基于改进型模糊聚类算法的植物病斑检测

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (24): 203-204.

基于改进型模糊聚类算法的植物病斑检测

冯登超^1,2，杨兆选¹，乔晓军²

1.天津大学电信学院，天津 300072
2.国家农业信息化工程技术研究中心，北京 100089

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-08-21 发布日期:2007-08-21
通讯作者: 冯登超

Study on detection algorithm of plant disease spot based on improved fuzzy clustering algorithm

FENG Deng-chao^1,2，Yang Zhao-xuan¹，QIAO Xiao-jun²

1.School of Electronic & Information Engineering，Tianjin University，Tianjin 300072，China
2.National Engineering Research Center for Information Technology in Agriculture，Beijing 100089，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-08-21 Published:2007-08-21
Contact: FENG Deng-chao

摘要/Abstract

摘要： 针对植物病害图像成分复杂、病斑排列无规则等特点，提出了一种改进型模糊聚类的病斑检测算法。该算法采用Markov随机场与模糊聚类算法耦合策略，能够有效解决植物病斑检测时的模糊性和随机性问题。仿真实验表明，改进后的算法能够实现植物病斑的自适应检测，鲁棒性较好。然而，对于Markov与模糊聚类算法的最佳耦合方式及对于如何减少算法的运算量仍需作深入的研究。

关键词: 植物病斑, 模糊C均值聚类, Markov随机场, 隶属度函数

Abstract: According to the characteristics of complex components of plant disease images and random alignment of disease spot，this paper introduces a new detection algorithm with improved fuzzy clustering algorithm.By adopting the coupled method of Markov random field and fuzzy clustering algorithm，this algorithm avoids the fuzziness and randomness during the plant disease detection.Simulation experiment shows that the improved algorithm has better robust and can realize the self-adaptive detection of plant disease spot.However，how to reduce the operating quantum of the method and get the optimal coupling method between Markov random field and fuzzy clustering algorithm need further research.

Key words: plant disease spot, fuzzy C-mean clustering, Markov random field, membership function

冯登超^1,2，杨兆选¹，乔晓军². 基于改进型模糊聚类算法的植物病斑检测[J]. 计算机工程与应用, 2007, 43(24): 203-204.

FENG Deng-chao^1,2，Yang Zhao-xuan¹，QIAO Xiao-jun². Study on detection algorithm of plant disease spot based on improved fuzzy clustering algorithm[J]. Computer Engineering and Applications, 2007, 43(24): 203-204.

[1]	但雨芳，陶剑文，徐浩特. 可能性聚类假设的半监督分类方法[J]. 计算机工程与应用, 2020, 56(9): 65-74.
[2]	刘俊涛，王素娟，林晓明，刘祚时，谭俭辉，宋丹. 结合FCM聚类和边缘感知模型的眼底渗出物检测[J]. 计算机工程与应用, 2020, 56(11): 192-199.
[3]	王文慧1，杨庚1，葛炜1，刘沛东2，钱晨3. 噪声不均条件下的模糊C均值聚类算法及应用[J]. 计算机工程与应用, 2018, 54(19): 172-178.
[4]	刘沧生，许青林. 基于密度峰值优化的模糊C均值聚类算法[J]. 计算机工程与应用, 2018, 54(14): 153-157.
[5]	彭晏飞，周南，林森. 改进的SLTP方法在掌纹识别中的应用[J]. 计算机工程与应用, 2016, 52(5): 179-184.
[6]	周文谊1，王吉源2. 高斯隶属度优化的超分辨率随机森林学习算法[J]. 计算机工程与应用, 2016, 52(23): 208-212.
[7]	黄春娥，张洪，张景胜，孙明星，叶志伟. 葡萄酒的模糊C均值聚类及其最优聚类选择[J]. 计算机工程与应用, 2016, 52(2): 175-179.
[8]	纪丽珍1，李鹏1，李林2，刘澄玉1，王新沛1，李可1，刘常春1. 冠心病患者心脏电-机械活动时间序列的熵分析[J]. 计算机工程与应用, 2016, 52(10): 265-270.
[9]	恩德，张凤磊，张昭，忽胜强. 模糊熵在车载环境下语音端点检测中的应用[J]. 计算机工程与应用, 2016, 52(10): 147-150.
[10]	喻勇1，张云伟1，王静2，王大龙2，王彦钧2，包俊1. 基于计算机视觉的烟叶病害识别研究[J]. 计算机工程与应用, 2015, 51(20): 167-171.
[11]	谭巧巧，杨吉云. 改进的自回归AR（p）预测模型在WSN中的应用[J]. 计算机工程与应用, 2015, 51(12): 83-87.
[12]	王军玲1、2，王士同1，包芳2，周建林3. 基于空间距离的快速模糊C均值聚类算法[J]. 计算机工程与应用, 2015, 51(1): 177-183.
[13]	刘新，葛洪伟，张妨妨. 基于像素点聚类分离的滤波算法[J]. 计算机工程与应用, 2014, 50(5): 195-198.
[14]	张翡，范虹. 基于模糊C均值聚类的医学图像分割研究[J]. 计算机工程与应用, 2014, 50(4): 144-151.
[15]	王民1，孙广1，沈利荣2，刘利1. 基于对数能量倒谱特征的端点检测算法[J]. 计算机工程与应用, 2014, 50(16): 198-201.