[发明专利]基于人工蜂群模糊聚类算法的果树补光和疏果方法

权利要求书

1.一种基于人工蜂群模糊聚类算法的果树补光和疏果方法，其特征在于：包括以下步骤：

S1：对图像进行采集，通过无线设备或蓝牙传输模块将图像和视频传输到图像采集卡或者是图像接收模块中；

S2：采用最大稳定极值区域和分层轮廓分析算法得到光照分布图；

S3：采用改进人工蜂群模糊聚类算法对果实进行分割，并判断其大小；

S4：对果树进行补光和疏果。

2.根据权利要求1所述的基于人工蜂群模糊聚类算法的果树补光和疏果方法，其特征在于：在步骤S2中，所述最大稳定极值区域和分层轮廓分析算法包括以下步骤：

S21：图像RGB分量的获取，得到绿色分量：将彩色图像分成RGB三个分量的图像，分别表示红、绿、蓝三原色的分量图像，每个分量都为256个级，得到红、绿、蓝三种分量的图像后，保留绿色分量；

S22：灰度转换：使用rgb2gray函数将真彩色图像转换成灰度图像；

S23：维纳滤波：采用3×3的滤波窗口进行维纳滤波滤除图像中的高斯噪声；

S24：最大稳定极值区域算法检测感兴趣区域：对于一幅图像，利用递变的阈值对图像进行二值化分割，阈值t取0～255共256个数值，由此得到256幅二值图像；在阈值t由0不断增大或由255不断减小的过程中，有一些连通区域在较大范围阈值内形状保持稳定，这些区域即为最大稳定极值区域；

S25：区域形状分析进行初步筛选：针对每一个最大稳定极值区域轮廓进行椭圆目标拟合，对提取区域结果进行形状分析，初步筛选出具有合适形状特征的最大稳定极值区域；

利用最大稳定极值区域算法提取出P个最大稳定极值区域，其中第i个极值区域拟合出来的椭圆目标E_i参数为

E_i＝{x_i,y_i,a_i,b_i,θ_i},i∈[1,P]

式中(x_i,y_i)为中心坐标，a_i、b_i分别为长轴与短轴长度，θ_i为椭圆长轴倾角；根据该椭圆离心率e_i去除无效椭圆：

式中T₄为离心率阈值；

S26：分层轮廓分析：用分层轮廓分析方法来检测水果表面特有的光照分布模式，得到由中心向外层L_M,L_M-1,L_M-2的3级轮廓线；

S27：霍夫变换圆拟合：针对三级等高线的外轮廓，分别利用圆形霍夫变换进行圆检测；

每个水果目标的每级轮廓线拟合出一个圆，由此拟合出多个近似同心圆，即为水果目标的分层轮廓特征；最终，依据下式对多级轮廓线进行嵌套分析得到最终的目标圆：

其中R_i与R_j分别表示圆C_i与圆C_j的半径,d_ij表示两个圆心的距离；当两个圆的圆心距离足够近时，则认为圆C_i属于圆C_j的一部分，因此只保留圆C_j；最终保留下来的最后一个圆目标唯一对应一个水果；

S28：得出结果。

3.根据权利要求2所述的基于人工蜂群模糊聚类算法的果树补光和疏果方法，其特征在于：在步骤S3中，所述改进人工蜂群模糊聚类算法包括：

S31：读入原始图像，生成图像的H-I颜色模型统计直方图；

S32：种群初始化，输入阈值L、最大循环次数M、模糊隶属度指数m；初始化隶属度矩阵U；设采蜜蜂与跟随蜂数量为S_N，随机产生S_N/2个采蜜蜂的位置作为聚类中心；

S33：由式(1)计算所有食物源的适应度，并设当前迭代次数为C＝1，开始循环；

其中，λ为适应度动态因子；

S34：采蜜蜂根据式(2)做邻域搜索得到新食物源位置V_i，用式(1)计算其新适应度；

V_i＝X_i+ψ_i(X_i-X_k) (2)

式中，k∈{1,2,...,S_N}，且k≠i随机生成，ψ_i为[-1,1]之间的随机数；

S35：利用贪心算法对新旧位置择优，若V_i的适应度大于记忆中的最优值，则X_i＝V_i，否则，X_i不变；

S36：根据式(3)计算跟随蜂i与食物源相关的概率P_i，跟随蜂根据P_i选择食物源；

其中S_N表示食物源数；

S37：跟随蜂进行邻域搜索产生新解V_i,计算其适应度,若V_i的适应度大于记忆中的最优适应度,则X_i＝V_i，否则，X_i不变；

S38：经过L次循环后,如果适应度没有变化，则放弃该食物源，此时侦察蜂根据式(4)产生一个新解代替当前X_i；

式中X_min表示食物源取值范围的最小值，X_max表示食物源取值范围的最大值，r表示[0,1]间的随机数，X_i(n)表示第n个可行解；

S39：记忆当前适应度最大的食物源位置，若迭代次数达到M，则停止迭代，找到最优聚类中心；否则转到步骤S34，C＝C+1；

S310：求解每个样本对于最优聚类中心的隶属度，根据最大隶属度原则对图像进行分割，再通过形态学处理得到目标图像。