[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

说明书

本发明涉及一种基于人工蜂群模糊聚类算法的补光和疏果的方法，属于农业技术领域。包括S1：对图像进行采集，通过无线设备或蓝牙传输等模块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。本方法将图像处理应用于农业生产中，可以帮助农业生产者完成农场中大规模种植的监测,判断果树果实的生长、受光照情况情况，协助农业生产者对果树进行管理和修剪，使果树产生更高的经济价值。

技术领域

本发明属于农业技术领域，涉及一种基于人工蜂群模糊聚类算法的果树补光和疏果方法。

背景技术

在农业领域中，对大范围的种植模式下的农民来讲，高时高效地获取农业情况是农业生产管理中的重要环节，依靠人工采集和检测信息无法满足现代农业的高时高效的要求。因此将图像处理应用于农业生产中，可以帮助农业生产者完成农场中大规模种植的监测,判断果树果实的生长、受光照情况情况，协助农业生产者对果树进行管理和修剪，使果树产生更高的经济价值。

发明内容

有鉴于此，本发明的目的在于提供一种基于人工蜂群模糊聚类算法的果树补光和疏果方法，采用图像处理的方法，对果树图像进行最大稳定极值区域和分层轮廓分析算法得到光照分布图和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；从而对果树进行补光和疏果。

为达到上述目的，本发明提供如下技术方案：

一种基于人工蜂群模糊聚类算法的果树补光和疏果方法，该方法包括以下步骤：

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。

进一步，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]