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;
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;
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;
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。
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。
3.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:,其中增强因子 等于2;7个Hu不变矩作为形状特征。
4.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+1行之间的宽度变化率rate,若rate大于设定值thresh_rate,把i行和i+1行最右边的点标记为宽度突变点,直至该连通域扫描完成;
S45、标记该连通域左上角点为起始点、右下角点为终止点,去除距离过近的突变点;
S46、若标记点只有起始点和终止点,则麦穗数加1;
S47、若标记点有起始点、终止点以及突变点,则将所有标记点连线,计算相邻连线之间的斜率差值K,若K>thresh_k,则麦穗数加1,所有斜率差值K判断完毕后返回步骤S42选择下一个连通域,所有连通域处理完毕后输出麦穗数。
5.如权利要求4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S42后还包括如下步骤:S421、计算平均麦穗高度;
S422、若该连通域的高度小于等于1倍平均麦穗高度,取thresh_weight等于thresh_weight_1、thresh_rate等于thresh_rate_1、thresh_k等于thresh_k_1并执行步骤S43;
S423、若该连通域的高度大于1倍平均麦穗高度且小于等于2倍平均麦穗高度,取thresh_weight等于thresh_weight_2、thresh_rate等于thresh_rate_2、thresh_k等于thresh_k_2并执行步骤S43;
S424、若该连通域的高度大于2倍平均麦穗高度,执行下一步;
S425、以2倍平均麦穗高度为间隔将该连通域纵向切割为多个子连通域,针对每个子连通域,取thresh_weight等于thresh_weight_3、thresh_rate等于thresh_rate_3、thresh_k等于thresh_k_3并执行步骤S43。
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;
S33、用随机森林算法对麦穗三级细分割图进行分割得到麦穗病斑区域分割图,其中选择麦穗三级细分割图为测试集,训练集与步骤S31中一致,训练集中健康麦穗区域样本10个、患病麦穗区域样本10个,该步骤中的滑动窗口、特征选择、分类器与步骤S31中的一致;
以上三个步骤中,滑动窗口、特征选择、分类器均相同;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);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: ,其中增强因子 等于
2;7个Hu不变矩作为形状特征。
7.如权利要求6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,按如下步骤计算患病麦穗的数量:S41'、划分连通域,计算每个连通域中所有病斑区域面积的总占比;
S42'、将面积占比小于25%的病斑区域标记为0,总麦穗计数中没有麦穗的病斑区域标记为0,其余标记为1,根据标记0和1计算rate_label;
S43'、按照步骤S42、S421 S425、S43 S47统计各个病斑区域的计数count;
~ ~
S44'、将rate_label*count作为最终的患病麦穗数量输出。