基于K-means聚類算法的烘烤煙葉圖像分割研究

摘要 目前我國煙葉烘烤過程主要依賴人工監(jiān)測，存在主觀性、模糊性和高成本等問題，使用機器視覺方法對烘烤過程煙葉質(zhì)量變化進行實時監(jiān)測與判斷的研究逐漸增多，實時監(jiān)測需建立在高效且準確的烘烤煙葉圖像分割之上，因此烘烤煙葉圖像分割的研究變得尤其重要。提出了基于K-means聚類算法的烘烤煙葉圖像分割方法，首先讀取圖像并將RGB轉(zhuǎn)換為CYMK顏色空間，然后提取CYMK顏色空間下的K通道灰度化圖像，再對此單通道圖像進行聚類，根據(jù)聚類中心確定圖像分割閾值，最后利用圖像處理方法對圖像進行分割。研究比較了K-means、模糊C均值聚類（FCM）和高斯混合聚類（GMM）3種聚類方法，結(jié)果表明K-means算法的像素準確率為97.8%、交并比為96.43%、Dice系數(shù)為98.2%，均優(yōu)于其他2種方法。K-means算法能夠更好地提取烤煙的煙葉輪廓，去除冗余信息，使得分割結(jié)果更清晰。

關(guān)鍵詞 煙葉烘烤；圖像分割；K-means；閾值

中圖分類號 S-058 文獻標識碼 A 文章編號 0517-6611（2024）19-0232-06

doi：10.3969/j.issn.0517-6611.2024.19.047

開放科學(xué)（資源服務(wù)）標識碼（OSID）：

Research on Curing Tobacco Image Segmentation Based on K-means Clustering Algorithm

ZHOU Ren-hu，XI Jia-xin，DING Yi-shu et al

（Chuxiong Company of Yunnan Provincial Tobacco Company，Chuxiong，Yunnan 675000）

Abstract At present，the tobacco baking process in China mainly relies on manual monitoring，which has problems of subjectivity，fuzziness and high cost.Research on using machine vision methods to monitor and judge real-time changes in tobacco quality during the baking process is gradually increasing.Real time monitoring needs to be based on efficient and accurate segmentation of roasted tobacco leaf images，so the research on segmentation of roasted tobacco leaf images has become particularly important.A segmentation method for roasted tobacco leaf images based on K-means clustering algorithm was proposed.Firstly，the image was read and RGB was converted to the CYMK color space.Then，the grayscale image of the K-channel in the CYMK color space was extracted.We clustered the single channel image again，determined the image segmentation threshold based on the cluster center，and finally used image processing methods to segment the image.We compared three clustering methods of K-means，fuzzy C-means clustering （FCM） and Gaussian mixture clustering （GMM）.The results showed that the pixel accuracy of the K-means algorithm was 97.8%，the intersection to union ratio was 96.43%，and the Dice coefficient was 98.2%，all of which were better than the other two methods.The K-means algorithm could better extract the contour of tobacco leaves，remove redundant information and make the segmentation results clearer.

Key words Tobacco curing;Image segmentation;K-means;Threshold value

基金項目 中國煙草總公司云南省公司科技項目（2022530000241034）。

作者簡介 周任虎（1977—），男，云南楚雄人，農(nóng)藝師，碩士，從事煙葉烘烤技術(shù)研究與應(yīng)用。

收稿日期 2023-08-03

在我國的煙草產(chǎn)業(yè)中，烤煙作為一種重要的經(jīng)濟農(nóng)作物，對卷煙生產(chǎn)有著重要的影響。烘烤是煙葉生產(chǎn)過程中非常關(guān)鍵的環(huán)節(jié)工藝，它直接關(guān)系到烤煙葉的品質(zhì)和產(chǎn)量^［1］。目前，我國煙葉烘烤過程仍主要依靠專業(yè)人員進行人工監(jiān)測，根據(jù)經(jīng)驗和行業(yè)標準進行烘烤程度的判斷，但這種方法具有主觀性和模糊性，并且人工成本較高^［2］。為進一步提高煙葉烘烤的智能化水平，近年來研究中涉及采用機器視覺方法在烤房中實時監(jiān)測和判斷烘烤煙葉的質(zhì)量變化的工作逐漸增多，但關(guān)于機器視覺方法在烤煙烘烤過程質(zhì)量變化方面的文獻甚少^［3］。機器視覺在烘烤過程中主要用于圖像分割，即將待識別的烘烤煙葉目標特征提取出來，去除其他背景部分，從而減少圖像信息的冗余度，保證后續(xù)對烘烤煙葉的實時監(jiān)測與判斷的質(zhì)量^［4］。在利用機器視覺方法進行烘烤煙葉的烘烤過程監(jiān)測時，圖像分割是圖像處理中最基本、最重要的步驟之一^［5］。

目前常見的圖像分割算法方法包括基于閾值的圖像分割算法、基于邊緣的圖像分割算法、基于區(qū)域生長的圖像分割算法、基于顏色特征聚類的圖像分割算法等^［6］?；陂撝档膱D像分割方法具有實效性較好的特點，但在光照變化和復(fù)雜作業(yè)環(huán)境下的適應(yīng)能力較弱^［7］?；谶吘壍膱D像分割方法相對簡單且計算時間短、實效性好，它是基于周圍區(qū)域的灰度值階躍變化集合來進行分割的，然而目前大多數(shù)邊緣檢測算法難以提取完整閉合的目標邊緣，容易產(chǎn)生偽邊緣^［8］?；趨^(qū)域生長的圖像分割算法原理簡單、直觀，但要對整幅圖像進行分割時需要耗費較長的時間，它的核心思想是從一個像素作為生長點開始，將具有相似性質(zhì)的像素集合并形成區(qū)域，通過合并與種子像素具有相同性質(zhì)的鄰域像素來遞歸地完成分割過程^［9］?；陬伾卣骶垲惖膱D像分割算法能夠較好地克服環(huán)境變化對分割造成的影響，但是計算時間較長^［10］。該方法根據(jù)相似性準則，將圖像像素在特征空間進行分類聚集并進行分割，然后將分割結(jié)果映射回原圖像空間^［11］。

在諸多技術(shù)中，聚類法是最有效的方法之一，主要有K-means聚類、K-means++聚類、模糊C-means聚類、高斯混合聚類等^［12］。其中K-means聚類方法語義明確、結(jié)構(gòu)簡單、計算速度快，能夠處理大數(shù)據(jù)集，而且有可伸縮、效率高等特點^［13］，是圖像分割技術(shù)中最常用的聚類算法。隨著研究的深入，同時K均值在遙感圖像、人臉圖像、醫(yī)學(xué)影像處理都得了很成功的應(yīng)用，是一種比較成熟的聚類方法^［11］。國內(nèi)外學(xué)者在基于K-means聚類法圖像分割方面做了大量研究，并取得了豐富的研究成果^［5］。Pham等^［12］提出了一種基于多通道的圖像分割方法，允許用戶結(jié)合自己的信息通道，利用邏輯框架定義多目標函數(shù)來實現(xiàn)圖像分割。Sandberg等^［14］針對圖像分割中灰度不均勻的問題，提出了改進K-means算法中的目標函數(shù)來處理圖像分割中的不均勻性，提高了圖像分割的精度。Walvoort等^［15］選擇均方最短距離作為目標函數(shù)，使用K-means聚類法使其最小化，結(jié)果表明在合理的計算范圍內(nèi)這種算法得到的效果最優(yōu)。王帥等^［16］提出基于統(tǒng)計直方圖 K-means聚類的水稻冠層圖像分割方法，分別與 K-means、K-means++、k-mc2、afk-mc2 共 4 種常用的均值聚類水稻冠層圖像特征像素提取方法進行對比，結(jié)果表明基于統(tǒng)計直方圖K-means聚類算法均優(yōu)于以上 4 種聚類方法，朱淑鑫等^［17］使用K均值算法（K-means）和連續(xù)投影算法（SPS），構(gòu)建了能夠測定土壤速鉀效鉀的預(yù)測模型，同時也可以解決光譜預(yù)測過程的冗余問題，經(jīng)過試驗證明該方法能夠?qū)崿F(xiàn)對土壤速效鉀含量快速精確預(yù)測的分析。王愛蓮等^［18］探討 K-means 算法在圖像分割時在 RGB 和 YUV 顏色空間的分割結(jié)果，結(jié)果表明使用 YUV 混合模型比單一YUV顏色空間的分割效果更佳。研究人員在醫(yī)學(xué)領(lǐng)域利用 K-means++聚類算法進行區(qū)域分類，減少了錯誤的局部極小值^［19］。王帥等^［16］提出了關(guān)于金魚圖像陰影去除和圖像分割改進的K-means類聚算法，在水產(chǎn)魚類行為量化研究提供了很好的參考價值。喬雪等^［20］在馬鈴薯病蟲害圖像提取中采用K-means的圖像分割方法，能夠準確、完整地將目標病蟲害色斑從彩色圖像中提取出來，在農(nóng)業(yè)病蟲害治理方面具有較好的應(yīng)用價值，高櫻萍等^［21］將K-means聚類算法應(yīng)用于服裝圖像分割，通過分析灰度直方圖確定聚類數(shù)k，采用馬氏距離替代歐式距離計算相似度，效果較好。

采用K-means聚類算法進行烘烤煙葉的圖像分割，這種算法在處理大數(shù)據(jù)集方面具有優(yōu)勢，能夠快速、高效地對圖像進行分割。同時，利用機器視覺技術(shù)對烘烤煙葉進行實時監(jiān)控，以便獲得烘烤過程中的質(zhì)量變化信息。通過對分割后的圖像進行特征提取和分析，能夠更準確地理解和量化煙葉的烘烤質(zhì)量，以期通過實施這些技術(shù)，實時監(jiān)控煙葉烘烤過程，并實時評估烘烤的質(zhì)量，這將有助于及時發(fā)現(xiàn)并解決任何可能影響最終煙葉質(zhì)量的問題。鑒于此，筆者提出了基于K-means聚類算法的烘烤煙葉圖像分割方法，首先讀取圖像并將RGB轉(zhuǎn)換為CYMK顏色空間，然后提取CYMK顏色空間下的K通道灰度化圖像，再對此單通道圖像進行聚類，根據(jù)聚類中心確定圖像分割閾值，最后利用圖像處理方法對圖像進行分割，提升煙葉烘烤的整體質(zhì)量，減少對人工監(jiān)控的依賴，降低生產(chǎn)成本。

1 材料與方法

1.1 材料

試驗在云南省楚雄彝族自治州永仁縣維的鄉(xiāng)維的村（101°637582′E，26°143215′N）進行，平均海拔2 072 m。2022年7—9月采集的成熟期鮮煙葉，包含2個品種，分別為云煙87和K326，均購于中國玉溪中煙種子有限責任公司，煙葉部位包含上、中、下部。

1.2 儀器

烤房規(guī)格為8 100 mm×4 200 mm的3層掛桿式煙葉的密集烤房。圖像采集系統(tǒng)為自主設(shè)計開發(fā)，能夠用于對烘烤過程中煙葉圖像的采集和監(jiān)控。烤房內(nèi)部自上而下安裝了3臺相機，如圖1所示。使用的相機型號為CHY-HK-01，為了方便研究，相機分辨率統(tǒng)一為2 560×1 440像素。光源采用相機自帶的照明系統(tǒng)，并保證烤室內(nèi)照明充足，拍攝時順光進行，以獲得均勻分布的光照。

1.3 模型構(gòu)建

1.3.1 技術(shù)路線。

提出了一種基于K-means聚類算法的烘烤煙葉圖像分割方法，其技術(shù)路線見圖2。

①讀取采集的烘烤煙葉圖像，將其轉(zhuǎn)換為CYMK顏色空間 ；②根據(jù)獲取的聚類中心，設(shè)定剔除背景和無關(guān)區(qū)域的灰度閾值，獲得目標煙葉區(qū)域與無關(guān)區(qū)域的分割閾值；③根據(jù)分割閾值，提取煙葉目標區(qū)域的初步掩碼；④提取煙葉目標區(qū)域初步掩碼的所有連通區(qū)域的最外層輪廓，并保留最大輪廓區(qū)域；⑤計算所保留的最大輪廓的所有內(nèi)外輪廓，并將所有內(nèi)部輪廓填充為255，獲得提取煙葉目標區(qū)域的最終掩碼；⑥將獲取的單通道掩碼擴展為三通道的RGB顏色空間掩碼；⑦使用原始煙葉圖像與最終三通道掩碼進行比特乘運算，獲取最終分割的煙葉目標區(qū)域。

1.3.2 顏色空間轉(zhuǎn)換。讀取采集的烘烤煙葉圖像，將RGB顏色空間轉(zhuǎn)換為CYMK顏色空間，轉(zhuǎn)換步驟如下：

①將RGB通道的圖像縮放到（0，1）范圍內(nèi)，并提取單個通道：（R，G，B）=rgb/255；

②計算C、M、Y、K共4個通道的值：K = 1-max（R，G，B），C =（1-R-K）/（1-K），M =（1-G-K）/（1-K），C =（1-B-K）/（1-K）；

③將其擴展到（0，255）范圍：CMYK = （C，M，Y，K）×255，并提取最終K通道的顏色值。

1.3.3 圖像聚類。

①得到C、M、Y、K共4個通道的圖像，由于K通道目標提取顏色層次更佳^［22］，因此提取K通道的灰度化圖像，并對此單通道圖像進行聚類。

②將K通道的二維數(shù)組像素值轉(zhuǎn)換為一維數(shù)組，得到K通道所有像素點的灰度值（I，I，…，I）；

③設(shè)定簇的數(shù)量k=4，每個簇的簇內(nèi)相似度高，而簇間的相似度低；

④初始化簇中心：C ∈{I，I，…，I}，i=（1，4）；

⑤計算每個點I到每一個簇中心的C距離d，將其分配到d最小相應(yīng)的簇L-d=|I-C|，i=（1，4），j=（1，m）；⑥計算每個簇中所有元素的平均值，將其

更新為新的簇中心：C=1|L/bpepBP3RgjSYXaM9nekBg==|∑∈LI，|L|為簇L所有元素的個數(shù)；⑦循環(huán)第4、5這2步計算，指定每個簇不再發(fā)生改變。獲得最終的4個簇L、L、L、L，簇中心分別為C、C、C、C。

1.3.4 圖像閾值確定。

根據(jù)上述步驟獲取的聚類中心，設(shè)定剔除背景和無關(guān)區(qū)域的灰度閾值，獲得目標煙葉區(qū)域與無關(guān)區(qū)域的分割閾值^［23］。分割閾值獲取步驟如下：設(shè)定提取煙葉目標區(qū)域的閾值，根據(jù)前述步驟計算出的簇中心值，值最小的簇中心為背景無關(guān)區(qū)域，將其作為煙葉目標區(qū)域分割閾值：t=min（C，C，C，C）+1。

1.3.5 圖像分割。

①根據(jù)上述分割閾值，提取煙葉目標區(qū)域的初步掩碼（二值化圖像）^［24-25］。②煙葉目標區(qū)域的初步掩碼：I={0，i<t1，I≥t。③提取煙葉目標區(qū)域初步掩碼的所有最外層輪廓，并保留最大輪廓區(qū)域。

④提取的輪廓列表為（Cont1，Cont2，…，Contp），其中每個輪廓有點坐標組成，表示輪廓所圍成區(qū)域的最外層點坐標。最大輪廓Contd=max（Cont1，Cont2，…，Contp），對應(yīng)為點坐標數(shù)量最多的輪廓。其他輪廓圍成區(qū)域使用填充為0，從而剔除該部分輪廓區(qū)域。⑤計算所保留的最大輪廓的所有內(nèi)外輪廓。⑥輪廓列表為（Ct1，Ct2，…，Ctq），最大輪廓Cts=max（Ct1，Ct2，…，Ctq）。由于最大輪廓內(nèi)部可能存在部分孔洞區(qū)域，導(dǎo)致影響提取煙葉目標區(qū)域的連續(xù)性，需將所有內(nèi)部輪廓填充為255：（Ct1，Ct2，…，Ctq）- Cts=255。⑦將前述步驟獲取的單通道掩碼擴展為三通道的RGB顏色空間掩碼：I=（I，I，I），每個通道的值均為單通道的掩碼值。⑧將原始煙葉圖像與最終三通道掩碼進行比特乘運算，獲取最終分割的煙葉目標區(qū)域：Iroi =（R，G，B）&（I，I，I）。

1.4 模型評估

采用像素準確率（pixel accuracy，PA）、交并比（intersection-over-union，IOU）、Dice系數(shù)（Dice coefficient，DC），來評價圖像分割效果。

1.5 模型運行環(huán)境

采用Python編程語言進行圖像處理、模型建立和數(shù)值計算。數(shù)據(jù)可視化使用matplotlib 3.3庫，數(shù)據(jù)清理與分析使用Numpy 1.2和Pandas 1.1庫，模型算法使用Scikit-learn學(xué)習庫。實驗設(shè)備配備處理器：Intel（R） Core（TM） i5-9300H CPU 2.40 GHz。

2 結(jié)果與分析

2.1 模型訓(xùn)練結(jié)果

2.1.1 CYMK顏色空間。

烘烤煙葉原始圖像如下圖3a所示，將RGB顏色空間轉(zhuǎn)換為CYMK顏色空間，烘烤煙葉CYMK顏色空間圖像如圖3b所示。

計算C、M、Y、K共4個通道的值，分別得到C、M、Y、K共4個通道的圖像，4個通道下的烘烤煙葉圖像如圖4所示。明顯看出，K通道提取的顏色層次更佳。這可能是因為K通道主要負責黑色部分，而烤煙煙葉的顏色大多偏暗，因此在K通道上能夠獲得更多的信息。

提取K通道的灰度化圖像，對此單通道圖像進行K-means聚類，圖像聚類結(jié)果如圖5a所示。根據(jù)聚類中心，設(shè)定剔除背景和無關(guān)區(qū)域的灰度閾值，獲得目標煙葉區(qū)域與無關(guān)區(qū)域的分割閾值。剔除小區(qū)域輪廓和最大輪廓內(nèi)部填充后的最終煙葉目標區(qū)域提取掩碼如圖5b所示。

2.1.2 圖像分割結(jié)果。

為便于對比3種算法的分割效果，先人工標記出正確的分割圖像，結(jié)果如圖6所示。分別對比K均值聚類（K-means）、模糊C均值聚類（Fuzzy C-means，F(xiàn)CM）、高斯混合模型（Gaussian Mixture Model，GMM），在烤煙煙葉圖像分割中的表現(xiàn)，結(jié)果如圖7所示。

觀察圖7中不同算法下的烘烤煙葉分割圖像，可以發(fā)現(xiàn)FCM相比GMM對煙葉圖像底部的處理更加清晰，但在處理煙葉圖像左右兩側(cè)時較為粗略，導(dǎo)致一些應(yīng)保留的圖像也被剔除。而K-means相比FCM對煙葉圖像左右兩側(cè)的處理更加細致，相比GMM對煙葉圖像底部的處理更加清晰，去除了冗余信息，使得烘烤煙葉的輪廓更加明顯。綜上所述，通過對這3種方法的比較，可以得出K-means方法在處理烘烤煙葉圖像任務(wù)中表現(xiàn)最佳，能夠最有效提取出清晰的煙葉輪廓，而其他2種方法則在某些方面稍顯不足。

2.2 模型效果評估

像素準確率指的是圖像中正確分類像素的百分比，即分類正確的像素占總像素的比例。該指標簡單易算，但當遇到類別極度不平衡時，這個指標將無指導(dǎo)意義。交并比指的是預(yù)測分割和標簽之間的重疊區(qū)域除以預(yù)測分割和標簽之間的聯(lián)合區(qū)域（兩者的交集/兩者的并集），該指標的范圍為 0～1（0～100%），其中 0 表示沒有重疊，1 表示完全重疊分割。Dice系數(shù)定義為2倍的交集除以像素和，也叫F1 score。Dice 系數(shù)與 IoU 非常相似，兩者呈現(xiàn)正相關(guān)關(guān)系，該指標的范圍從 0 到 1，其中 1 表示預(yù)測和真實之間的最大相似度。

由于待分割的烘烤煙葉圖像不存在類別不平衡問題，因此像素準確率的大小也可作為評判圖像分割效果的有效指標。不同算法在烘烤煙葉圖像分割任務(wù)中的表現(xiàn)見表1。可見，3個算法對烘烤煙葉圖像分割的像素準確率分別為94.2%、96.1%、97.8%，交并比分別為90.4%、93.9%、96.4%，Dice系數(shù)分別為95.0%、96.8%、98.2%。結(jié)果表明，K-means算法的 PA、IOU、DC指標均優(yōu)于FCM、GMM算法。

3 結(jié)論

該研究主要介紹了機器視覺方法在烤煙葉圖像分割中的應(yīng)用?？緹熑~的烘烤過程質(zhì)量變化可以通過機器視覺方法進行實時監(jiān)測和判斷，但需要對烤煙葉圖像進行有效分割。因此該研究提出的基于K-means聚類算法的烤煙葉圖像分割方法，該方法先提取CYMK顏色空間下的K通道灰度化圖像，再對此單通道圖像進行聚類，并根據(jù)聚類中心確定圖像分割閾值，最后利用圖像處理方法進行分割。同時，比較了K-means、FCM和GMM共3種聚類方法，結(jié)果表明K-means在處理烤煙煙葉圖像分割任務(wù)中表現(xiàn)最優(yōu)，其像素準確率（PA）為97.8%、交并比（IOU）為96.43%、Dice系數(shù)為98.2%。基于K-means聚類算法的烘烤煙葉圖像分割方法，能夠有效剔除大部分冗余，有效保留烤煙葉圖像的目標特征。

參考文獻

［1］侯建林，江智敏，胡慶輝，等.稻茬烤煙云煙87上部6片煙葉一次性采收的烘烤工藝研究［J］.安徽農(nóng)業(yè)大學(xué)學(xué)報，2023，50（1）：183-190.

［2］蘇新宏，王洪慶，張新景，等.現(xiàn)代煙草農(nóng)業(yè)背景下煙農(nóng)種植烤煙意愿影響因素分析：以河南省為例［J］.中國煙草學(xué)報，2013，19（3）：77-82，86.

［3］項榮，應(yīng)義斌，蔣煥煜.田間環(huán)境下果蔬采摘快速識別與定位方法研究進展［J］.農(nóng)業(yè)機械學(xué)報，2013，44（11）：208-223.

［4］楚曉麗.K-Means聚類算法和人工魚群算法應(yīng)用于圖像分割技術(shù)［J］.計算機系統(tǒng)應(yīng)用，2013，22（4）：92-94，103.

［5］張麗，葉選林，蔡瑾，等.基于閾值的圖像迭代分割算法提取烤煙鮮煙葉特征［J］.農(nóng)技服務(wù)，2020，37（2）：22-23.

［6］陳科尹，吳崇友，關(guān)卓懷，等.基于統(tǒng)計直方圖k-means聚類的水稻冠層圖像分割［J］.江蘇農(nóng)業(yè)學(xué)報，2021，37（6）：1425-1435.

［7］熱孜萬古麗·夏米西丁.醫(yī)學(xué)圖像分割算法分類及特點［J］.科技信息，2013（3）：170，182.

［8］賈書香.基于偏微分方程的數(shù)字圖像處理的研究［J］.電子技術(shù)與軟件工程，2020（14）：143-144.

［9］劉瑩，李筠，楊海馬，等.結(jié)合區(qū)域生長與水平集算法的宮頸癌圖像分割［J］.電子測量與儀器學(xué)報，2020，34（9）：146-152.

［10］胡葉，張愛軍.基于K-means的室內(nèi)行人導(dǎo)航步態(tài)識別方法［J］.國外電子測量技術(shù)，2021，40（3）：32-36.

［11］潘崇，朱紅斌.改進k-means算法在圖像標注和檢索中的應(yīng)用［J］.計算機工程與應(yīng)用，2010，46（4）：183-185，188.

［12］PHAM D L，PRINCE J L.An adaptive fuzzy C-means algorithm for image segmentation in the presence of intensity inhomogeneities［J］.Medical imaging，1998，3338：555-563.

［13］任恒怡，賀松，陳文亮.一種改進的K-means聚類算法在圖像分割中的應(yīng)用［J］.通信技術(shù)，2017，50（12）：2704-2707.

［14］SANDBERG B，CHAN T.Logic operators for active contours on multichannel images［R］.JVCIR，2002.

［15］WALVOORT D J J，BRUS D J，DE GRUIJTER J J.An R package for spatial coverage sampling and random sampling from compact geographical strata by k-means［J］.Computers & geosciences，2010，36（10）：1261-1267.

［16］王帥，劉世晶，唐榮，等.基于改進K-means聚類算法的金魚陰影去除及圖像分割方法［J］.漁業(yè)現(xiàn)代化，2019，46（2）：54-60.

［17］朱淑鑫，2r08Ujqccxeg2ebohN33gfTeJ6NpZX7a9uHMgJqijtg=楊宸，顧興健，等.K均值算法結(jié)合連續(xù)投影算法應(yīng)用于土壤速效鉀含量的高光譜分析［J］.江蘇農(nóng)業(yè)學(xué)報，2020，36（2）：358-365.

［18］王愛蓮，伍偉麗，陳俊杰.基于K-means聚類算法的圖像分割方法比較及改進［J］.太原理工大學(xué)學(xué)報，2014，45（3）：372-375.

［19］郎成洪，華云松，張嘉棋，等.改進分水嶺與K-means++結(jié)合的人體脊柱圖像分割方法［J］.軟件導(dǎo)刊，2022，21（4）：38-44.

［20］喬雪，潘新，王欣宇，等.基于G-R分量與K-means的馬鈴薯病蟲害圖像分割［J］.內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版），2021，42（3）：84-87.

［21］高櫻萍，宋丹，王雅靜，等.一種改進的K-means聚類服裝圖像分割算法［J］.湖南工程學(xué)院學(xué)報（自然科學(xué)版），2021，31（2）：54-59.

［22］周世兵，徐振源，唐旭清.K-means算法最佳聚類數(shù)確定方法［J］.計算機應(yīng)用，2010，30（8）：1995-1998.

［23］鄭曉霞，趙青杉，陳文杰.基于改進K-means算法的彩色超聲圖像分割［J］.忻州師范學(xué)院學(xué)報，2017，33（2）：19-23.

［24］李亞文，張軍，陳月星.基于K-means和特征提取的植物葉部病害檢測與實現(xiàn)［J］.陜西農(nóng)業(yè)科學(xué)，2021，67（6）：33-37，41.

［25］郭鑫鑫，尹來武，王雪，等.基于K-means蟻群算法的玉米葉部圖像分割研究［J］.科技資訊，2017，15（34）：225-226.