本發明特別涉及一種基于K均值聚類和寬度突變算法的田間麥穗計數方法，包括如下步驟：S1、采集麥穗原始圖像并對原始圖像進行預處理；S2、對預處理后的圖像依次進行圖像變換、K均值聚類、形態學處理后得到麥穗粗分割圖；S3、選擇隨機森林分類器，用滑窗法對訓練集圖片滑窗取樣，進一步對麥穗粗分割圖進行細分割；S4、根據每個連通域中的麥穗區域寬度突變情況統計麥穗數量。通過預處理將原始圖像轉換成統一格式的圖像以方便后續處理，通過K均值聚類可以將圖像中連通域挑選出來，通過隨機森林分類器，可以將其中的麥穗部分篩選出來，最后根據寬度突變情況來對麥穗進行計數，這樣就能較為準確的計算出麥穗的數量，即使麥穗之間有遮擋，依然不會影響到麥穗的計數。

技術領域

本發明涉及計算機視覺和深度學習技術領域，特別涉及一種基于K均值聚類和寬度突變算法的田間麥穗計數方法。

背景技術

小麥作為全球主要的糧食作物之一，可為人們提供人體一些必須的營養元素，它的充足供應對保障全球的糧食安全至關重要。麥穗計數是預測小麥產量的一種重要手段，對小麥新品種培育、病損災害評估和優質生產具有重要的意義。小麥赤霉病是一種常見的小麥病害，主要由禾谷鐮刀菌引起的，發病后可以引起整株麥穗籽粒變質，是造成小麥減產的一個重要因素之一，且該病害在全球分布廣泛。更為重要的是，禾谷鐮刀菌產生的毒素脫氧雪腐烯醇(DON)對人畜危害極大，甚至會引起中毒。因此，對小麥赤霉病的無損監測研究意義重大。

對于小麥的無損監測技術有很多種，最常見的就是通過拍攝田間麥穗照片，然后對麥穗照片進行復雜的圖像處理，由于麥田中一大片麥穗的圖像中，常出現麥穗重疊現象，使得在處理時，常常將多個麥穗識別為一個，或者有些被遮擋了的麥穗都識別不出來，只能大概的對麥穗的面積進行粗略估計，這樣，對于麥穗產量估計時就會有很大誤差。

發明內容

本發明的目的在于提供一種基于K均值聚類和寬度突變算法的田間麥穗計數方法，能夠準確的實現麥穗計數。

為實現以上目的，本發明采用的技術方案為：一種基于K均值聚類和寬度突變算法的田間麥穗計數方法，包括如下步驟：S1、采集麥穗原始圖像并對原始圖像進行預處理；S2、對預處理后的圖像依次進行圖像變換、K均值聚類、形態學處理后得到麥穗粗分割圖；S3、選擇隨機森林分類器，用滑窗法對訓練集圖片滑窗取樣，進一步對麥穗粗分割圖進行細分割；S4、根據每個連通域中的麥穗區域寬度突變情況統計麥穗數量。

與現有技術相比，本發明存在以下技術效果：由于常規采集到的麥穗原始圖像大小不一、麥穗區域不一定居中，所以可以通過預處理將原始圖像轉換成統一格式的圖像以方便后續處理，再通過K均值聚類，可以將圖像中連通域挑選出來，每個連通域對應的是一個連續的區域，一般為麥穗、葉片、莖稈、地面等，通過隨機森林分類器，可以將其中的麥穗部分挑選出來，最后，根據寬度突變情況來對麥穗進行計數，這樣就能較為準確的計算出麥穗的數量，即使麥穗之間有遮擋，依然不會影響到麥穗的計數。

附圖說明

圖1是本發明的流程示意圖；

圖2是黑布背景下田間小麥群體圖像；

圖3是基于K均值聚類的麥穗粗分割算法流程圖；

圖4是圖2經過圖像變換后的結果圖；

圖5是圖4經過麥穗粗分割后的結果圖；

圖6是圖5經過二級細分割后的結果圖；

圖7是圖6中左圖的三級細分割結果圖(左)和麥穗病斑分割圖(右)；

圖8是顏色特征提取流程圖。

具體實施方式

下面結合圖1至圖8，對本發明做進一步詳細敘述。