以实现分配其他的样本，并采用分配策略进行图像聚类；使用该图像聚类对植物图像进行分割。2.根据权利要求1所述的改进的核密度峰值聚类技术的植物图像分割方法，其特征在于，基于密度峰值聚类DPC算法中的局部密度ρ和高密度最小距离δ选择数据集的中心点来生成决策图的步骤包括：基于DPC算法中的截断密度核、高斯密度核、逻辑判断函数以及最小距离δ绘制决策图，并将决策图右上角的点作为聚类中心。3.根据权利要求1所述的改进的核密度峰值聚类技术的植物图像分割方法，其特征在于，采用分配策略进行图像聚类，包括：对给定的整数i和j，首先，聚类中心对象C
n
在样本空间Ω中相似度最大的对象为X
i
；其次，对象X
i
为核心在样本空间Ω中重复C
n
的查找方式，搜索...

【专利技术属性】
技术研发人员：毕家泽，陈祎琼，张平哲，董梦龙，庄永志，
申请(专利权)人：安徽农业大学，
类型：发明
国别省市：