1.基于CECI算法的水稻植株深度学习计数数据集的创建方法,其特征在于,包括:采集原始水稻图片数据,对所述原始水稻图片进行植被 色度筛选以及HSV空间色度分割处理,并提取所述处理后原始水稻图片中的绿色水稻区域;
将所述原始水稻图片进行色度增强,并对所述色度增强处理后的原始水稻图片进行十簇聚类;
计算所述绿色水稻区域和十簇聚类分块后的重合率,根据所述重合率合并拼接得到最终的水稻图片;
对所述最终的水稻图片进行腐蚀膨胀处理并计算水稻的连通域,根据所述连通域的重心坐标,对计算机自动标注生成的图片进行修正,创建数据集生成基准密度图。
2.如权利要求1所述的基于CECI算法的水稻植株深度学习计数数据集的创建方法,其特征在于,对所述原始水稻图片进行植被 色度筛选,包括:提取图像的B、G、R三通道,计算得到 图像,将所述 图像进行色度筛选转化为8位int类型第一二值图像 ,所述 图像表示为:
其中,CIVE为植被提取颜色指数,R、G、B分别为可见光红色、绿色、蓝色。
3.如权利要求2所述的基于CECI算法的水稻植株深度学习计数数据集的创建方法,其特征在于,HSV空间色度分割处理,包括:根据HSV空间色度分割处理,提取色度像素值并转为二值图像 ;
所述二值图像 ,表示为:
其中, 为水稻的绿色在HSV颜色空间饱和度的最小值,为水稻的绿色在HSV颜色空间饱和度的最大值,函数 表示进行阈值操作,将低于 和高于 的像素值置为0;
检测所有水稻植株轮廓并计算轮廓面积,当像素值面积小于50时,则舍去像素值并用0像素值进行填充,最后得到HSV颜色空间色度分割结果第二二值图像 。
4.如权利要求3所述的基于CECI算法的水稻植株深度学习计数数据集的创建方法,其特征在于,提取原始水稻图片中的绿色水稻区域,包括:当第一二值图像 、第二二值图像 像素值不相等的位置置为0时,即植被色度筛选以及HSV空间色度分割处理两种方法中像素值强度达到提取标准并保留绿色水稻区域结果,所述绿色水稻区域第三二值图像 ,表示为:
其中,函数 函数指对图像进行阈值分割, 为植被 色度筛选得到的第一二值图像, 为HSV空间色度分割处理得到的第二二值图像。
5.如权利要求4所述的基于CECI算法的水稻植株深度学习计数数据集的创建方法,其特征在于,将所述原始水稻图片进行色度增强,并对所述色度增强处理后的原始水稻图片进行十簇聚类,包括:对原始水稻图片进行色度增强处理,将色度设定为原图两倍;
随机在平面上选择10个点作为初始中心点,计算各像素点到初始中心点的距离形成10簇,表示为:其中, 为坐标在 处的像素点, 为第t轮迭代的第k个中心点, 为第i簇聚类;
多次迭代寻求到簇内各点距离最短的中心点,表示为:其中, 为第t+1轮迭代的第k个中心点, 为各像素点到其对应簇内中心点的距离;
多次迭代直至中心点位置不再发生变化,取最终聚类结果存入文件夹 中,共十张图像。
6.如权利要求5所述的基于CECI算法的水稻植株深度学习计数数据集的创建方法,其特征在于,计算所述绿色水稻区域和十簇聚类分块后的重合率,包括:将第三二值图像 、文件夹 中的十张图像进行分块,表示为:其中, 为分块图像, 分别为分块图像的宽度
和高度;
根据所述分块后的 、 中的十张图像求交集计算重合率并进行取舍,当重合率高于45%时,即保留,否则舍去,表示为:其中, 为文件夹 中的第k张图, 为 分块图像中的第k张图,为计算面积, 为根据重合率筛选后的文件夹 中的第i张图片。
7.如权利要求6所述的基于CECI算法的水稻植株深度学习计数数据集的创建方法,其特征在于,根据所述重合率合并拼接得到最终的水稻图片,包括:合并拼接得到的最终的水稻图片 ,表示为:
其中,函数 表示对图像进行阈值分割, 为新建的一张空白图像, 为根据重合率筛选后的文件夹 中的第i张图片。
8.如权利要求7所述的基于CECI算法的水稻植株深度学习计数数据集的创建方法,其特征在于,对所述最终的水稻图片进行腐蚀膨胀处理并计算水稻的连通域,包括:利用腐蚀膨胀处理对最终的水稻图片 进行膨胀去除微小的噪点,在纤细处分离两株黏连的水稻植株,表示为:其中, 为腐蚀函数, 为膨胀函数;
计算水稻的连通域,包括:对所有求得的连通域求取面积,对面积的结果进行筛选,对一部分小面积连通域用0像素填充,按开运算公式对图像进行形态学处理去除微小噪点,利用findContours函数获得连通域,当连通域面积contours_area<=25时,则进行第二次去除小面积连通域处理。
9.如权利要求8所述的基于CECI算法的水稻植株深度学习计数数据集的创建方法,其特征在于,连通域的重心坐标,包括:利用外接矩形标示出包覆各连通域的最小外接正矩形,计算各连通域重心横纵坐标,将各点重心坐标记录并保存;
所述各连通域重心横纵坐标,表示为:
其中, 均为空间矩, 、
分别为连通域重心横坐标和纵坐标, 为区域面积。
10.如权利要求9所述的基于CECI算法的水稻植株深度学习计数数据集的创建方法,其特征在于,对计算机自动标注生成的图片进行修正,创建数据集生成基准密度图,包括:当存在个别未能识别的水稻植株或一株水稻植株上存在多个标注点的情况是,则自动标注生成的图片进行修正,将一株水稻上多标注的重心点删去,在遗漏未标的水稻植株上重新添加重心点,创建数据集得到基准密度图;
所述基准密度图,表示为:
其中, 为点坐标, 为自适应数值,利用KD树的搜索算法计算每株水稻重心点的k近邻,取k为3,计算重心点与k近邻的欧式距离的平均值,平均值即为当前水稻重心点对应的 值。