为依次迭代，通过迭代计算出农作物和背景的 聚类中心。
[0053] 在迭代之前需要对聚类中心Vj进行初始化。由于农作物部分在理想情况下应该 是绿色，本实施例设置农作物聚类中心V 1= {〇, 255, 0};剩下的背景中绿色通道相较于红 色通道和蓝色通道，不需要占主导地位，设置V2= {255, 0, 128}。
[0054] 隶属度和和聚类中心V ;的迭代公式如下所示：
[0057] 其中，Cllj是X1到聚类中心V j的欧氏距离，λ被称作指数权重，λ >l，n为样本X的
容量。
[0058] 该过程反复迭代直到I ita+D-f^a) 11 < ε或者已经到达指定的迭代次数 tmax 0
[0059] 迭代结束后将得到两个聚合中心：V1= {V 1R，V1(；，V1B}和V2= {V2R，V2(；，V2B}，由于V1 是农作物的聚类中心，本实施例根据^来计算分割阈值，分割预置=V 1(/(V1R+V1(；+V1B)。
[0060] 对于任意像素点X1，当其RGB三通道的值满MGAR+G+B)大于分割阈值时，将该点 像素置为255,即白色，否则置为0,即黑色，从而将原图像分割为二值图像。例如图2为根 据采集图像得到的一副二值图像，其中白色像素代表了农作物，黑色像素代表了背景。
[0061] 在不同的情况下，通过聚类分割可以很好的提取农作物信息，相比与常用的超绿 法和大津法的组合的方法相比，模糊聚类可以保存更多的细节，比如杂草，落叶等，且在不 同光照条件下，都能准确的将农作物和背景区分开。
[0062] 值得注意的是，在聚类结束后，对于每个聚类中心V,，其G通道的值所占的百分比 val 为：
[0064] 通过大量的实验数据，如表1所示：
[0065]
[0066] 表 1
[0067] 不难发现农作物聚类中心对应的百分比val大多在0. 35和0. 40之间，背景聚类 中心对应的百分比val在0. 30和0. 35之间。而在实际聚类过程中，起决定性作用的也是 G通道的值所占的百分比。为了提高计算效率，优选地，直接以G通道的值所占的百分比作 为样本元素，因此样本的维数从3降到1，并在每次聚类开始前，将农作物和背景的聚类中 心分别初始化为〇. 35~0. 40和0. 30~0. 35,避免每次聚类迭代时的重复计算，提高聚类 速度。
[0068] 步骤S2、从获取的二值图像中提取感兴趣的区域R0I，通过横条法获取其中农作 物特征点。
[0069] 首先，从获取的二值图像中提取感兴趣的区域ROI (Region Of Interest)，对于宽 为W像素，高为H像素的采集图像，一般提取的ROI的长为w = W/2,宽为h = H/2,本实施例 提取的ROI如图3所示，提取的ROI至少包括一条农作物行，本实施例包括两个农作物行。
[0070] 对ROI使用横条法，将ROI图像分为Q条宽度相同的横条，对于宽为w像素，高为 h像素的ROI图像，将其分为Q条横条，用S piq表示第q条横条第p列中白色像素出现的次 数，其中P的取值从1到w。
[0071] 对于第q条横条，对应有阈值IV阈值Uq为第q条横条中所有S μ的均值：
[0072] 遍历Sp,q，用以下过程提取农作物行的特征点：
[0073] ⑴当Sp, /J、于等于Uq且Sp+1,q大于Uq时，说明进入农作物行，记录此时的列坐标 为P 1;
[0074] ⑵当Sp, q大于等于Uq且SP+1,/J、于Uq时，说明离开农作物行，记录此时的列坐标 为P 2;
[0075] (3)每次进入和离开农作物行时，计算进入和离开农作物行时列数的差值Δ = P2-P1，如果△大于设定的常数d，则认为横条q上从第Pjljp2的段为农作物，并取该段中 点为农作物特征点。
[0076] 其中，d为常数，可以理解为农作物行的宽度，其取值范围为：W/20〈d〈W/15。
[0077] 通过遍历所有横条，可以得到若干特征点，如图4所示，其中黑点为特征点。
[0078] 步骤S3、对所提取的农作物特征点进行线性回归，得出农作物行直线方程。
[0079] 根据特征点的分布，将特征点划分为不同的农作物行。本实施例创建的ROI里一 般仅保留两条农作物行，判断所有特征点的X轴坐标，如果坐标小于宽度的一半，将该点归 于左侧的农作物行，否则归于右侧。
[0080] 对于任一农作物行，根据属于该农作物行的所有特征点通过线性回归得到农作物 行直线方程，过程如下：
[0081] 假设特征点的坐标为（X，y)，农作物行直线的方程为：
[0082] y = kx+b
[0083] 其中，b为斜距，k为斜率。
[0084] 则特征点到该农作物行直线的距离1为：
[0086] 所有特征点到直线距离的平方和Γ为：
[0088] 其中M为特征点的数量。
[0089] 可见，如果特征点（x，y)在该直线上，则1为0,但不可能所有特征点都恰好落在该 直线上，通过求k和b使Γ取最小值，即对
的分子的k和b求偏导并令其为0:
[0092] 其中M为属于该农作物行的所有特征点的数量，r属于1~M，第r个特征点的坐 标为（\，y上L为第r个特征点与农作物行直线的距离，解出上式的解I和、将I和I带入 直线方程，得到农作物行直线的方程为：
[0094] 使得特征点基本分布在该直线两侧附近。
[0095] 步骤S4、通过多次线性回归的方法剔除错误的特征点，对农作物行直线方程进行 修正。
[0096] 在理想状况下，此时通过步骤S3中得出的农作物行直线方程已经可以得到较为 准确的农作物行，但实际情况中ROI内未必只包含两条农作物行，而且光照，天气，杂草等 外界因素也会影响准确性。为了得到准确的作物行，本实施例需要剔除错误的特征点，保留 正确的特征点。
[0097] 在所有外界环境中，ROI中其他行的侵入和杂草的影响最大，而这些侵入的农作物 行和杂草在光谱上与目标接近，所以本实施例利用点与线的位置关系来判断哪些特征点需 要剔除。
[0098] 本实施例引入多次线性回归的方法，通过S3,已经得到了农作物行直线方程
并通过点到直线距离公式计算特征点到该直线的距离1，当1大于W/15时， 易Ij除该点，W为图像的宽。
[0099] 在剔除错误的特征点后，根据剩下的特征点再次拟合出农作物行的直线方程，并 再次根据新拟合出的农作物行的直线方程，计算特征点到该直线的距离1，当1大于W/15 时，剔除该点。
[0100] 如此循环，直到达到最大线性回归次数，本实施例为10次，或当线性回归剔除的 特征点数量为0时迭代停止。
[0101] 本实施例为了提高效率，对两条农作物行分开进行线性回归，当一条农作物行上 的特征点没有错误时，直接跳过对另一条农作物行进行求解。
[0102] 本实施例还提出了对应于上述方法的一种农作物行的识别装置，所述装置包括：
[0103] 模糊聚类模块，用于通过模糊聚类方法将采集的农作物图像转化为二值图像；
[0104] 特征点提取模块，用于从获取的二值图像中提取感兴趣的区域ROI图像，通过横 条法获取其中农作物特征点；
[0105] 拟合模块，用于对所提取的农作物特征点进行线性回归，拟合出农作物行直线方 程，并通过多次线性回归的方法剔除错误的特征点，对农作物行直线方程进行修正。
[0106] 各模块所执行的操作与上述农作物行识别方法对应