(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211250509.2 (22)申请日 2022.10.13 (71)申请人 南京邮电大 学 地址 210003 江苏省南京市栖霞区文苑路9 号 (72)发明人 白晓东　陈诗琪　谢婷婷　姬忠远　 赵来定　刘丕超　顾苏松　 (74)专利代理 机构 南京禹为知识产权代理事务 所(特殊普通 合伙) 32272 专利代理师 褚晓英 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 7/187(2017.01) G06T 5/30(2006.01)G06V 10/26(2022.01) G06V 10/28(2022.01) G06V 10/40(2022.01) G06V 10/44(2022.01) G06V 10/762(2022.01) (54)发明名称 基于CECI算法的水稻植株深度学习计数数 据集的创建方法 (57)摘要 本发明公开了基于CECI算法的水稻植株深 度学习计数数据集的创建方法， 包括： 采集原始 水稻图片数据， 对原始水稻图片进行植被 色度筛选以及HSV空间色度分割处理， 提取处理 后原始水稻图片中的绿色水稻区域； 将原始水稻 图片进行色度增强， 并对色度增强处理后的原始 水稻图片进行十簇聚类； 计算绿色水稻区域和十 簇聚类分块后的重合率， 根据重合率合并拼接得 到最终的水稻图片； 对最终的水稻图片进行腐蚀 膨胀处理并计算水稻的连通域， 根据连通域的重 心坐标， 对计算机自动标注生成的图片进行修 正， 创建数据集生成基准密度图。 本发明方法为 后续基于深度学习水稻植株计数方法的研究创 造了基础。 权利要求书4页 说明书11页 附图8页 CN 115330786 A 2022.11.11 CN 115330786 A 1.基于CECI算法的水稻植株深度学习计数 数据集的创建方法， 其特 征在于， 包括： 采集原始水稻图片数据， 对所述原始水稻图片进行植被 色度筛选以及HSV空间 色度分割处 理， 并提取 所述处理后原始水稻图片中的绿色水稻区域； 将所述原始水稻图片进行色度增强， 并对所述色度增强处理后的原始水稻图片进行十 簇聚类； 计算所述绿色水稻区域和十簇聚类分块后的重合率， 根据 所述重合率合并拼接得到最 终的水稻图片； 对所述最终的水稻图片进行腐蚀膨胀处理并计算水稻的连通域， 根据 所述连通域的重 心坐标， 对计算机自动标注生成的图片进行修 正， 创建数据集 生成基准密度图。 2.如权利要求1所述的基于CECI算法的水稻植株深度学习计数数据集的创建方法， 其 特征在于， 对所述原 始水稻图片进行植被 色度筛选， 包括： 提取图像的B、 G、 R三通道， 计算得到 图像， 将所述 图像进行色度筛选转化 为8位int类型第一 二值图像 ， 所述 图像表示 为： 其中， CIVE为 植被提取颜色指数， R、 G、 B分别为可 见光红色、 绿色、 蓝色。 3.如权利要求2所述的基于CECI算法的水稻植株深度学习计数数据集的创建方法， 其 特征在于， HSV空间色度分割处理， 包括： 根据HSV空间色度分割处理， 提取色度像素值并转 为二值图像 ； 所述二值图像 ， 表示为： 其中， 为水稻的绿色在HSV颜色空间饱和度的最小值， 为水稻的绿色在HSV颜色空间饱和度的最大值， 函 数 表示进行阈值操作， 将 低于 和高于 的像素值置为0； 检测所有水稻植株轮廓并计算轮廓面积， 当像素值面积小于50时， 则舍去像素值并用0 像素值进行填充， 最后得到 HSV颜色空间色度分割结果第二 二值图像 。 4.如权利要求3所述的基于CECI算法的水稻植株深度学习计数数据集的创建方法， 其 特征在于， 提取原 始水稻图片中的绿色水稻区域， 包括： 当第一二值图像 、 第二二值图像 像素值不相等的位置置为0时， 即植被 色度筛选以及HSV空间色度分割处理两种方法中像素值 强度达到提取标准并保留绿色水稻 区域结果，权　利　要　求　书 1/4 页 2 CN 115330786 A 2所述绿色水稻区域第三 二值图像 ， 表示为： 其中， 函数 函数指对图像进行阈值分割， 为植被 色度筛选得 到的第一 二值图像， 为HSV空间色度分割处 理得到的第二 二值图像。 5.如权利要求4所述的基于CECI算法的水稻植株深度学习计数数据集的创建方法， 其 特征在于， 将所述原始水稻图片进行色度增强， 并对所述色度增强处理后的原始水稻图片 进行十簇聚类， 包括： 对原始水稻图片进行色度增强处 理， 将色度设定为原图两倍； 随机在平面上选择10个点作为初始中心点， 计算各像素点到初始中心点的距离形成10 簇， 表示为： 其中， 为坐标在 处的像素点， 为第t轮迭代的第k个中心 点， 为第i簇聚类； 多次迭代寻 求到簇内各点距离最短的中心点， 表示 为： 其中， 为第t+1轮迭代的第k个中心点， 为各像 素点到其对应簇内 中心点的距离； 多次迭代直至 中心点位置不再发生变化， 取最终聚类结果存入文件夹 中， 共十张 图像。 6.如权利要求5所述的基于CECI算法的水稻植株深度学习计数数据集的创建方法， 其 特征在于， 计算所述绿色水稻区域和十 簇聚类分块后的重合 率， 包括： 将第三二值图像 、 文件夹 中的十张图像进行分块， 表示 为： 其中， 为分块图像， 分别为分块图像的宽度权　利　要　求　书 2/4 页 3 CN 115330786 A 3