[发明专利]基于FCM算法的自适应土壤图像阴影检测方法

权利要求书

1.一种基于FCM算法的自适应土壤图像阴影检测方法，其特征在于：包括如下步骤：

S1.确定土壤图像的I分量和L分量的聚类中心，其中，L分量为LAB颜色空间的亮度分量，I分量为HIS颜色空间的强度分量；

S2.构建改进FCM算法优化模型：

其中，u_ij表示图像数据点x_j隶属于聚类中心v_i的隶属度，v_i表示第i类的聚类中心；m为模糊加权数，F_i表示第i类的吸引权重，||x_j-v_i||表示图像数据点x_j与聚类中心v_i的欧式距离；

S3.采用拉格朗日乘子法将改进FCM算法优化模型转换为：

其中，λ_j拉格朗日乘子；

S4.步骤S3中的转换后的优化模型分别对u_ij，v_i和λ_j求偏导并令偏导等于零，解出u_ij和v_i：

其中，c为聚类数；

S5.根据步骤S4得出的隶属度u_ij以及聚类中心v_i构建隶属度矩阵U和聚类中心矩阵V，并构建吸引权重矩阵F，其中，F＝{F₁,F₂,…,F_i,…,F_c}；

S6.初始化聚类中心矩阵V、L分量图像和I分量图像；

更新隶属度矩阵U、聚类中心矩阵V以及吸引权重矩阵F，直至各聚类中心的变化值小于设定阈值δ或者达到最大迭代次数T；

S7.找出聚类中心值最小的聚类中心，该聚类中心为土壤图像的阴影的聚类中心v_shadow，并提取出隶属于聚类中心为v_shadow的数据点，即为土壤图像的阴影数据点。

2.根据权利要求1所述基于FCM算法的自适应土壤图像阴影检测方法，其特征在于：步骤S1中，根据如下方法确定土壤图像的I分量和L分量的聚类中心：

S11.统计土壤图像的L分量和I分量的直方图：

s.t.f＝{L,I}

其中，M和N分别表示图像image的高和宽；image_f(i,j)表示图像在f分量下坐标点为(i,j)的灰度值；hist_f(k)表示图像在f分量下灰度值为k的频数；

S12.确定土壤图像的L分量和I分量的直方图峰值集合：

S_peaks^(f)＝{k|hist_f(k)hist_f(k-1),hist_f(k)hist_f(k+1)}；

分别将土壤图像的L分量和I分量的峰值集合中的元素从小到大进行排列，将土壤图像的L分量和I分量的峰值集合长度较短的峰值集合赋值为S₁，将土壤图像的L分量和I分量的峰值集合长度较长的峰值集合赋值为S₂，其中，hist_f(k-1)为图像在f分量下灰度值为k-1的频数，hist_f(k+1)为图像在f分量下灰度值为k+1的频数；

S13.构建峰值集合截断对齐模型：

s.t.1≤a≤len(S₂)-len(S₁)+1,a∈N^*；其中，len(.)为集合长度，S₁(a)为S₁的第a个元素，S₁(b)为S₁的第b个元素，S₂(a+b)为S₂的第a+b个元素，λ为比例系数；

截取S₂的a^*到a^*+len(S₁)-1元素，将S₁、S₂对应赋值回L和I分量峰值集合S_peaks^(L)和S_peaks^(I)；

S14.对步骤S13中的峰值集合S_peaks^(L)和S_peaks^(I)中的灰度点以及灰度点在原分量直方图中的频数进行提取，然后组成新的L分量子直方图和I分量子直方图，对新的子直方图进行高斯平滑处理并进行迭代计算，直到新的子直方图剩余两个峰值点{L₁,L₂}和{I₁,I₂}为止，将点集V＝{(L₁,I₁),(L₂,I₂)}作为聚类中心。