我正在进行一个项目，目的是对叶片上的疾病进行分类。我尝试应用k-means聚类，以便将受病害的区域聚集在一起，然后从这些聚集的区域中提取特征。然而，由于背景的原因，我无法正确地聚类，因为受病害的区域与背景一起被聚类了。
我的目标是聚类受病害的区域，然后从这些区域中提取特征来训练分类器。
方法1 –我尝试在叶片周围绘制轮廓，然后使用OpenCV中的min area rect函数绘制矩形，随后我可以进行裁剪，但轮廓不够精细，无法去除背景。
以下是代码：
lower_green = np.array((60-s,100,50))upper_green = np.array((60+s,255,255))name = "Apple_healthy/image_85.jpg"bgr = cv2.imread(name)hsv = cv2.cvtColor(bgr, cv2.COLOR_BGR2HSV)mask = cv2.inRange(hsv, lower_green, upper_green)mask = cv2.dilate(mask, None, iterations=50)_, contours, hier = cv2.findContours(mask.copy(),cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)mask = cv2.bitwise_not(mask)cnt = contours[-1]cv2.drawContours(bgr,[cnt],0,(0,0,255), 2)cv2.imshow('image', bgr)cv2.waitKey(0)cv2.destroyAllWindows()rect = cv2.minAreaRect(cnt)box = cv2.boxPoints(rect)box = np.int0(box)cv2.drawContours(bgr,[box],0,(0,0,255),2)cv2.imshow('sad',bgr)cv2.waitKey(0)cv2.destroyAllWindows()
方法2 –直接对图像应用k-means聚类。但在这种方法中，我无法将受病害的区域聚集在一起，因为受病害的区域与背景一起被聚类了。以下是代码：
img = cv2.imread('Apple_black_rot/image_85.jpg')Z = img.reshape((-1,3))# convert to np.float32Z = np.float32(Z)# define criteria, number of clusters(K) and apply kmeans()criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)K = 16ret,label,center=cv2.kmeans(Z,K,None,criteria,10,cv2.KMEANS_RANDOM_CENTERS)# Now convert back into uint8, and make original imagecenter = np.uint8(center)res = center[label.flatten()]res2 = res.reshape((img.shape))cv2.imshow('res2',res2)cv2.waitKey(0)cv2.destroyAllWindows()
原始图像
回答：
受病害的区域具有明显的色调。你可以提取HSV系统中的色调成分，得到一幅灰度图像，从中进行分割应该不会有问题，除了可能在阴影边缘处（见图片）。但阴影也可以很容易被检测到，你可以中和这些区域。
