(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210360615.X (22)申请日 2022.04.07 (71)申请人 安徽农业大 学 地址 230000 安徽省合肥市长江西路13 0号 (72)发明人 毕家泽　陈祎琼　张平哲　董梦龙　 庄永志　 (74)专利代理 机构 合肥中谷知识产权代理事务 所(普通合伙) 34146 专利代理师 袁锦波 (51)Int.Cl. G06T 7/10(2017.01) G06K 9/62(2022.01) G06V 10/762(2022.01) G06V 10/74(2022.01) (54)发明名称 一种植物图像分割的改进的核密度峰值聚 类方法 (57)摘要 本发明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 ‑Means聚类算法与DPC 聚类算法在农业图像分割上的不足。 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， 本发明的算法具有较好的聚 类效果。 权利要求书1页 说明书7页 附图5页 CN 114782456 A 2022.07.22 CN 114782456 A 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Cn在样本空间Ω中相似度最大的对象为Xi； 其 次， 对象Xi为核心在样本空间Ω中重复Cn的查找方式， 搜索未被分配类别的样本Xj(i≠j)； 最后， 以样本Xj替换对象Xi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Cn的簇中， 并记录样本空间Ω的第k次查找点的相似值Sk与相似平均差 Di， 其中， 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。 4.根据权利要求3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， 所述临时边界点的定义为:如果相似平均差Di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: 则这第i个点称为临时边界点。 5.根据权利要求4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， 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： Sk＝Nij＝K(Xi,Xj) 进行降序排列。权　利　要　求　书 1/1 页 2 CN 114782456 A 2一种植物图像分割的改进的核密 度峰值聚类方法 技术领域 [0001]本发明图像处理技术领域， 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。 背景技术 [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DP C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， D PC方法不能取 得满意的聚类结果。 发明内容 [0004]为解决上述技术问题， 本发明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， 本发明的算法具有较好的聚类效果。 [0005]根据本发明得到实施例， 本发明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选择数说　明　书 1/7 页 3 CN 114782456 A 3