基于K-means聚类和椭圆拟合方法的白粉虱计数算法.pdf

第 30 卷 第 1 期 农 业 工 程 学 报 Vol 30 No 1 2014 年 1月 Transactions of the Chinese Society of Agricultural Engineering Jan 2014 105 基于 K means 聚类和椭圆拟合方法的白粉虱计数算法 王志彬 1 2 王开义 1 2 张水发 1 2 刘忠强 1 2 穆翠霞 3 1 北京农业信息技术研究中心 北京 100097 2 国家农业信息化工程技术研究中心 北京 100097 3 中华女子学院计算机系 北京 100101 摘 要 为了能够对害虫的准确计数 该文以白粉虱为例 提出了一种基于 K means 聚类和椭圆拟合方法的白粉 虱计数算法 该方法首先利用 K means 聚类算法对白粉虱图像进行分割 使白粉虱从背景图像中分离 然后利用 基于最小二乘法的椭圆拟合方法对分割结果进行椭圆拟合 统计椭圆的个数 提取椭圆中心点的颜色特征值 将 其作为新的分类中心 重新对白粉虱图像进行分割和椭圆个数的统计 最后将算法收敛时的椭圆个数作为当前白 粉虱的个数 对辣椒 黄瓜 番茄和茄子 4 种作物叶片上附着的白粉虱进行了计数试验 该算法在这 4 种作物上 的平均计数错误率依次为 2 80 8 51 5 00 1 56 并且分别比阈值化方法和 K means 聚类方法的平均计 数错误率降低了 11 65 和 70 18 试验结果表明 所提方法能够实现对不同作物上白粉虱的准确计数 且算法 具有很好的泛化性 该研究结果可为虫害的检测以及采取正确的防治措施提供重要依据 关键词 机器视觉 虫害控制 算法 自动计数 K means 聚类 椭圆拟合 白粉虱 doi 10 3969 j issn 1002 6819 2014 01 014 中图分类号 S652 文献标志码 A 文章编号 1002 6819 2014 01 0105 08 王志彬 王开义 张水发 等 基于 K means 聚类和椭圆拟合方法的白粉虱计数算法 J 农业工程学报 2014 30 1 105 112 Wang Zhibin Wang Kaiyi Zhang Shuifa et al Whiteflies counting with K means clustering and ellipse fitting J Transactions of the Chinese Society of Agricultural Engineering Transactions of the CSAE 2014 30 1 105 112 in Chinese with English abstract 0 引 言 虫害是导致农作物减产的一个重要因素 及时 地发现和控制虫害 对确保农作物的产量和质量具 有十分重要的作用 1 2 其中 对作物叶片上害虫的 准确计数是检测虫害信息以及采取正确防治措施 的一个重要依据 目前 常用的计数方法主要分为 人工计数法和基于机器视觉的计数方法 2 大类 3 5 基于机器视觉的计数方法主要利用图像处理 模式识别等技术对农作物虫害图像进行自动分析 有效地识别出害虫的种类及数量 该方法具有速度 快 精度高 客观性强等特点 克服了人工计数方 法中的劳动量大 效率低 计数结果不准确等缺点 成为了农作物病虫害防治领域的研究热点 6 10 沈佐 锐等用了基于熵的分割算法对白粉虱图像进行分 割 然后对分割后的二值图像利用区域标记算法得 收稿日期 2013 07 30 修订日期 2013 11 18 基金项目 农业部公益性行业科研专项项目 201203026 作者简介 王志彬 1983 男 博士 主要从事农作物病虫害方面 的研究 北京 北京农业信息技术研究中心 100097 Email wangzb 通信作者 王开义 1974 男 博士 副研究员 主要从事农产 品流通信息化方面的研究 北京 北京农业信息技术研究中心 100097 Email wangky 到白粉虱的数量 11 翁桂荣则利用数学形态学及分水 岭分割算法实现对飞行状态的蝗虫种群密度监测 12 邱白晶等通过建立 G 分量阈值来区分黄瓜蚜虫区域 和非蚜虫区域 然后将图像中连通域的个数标记为 蚜虫的个数 13 Boissard 等利用认知视觉技术实现对 玫瑰叶片上白粉虱的计数 14 Bechar 等首先对虫害 图像进行 RGB 灰度的线性变换 然后对虫害区域 进行建模 从而实现了对害虫的识别与计数 15 Shariff 等则通过模糊逻辑数字图像处理算法实现了 对稻田病虫害图像的识别和个数的统计 16 在上述方法中 主要采用了图像分割技术 17 19 将目标图像从背景图像中分割出来 然后再进行个 数的统计 但是该技术主要存在以下问题 1 如何 确定图像分割阈值 在图像分割时往往采用固定阈 值或者固定参数 这使得算法在对虫害图像分割时 效果不理想 2 大多数计数算法主要针对一种作物 进行学习和试验 当算法应用于其他作物时 算法 的移植性差 计数精度不高 因此 如何提高计数 算法的鲁棒性和准确性 是基于机器视觉的计数方 法的一个重要研究方向 白粉虱 Trialeurodes vaporariorum Westwood 又称小白蛾子 是温室 大棚内种植作物的主要虫 害之一 11 该虫以群集在作物叶背面吸取汁液 使 农业工程学报 2014 年 106 受害叶片褪绿变黄 萎缩 甚至枯死 同时还能导 致煤污病的发生 严重影响了种植作物的产量和质 量 本文以白粉虱为对象 提出了一种基于 K means 聚类和椭圆拟合方法的白粉虱计数算法 以期为实 现田间农作物病虫个数的在线计数提供新的技术 和方法 1 材料与方法 1 1 白粉虱图像 在大田开放环境下 本文采集了北京市小汤山 国家精准农业研究示范基地中的辣椒 黄瓜 番茄 和茄子 4 种作物叶片上附着的白粉虱 包括烟白粉 虱和温室白粉虱 图像 本文采用了人工手持数码相机拍摄的方式进行 白粉虱图像的采集 所用数码相机为 SONYDSC W35 分辨率为 2 048 1 536 拍摄图像时 相机设置为 自动调节焦距和光圈 自动白平衡 关闭闪光灯 采 取遮阴 避免阳光直接照射 和避开刮风 降雨天气 拍摄病虫图像 为获取清晰的病虫图像 消除运动模 糊的干扰 拍摄时将植株固定 减少抖动 所采集的 部分白粉虱图像如图 1 所示 a 辣椒 a Pepper b 黄瓜 b Cucumber 图 1 辣椒和黄瓜叶片上的白粉虱图像 Fig 1 Images of pepper and cucumber leaves with whitefly 从图 1 可以看出 所采集的白粉虱图像具有以 下 2 个显著特点 1 白粉虱大小不一 且存在严重 的粘连 白粉虱在不同生长期内 其大小 颜色 形状均存在一定程度上的差异 且白粉虱虫体较小 粘连现象严重 2 采集的作物 时间以及地点不同 白粉虱的背景图像不同 在农田环境下 由于光照 条件 背景和叶片的不确定性 使得算法应用背景 变得更加复杂 多变 上述白粉虱图像的特点为准 确地分割 统计白粉虱的数量增加了难度 1 2 研究方法 1 2 1 K means 聚类算法 聚类是无监督学习的一种重要形式 其主要任 务是将数据对象分为多个类或簇 同一簇内的数据 对象相似度尽可能大 而不同簇间的数据对象相似 度尽可能小 20 其中 K means 聚类是解决聚类问 题的一种经典算法 使用广泛 21 23 该算法具体如 下 1 随机从数据集中选取 K 个点作为初始聚类 中心 2 计算各数据到聚类中心的距离 把数据 归到离它最近聚类中心所在的类 3 计算新形成 的每一个聚类数据的平均值 得到新的聚类中心 4 若相邻 2 次的聚类中心没有任何变化 说明样 本调整结束 聚类准则函数已经收敛 由于图像分割可以看成聚类问题 即图像中像 素点类别未知的前提下 根据像素点的特征值 将 图像划分为若干个区域 因此 本文利用 K means 聚类算法实现对白粉虱图像的分割 即将其分为 2 大类 白粉虱和背景 1 2 2 基于最小二乘法的椭圆拟合 经图像分割后的白粉虱在外形上类似椭圆 因 此本文采用椭圆拟合的方法实现对其个数的统计 在笛卡尔坐标系下 任意位置上的一个椭圆可用 5 个参数来确定 由该参数确定的椭圆方程描述为 24 22 10Ax Bxy Cy Dx Ey 1 式中 各项的系数 A B C D E 可采用最小二 乘法来进行拟合 即通过计算二值图像中边缘点到 理想拟合椭圆的距离平方和最小 25 按照最小二乘 法原理将式 1 转换为如下目标函数 22 2 1 1 N iiii ii i FABCDE Ax Bx y Cy Dx Ey 2 式中 N 为二值图像中边缘点的总个数 x i y i 为待拟合椭圆边缘点的坐标 按照极值原理 若要使 F 值最小 则可通过对 各参数求偏导数 如式 3 所示 0 FFFFF ABCDE 3 由此 得到椭圆拟合的一个线性方程组 然后 第 1 期 王志彬等 基于 K means 聚类和椭圆拟合方法的白粉虱计数算法 107 对该方程组采用矩阵求逆或高斯列主元消去等方 法即可得到椭圆方程的 5 个参数 A B C D E 根据上述椭圆参数 可求解出平面坐标系中椭 圆中心的位置 x c y c 长半轴 a 和短半轴 b 计 算公式如下 22 44 cc BE CD BD AE xy ACB ACB 4 22 2 2 F a AC AC B F 5 22 2 2 F b AC AC B F 6 根据式 4 式 5 式 6 即可实现对 椭圆的拟合 并根据椭圆长半轴和短半轴的大小筛 选出符合要求的椭圆 实现白粉虱个数的准确统计 1 2 3 白粉虱计数方法 本文将 K means 聚类算法与椭圆拟合方法进行 结合 提出了一种白粉虱计数方法 该方法首先采 用 K means 聚类算法对白粉虱图像进行分割 然后 利用最小二乘法的椭圆拟合方法对分割结果进行 椭圆拟合 并对椭圆的个数进行统计 以此作为白 粉虱的个数 该算法具体如下 1 设定白粉虱颜 色特征值和背景图像的颜色特征值为 2 个分类中 心 2 对待计数图像分块 利用中间块图像更新 白粉虱颜色特征值 3 计算各像素到 2 个分类中 心的距离 将像素归到距离最小的那个聚类中心所 在的类 4 对图像分割结果进行椭圆拟合 5 根 据椭圆的长 短半轴 对椭圆进行筛选和个数的统 计 6 若相邻 2 次的椭圆个数没有变化 则将椭 圆个数作为白粉虱的个数输出 否则 更新分类中 心 重新分割和计数 与 K mean 聚类算法相比 本文所提出的白粉 虱计数算法主要做了以下 3 点改进 1 初始分类中心的选择 初始分类中心的选择对于实现白粉虱图像的 准确分割具有十分重要的作用 若采用固定的分类 中心必然存在算法的适应性问题 为此 本文采用 了图像自学习的方法 利用待计数图像进行初始分 类中心的学习与选择 白粉虱图像的分割可以看成是背景和白粉虱 的分类问题 由于白粉虱与背景图像在颜色上存 在较大的差异 因此可以选择颜色特征作为分类 的特征值 在背景颜色特征值计算方面 可以利 用图像中的 R G B 各颜色分量的平均值作为背 景图像的颜色特征或分类中心 由于白粉虱个体 小 在图像中占的比例较低 对背景颜色特征的 计算影响较小 利用该方法求取背景的颜色特征 具有较高的稳定性 且对于不同植物都具有很好 的效果 在白粉虱特征值计算方面 由于白粉虱在不同 背景下 不同生长期内的颜色不同 且同一副图像 中的白粉虱颜色也略有差异 为了准确地计算出白 粉虱的颜色特征 本文设计了一种白粉虱颜色特征 值的计算方法 首先根据白粉虱虫体的特点人为设 定白粉虱的初始颜色特征值 然后对待计数图像进 行分块 选择中间块图像进行分割 椭圆拟合 在 此基础上 计算各椭圆中心点处颜色特征值的平均 值 并将该值作为新的白粉虱分类中心 其中 对 图像进行分块 可以避免整幅图像中白粉虱颜色的 变化 利用中间块图像进行白粉虱颜色特征值的更 新 可以提高算法的适应性 实现在不同作物上进 行白粉虱的计数 2 椭圆拟合与白粉虱计数 形状是白粉虱虫体的一个重要视觉特征 在对 图像进行分割后 通过基于最小二乘法的椭圆拟合 方法即可实现对白粉虱虫体的椭圆拟合以及准确 计数 椭圆拟合结果如图 2 所示 注 椭圆是所提算法的拟合结果 圆点是拟合的椭圆中心点 Note Ellipse is the fitted result of the proposed method and circle dot is the center of ellipse 图 2 白粉虱椭圆拟合结果 Fig 2 Ellipse fitting results of whitefly 根据图 2 中白粉虱椭圆拟合的结果 经式 4 式 5 式 6 即可求出拟合的椭圆中心点 长半轴 短半轴以及椭圆的面积 由此可计算出图 像中白粉虱的大小 并筛选出符合要求的椭圆 去 除噪声点的干扰 实现白粉虱的准确计数 但是 当图像中白粉虱存在粘连现象时 会使椭圆的面积 大小不一 这样同一个椭圆所代表的白粉虱个数也 就不同 为此 本文设计了一种简单的计数方法 首先根据中间块图像中白粉虱面积的平均值 去除 当前图像中面积过大和过小的椭圆 然后统计剩余 农业工程学报 2014 年 108 椭圆的平均面积 当拟合的椭圆面积大于该平均面 积的 1 5 倍时 则将其计数为 2 个白粉虱 否则计 为 1 个白粉虱 利用该方法能够间接处理粘连问题 提高计数结果的准确度 3 算法收敛与分类中心更新 准确的图像分割结果是保证白粉虱计数结果 精确的基础 为此 本文利用拟合的椭圆个数来衡 量当前图像分割结果的准确性 即 若相邻 2 次的 椭圆个数没有变化 则说明当前图像分割效果最 好 算法已收敛 此时收敛的椭圆个数即为图像中 最准确的白粉虱个数 否则 说明分割结果不理想 需要更新分类中心 在更新白粉虱分类中心时 由于椭圆的中心往 往就是白粉虱的中心 如图 2 所示 其颜色特征 值具有代表性 为此 可提取图像中的多个椭圆中 心 并求取均值作为图像白粉虱新的颜色特征值 重新对图像进行分类和个数的统计 2 结果与分析 2 1 图像处理 在试验中 为便于对图像进行处理 本文利用 双线性插值方法将采集的白粉虱图像缩放为 1300 1000 并分为 55 25 块的子图像 其中 所采集的白粉虱图像中间区域干扰因素较少 本文 利用中间块图像进行算法的学习 如第 8 13 18 块 以获得图像中白粉虱的颜色 形状 大小等信 息 在实际应用中 可根据采集图像的大小 选择 合适的分块份数 分块结果如图 3 所示 图 3 白粉虱图像分块结果 Fig 3 Partition results of whitefly image 2 2 图像分割与椭圆拟合 按照本文算法 对采集的白粉虱图像进行了分 割 椭圆拟合 其中以图 3 中第 7 块图 4a 为例对 试验结果进行说明 试验结果如图 4 所示 a 白粉虱原始图像 a Original whitefly image b 初步分割结果 b Preliminary segmentation result c 初步椭圆拟合结果 c Preliminary ellipse fitting result d 最终图像分割结果 d Finial segmentation result e 最终椭圆拟合结果 e Finial ellipse fitting result 图 4 辣椒白粉虱图像分割与椭圆拟合结果 Fig 4 Segmentation and ellipse fitting results of pepper whitefly image 对图 4a 进行分割后的初步试验结果为图 4b 从图 4b 可以看出 图像的分割效果明显 但存在 部分粘连和噪声点 如叶片脉络 造成该问题的 一个重要原因为白粉虱颜色特征值计算的不准确 即中间块和边缘块图像之间白粉虱颜色存在差异 对图 4b 的分割结果进行椭圆拟合 拟合结果为图 4c 从 图 4c 可以看出 粘连部分和噪声点没有实现 椭圆的拟合 其原因为利用中间块图像学习时 可 以获得图像中白粉虱的大小 面积等信息 从而筛 选出合适的椭圆 但由于粘连部分拟合椭圆过大 而噪声点部分拟合的椭圆过小 不符合图像中白粉 虱的大小 从而均被排除 为提高图像分割质量和 椭圆拟合的准确度 本文利用当前图像的拟合结果 进行学习 更新白粉虱的分类中心 如图 4c 所示 本文提取了椭圆中心点处的颜色特征值 并取其均 值作为新的白粉虱分类中心 按照该分类中心进行 分割和椭圆拟合的结果如图 4d 和 4e 所示 从图 4d 可以看出 分割效果比图 4b 更明显 去除了粘连和 噪声点 在此基础上 实现了更好的椭圆拟合结果 如图 4e 所示 但是 在图 4e 中图像边缘处的部分白 第 1 期 王志彬等 基于 K means 聚类和椭圆拟合方法的白粉虱计数算法 109 粉虱图像未能实现拟合 其原因为本文所提出的计数 算法是建立在对整幅图像分块处理的基础之上 这就 不可避免的造成对图像边缘处白粉虱完整性的破坏 从而影响了椭圆拟合的精度 对各分块图像的椭圆拟合结果进行整合 则图 像最终拟合结果如图 5 所示 2 3 白粉虱计数结果 为验证所提算法的有效性 本文对采集的辣 椒 黄瓜 番茄和茄子 4 种作物叶片上附着的白粉 虱 包括烟白粉虱和温室白粉虱 进行了计数试验 重点以辣椒和黄瓜 2 种作物为主 并将所提算法与 常用的图像分割方法如阈值化方法 K means 聚类 算法进行了对比 在试验中 本文分别利用阈值化方法和 K means 聚类算法对白粉虱图像进行分割 然后直接对分割结 果中的连通区域进行计数 以此作为图像中白粉虱的 个数 其中 阈值化方法中的分割阈值则采用了该算 法在辣椒作物上的最优分割阈值 T 200 K means 聚类算法的初始分类中心的背景分类中心采用了图 像中 R G B 各颜色分量的平均值 白粉虱分类中 心则根据虫体的颜色特征选择固定值 R 209 G 220 B 205 算法计数错误率的计算方法如式 7 所示 计数试验结果如表 1 所示 11 nn ii i ii error rate d t t 7 式中 d i 为算法识别的白粉虱个数 t i 为人工计数 的白粉虱个数 a 辣椒 a Pepper b 黄瓜 b Cucumber 图 5 辣椒和黄瓜叶片上的白粉虱椭圆拟合结果 Fig 5 Ellipse fitting results of whitefly on pepper and cucumber leaves 表 1 本文算法与阈值化方法 K means 聚类算法的计数精度比较 Table1 Comparison of counting precision of proposed method respectively with that of thresholding algorithm and K means clustering algorithm 自动计数方法 Automatic counting methods 阈值化方法 Thresholding method K means 聚类方法 K means clustering method 本文方法 Proposed method 类别 Category 人工计数 Manual counting 识别数 Correct number 错误率 Error rate 识别数 Correct number 错误率 Error rate 识别数 Correct number 错误率 Error rate 辣椒 Pepper 130 85 34 62 76 41 54 128 1 54 辣椒 Pepper 105 100 4 76 128 21 90 102 2 86 辣椒 Pepper 125 123 1 60 89 28 80 120 4 00 茄子 Eggplant 64 54 15 63 32 50 00 63 1 56 番茄 Tomato 140 137 2 14 213 52 14 133 5 00 黄瓜 Cucumber 115 75 34 78 301 161 74 102 11 30 黄瓜 Cucumber 70 84 20 00 187 167 14 66 5 71 均值 Average 16 22 74 75 4 57 从表 1 可以看出 本文算法在辣椒 黄瓜 番 茄和茄子 4 种作物上的计数错误率分别为 在辣椒 作物上 错误率分别为 1 54 2 86 和 4 00 平 均错误率为 2 80 在茄子上 错误率为 1 56 在番茄上 错误率为 5 00 在黄瓜上 错误率分 别为 11 30 和 5 71 平均错误率为 8 51 该算 法在 4 种作物上均具有较高的白粉虱计数精度 但 是在不同作物上 计数结果具有一定的差异性 在 辣椒作物上计数精度较高 而在黄瓜作物上的计数 精度略低 主要原因为白粉虱附着在作物的叶片 农业工程学报 2014 年 110 上 作物的种类不同 叶片特征不同 对于辣椒作 物而言 叶片光滑而无太多的纹理 白粉虱附着在 叶片上 清晰 干扰因素少 从而容易分割和计数 对于黄瓜作物而言 叶片大而薄 具有刺毛和气孔 白粉虱附着在叶片上时 会被刺毛覆盖 增加了白 粉虱分割的难度 从而造成了计数结果的不准确 此外 不同作物上 白粉虱所处的生长期不同 如 幼虫和成虫 也会造成计数结果的差异 本文方法分别比阈值化方法和 K means 聚类方 法的平均计数错误率降低了 11 65 和 70 18 对 于阈值化方法 由于算法的分割阈值采用了该算法 在辣椒作物上的最优分割阈值 这就使得算法在辣 椒作物部分图像上具有较好的分割和计数效果 而 对于其他作物则图像分割和计数结果较不理想 说 明了算法的泛化能力差 对于 K means 聚类算法 由于白粉虱个体小 在图像中占的比例较低 构成 了不平衡数据的分类问题 若直接采用 K means 聚 类算法对其进行分类 难以实现对白粉虱和背景图 像的准确分类 图像分割效果差 此外 上述 2 种 分割方法直接对分割结果中的连通区域进行计数 难以正确区分白粉虱虫体区域和非虫体区域 严重 影响了算法的计数精度 然而 本文所提出的计数算法则弥补了上述缺 陷 该算法能够自适应的学习图像中白粉虱和背景 图像的特征 避免了算法固定阈值或者固定参数的 设定 增强了算法的适应性 且通过对分割结果进 行椭圆拟合 并将收敛的椭圆个数作为白粉虱的个 数 不但确保了图像分割的效果 而且能够正确的 区分白粉虱虫体区域和非虫体区域 确保了计数结 果的准确性 3 讨论 在农田环境下 由于光照条件 背景和叶片的 不确定性 使得基于机器视觉的计数方法还停留在 实验室阶段 未能实现对田间农作物病虫个数的在 线计数 因此 如何提高计数算法的鲁棒性和准确 性 是该类方法的一个重要研究方向 已有的研究 成果 如文献 13 通过 G 分量阈值来区分黄瓜蚜虫 区域和非蚜虫区域 然后将图像中连通域的个数标 记为蚜虫的个数 实现了对黄瓜蚜虫的准确计数 但是该方法在对农作物图像进行分割时 采用 G 分 量阈值 这使得算法受应用环境影响较大 未能实 现不同作物上蚜虫的计数 而文献 5 则采用了监督 学习算法 SVM support vector machine 实现了对 水稻灯诱虫的准确识别与计数 但是该类方法主要 是针对一种作物进行学习和试验 当算法应用于其 他作物时 需要重新采集数据样本进行学习 算法 的移植性差 而本文所提出的白粉虱计数方法 是一种无监 督学习算法 该方法具有以下 2 个特点 1 主动学习性 该方法能够自适应的学习待 计数图像中白粉虱和背景图像的特征 避免了算法 固定阈值或者固定参数的设定 且无需建立样本数 据库 增强了算法的适应性 实现了对不同作物上 白粉虱的计数 2 椭圆拟合 对白粉虱图像的分割结果进行椭 圆拟合 并将收敛的椭圆个数作为白粉虱的个数 不 但确保了图像分割的效果 而且能够正确的区分分割 结果中的白粉虱虫体区域和非虫体区域 从而避免了 噪声的干扰 进一步提高了计数结果的准确性 由于本文所提出的计数方法是一种基于 K mean 聚类的算法 这就不可避免的存在聚类中心 的选择问题 26 28 虽然本文利用了中间块图像的颜 色特征值作为聚类中心 但是对整幅图像分块后 不可避免的造成对图像边缘处白粉虱完整性的破 坏 从而影响了算法的计数精度 此外 如何利用 图像的多特征 29 30 来提高算法的计数精度 也将是 本文算法改进的方向 4 结 论 本文提出了一种基于 K means 聚类和椭圆拟合 方法的白粉虱计数算法 在辣椒 黄瓜 番茄和茄子 4 种作物上进行了白粉虱计数试验 试验结果表明 1 所提方法在辣椒 黄瓜 番茄和茄子 4 种 作物上均具有较高的白粉虱计数精度 平均计数错 误率为 4 57 比阈值化方法和 K means 聚类方法 分别降低了 11 65 和 70 18 2 所提方法能够自适应的学习待计数图像中 白粉虱的颜色 形状 大小等信息 从而有利于算 法在不同作物上实现白粉虱图像的分割和计数 提 高了算法的适应性和泛化性 3 所提方法能够充分利用白粉虱的颜色和形 状 2 个重要视觉特征 通过图像分割和椭圆拟合的 方式实现了两者的融合 进一步提高了白粉虱计数 结果的准确性 如何选择聚类中心以及利用图像的多特征来 提高算法的计数精度 将是本文算法改进的 2 个重 要方面 此外 图像中白粉虱的粘连也是造成计数 结果不准确的一个重要原因 改进算法有待进一步 的研究 参 考 文 献 1 周志艳 罗锡文 张杨 等 农作物虫害的机器检测与监 测技术研究进展 J 昆虫学报 2010 53 1 98 109 Zhou Zhiyan Luo Xiwen Zhang Yang et al Machine 第 1 期 王志彬等 基于 K means 聚类和椭圆拟合方法的白粉虱计数算法 111 based technologies for detecting and monitoring insect pests of crops A review J Acta Entomologica Sinica 2010 53 1 98 109 in Chinese with English abstract 2 Huddar S R Gowri S Keerthana K et al Novel algorithm for segmentation and automatic identification of pests on plants using image processing C Third International Conference on Computing Communication 2 China National Engineering Research Center for Information Technology in Agriculture Beijing 100097 China 3 Department of Computer Science China Women s University Beijing 100101 China Abstract Insect pests are one of the important factors leading to crop loss Accurate insect counts provide an important basis for pest detection and for proper preventive measures to be taken At present the common counting methods are mainly based on computer vision but this type of technology primarily has the following problems 1 how to determine the threshold of image segmentation The effects of the algorithms are unsatisfactory as their thresholds or parameters are fixed when they are used to segment insect images 2 Most counting algorithms are mainly aimed at one certain crop for learning and testing If applied to other crops their portability is poor and the counting results are inaccurate Therefore how to improve the generalization and accuracy of counting algorithm is an important direction for research on a counting method based on machine vision To solve the above problems a novel counting algorithm for whiteflies based on k means clustering and ellipse fitting method was proposed in this paper It combined k means clustering algorithm with ellipse fitting and automatically learned the features of whiteflies and background to segment and count whitefly images accurately First whitefly image were segmented by a k means clustering algorithm to separate the whiteflies from the background and then the segmentation results were fitted using an ellipse fitting based on least square method and adding up the ellipse number The color features of the ellipse centers were extracted as new centers of classes The segmentation and counting was iterated until the difference between two continuous counts met the needs of the algorithm and the convergence ellipse count was output as the number of whiteflies Moreover to improve the adaptability of the algorithm to count whiteflies on various crops the whitefly images to be counted were parted into blocks and the center block was used to learn the features of whiteflies such as color size and area The learned result was set as the initial value of the algorithm Thus the accuracy and generalization of the algorithm was improved To verify the effectiveness of the proposed algorithm the counting experiment was performed on whitefly images of cayenne peppers cucumbers tomatoes and eggplants respectively These images were captured in the open environment from Xiao Tang Shan field research and a demonstration base of national precision agriculture in Beijing The experimental results compared to that of the threshold method and the K means clustering method showed that 1 The count results of the proposed method had a high accuracy in cayenne peppers cucumbers tomatoes and eggplants The error rates of the pepper were 1 54 2 86 and 4 00 eggplant 1 56 tomato 5 00 cucumber 11 30 and 5 71 2 The proposed method had better image segmentation results and higher count accuracy compared to the threshold method and the K means clustering method Moreover the counting error rate was decreased by 12 46 and 70 18 respectively 3 The adaptive method learns the features of whiteflies such as color sharpness and size in the image to be counted which is propitious for the accurate segmentation and counting of whitefly images 4 The method makes the most of two important visual features of whiteflies color and shape and combines them by image segmentation and ellipse fitting to further increase the accuracy of the count results Key words computer vision pest control algorithms automatic counting K means clustering ellipse fitting whitefly 责任编辑 张俊芳