本发明涉及图像识别，具体涉及一种基于鲁棒平面聚类的森林叶面积指数估算方法。
背景技术：
1、森林作为全球生态系统的重要组成部分，具有空气净化、气候调节和水资源保护等作用。叶面积指数lai（leaf area index）是表征植被几何结构的重要参数，对于研究植物生长、发育、病害和其他生理过程具有重要意义。植物冠层图像分割又是估算lai的最为重要的一个步骤，通过图像分割，可以获取植物的各个组成部分的信息，如叶片、枝干等，从而深入理解植物的生态学特征。基于植物冠层图像的分割结果可以对森林叶面积指数进行估算，进而对森林资源进行高效管理和准确监测，提高森林资源利用率。
2、传统的图像分割是基于给定的阈值进行的，例如，基于hsv的颜色分割以及类间最大距离法分割算法。然而，这些传统的图像分割算法难以凭人工经验确定一个通用且准确的阈值，不同的阈值会对分割的效果造成很大的影响。以植物冠层图像为例，在光照情况下很难准确区分天空和树叶这两个目标，即使在阴天，也很难将树叶与背景准确区分开来。近年来，随着神经网络的飞速发展，基于深度学习的图像分割技术也得到一定的关注。与传统的图像分割方法不同，基于深度学习的分割算法需要标签信息进行训练，也就是需要分割区域的标注。人工标记森林冠层图像是一项繁琐的任务，几乎不可能在短时间内获得用于神经网络训练的大量样本。此外，由于在自然环境复杂多变的山地森林中，相机镜头直接暴露在空气中，可能会被风中的灰尘颗粒和雨水留下的水渍污染，造成相机的成像有一定的干扰。因此，山地或森林中采集到的植物冠层图像难免会存在一些异常像素，这些异常像素会降低叶面积指数估算的准确和有效性。同时，如果传感器电路过热，也会产生一定的噪声。
3、传统的聚类算法例如k-means本质上采用了固定的簇中心值，一定程度上会受到异常像素或噪声的影响，从而降低植物冠层图像分割的性能。此外，经典的k平面以及k-means算法利用平方l2范数进行度量，会扩大异常值对分割性能的影响。
4、因此，有必要发明一种基于鲁棒平面聚类的森林叶面积指数估算方法，以解决上述问题。
技术实现思路
1、本发明的目的在于提供一种基于鲁棒平面聚类方法用于植物冠层图像分割，其可以在不需要标签信息的情况下提高植物冠层图像分割的鲁棒性，再根据分割后的图像准确估算lai，可以对存在背景干扰的植物冠层图像实现准确分割，保证了在山地、野外特殊环境下叶面积指数估算的准确和有效性。
2、为达到上述目的，本发明提供如下技术方案：
3、一种基于鲁棒平面聚类的森林叶面积指数估算方法，包括如下步骤：
4、s1、将采集到的每张植物冠层图像转化为由若干同心圆环组成的灰度图像，并压缩到512×512的统一尺寸，在每个灰度图像上裁剪出天顶角为57.5°对应的圆环图像，并将每个圆环图像拉伸为1×262144的一维向量进行计算；
5、s2、随机初始化每个像素点的标签以及正交投影矩阵，并将簇的个数设置为k，以保证聚类的结果中可以完整包含图像各部位的信息；
6、s3、根据初始化的标签计算每个簇的算数中心值，为当前簇像素点的个数，采用l21范数度量类内样本与当前簇中心值的距离，表示为，令为当前样本的权重系数，用于更新计算最优簇中心值，采用截断距离最大化l21范数来对类间样本与当前簇中心值的距离进行度量，所述距离可表示为：
7、，
8、式中，n为总像素点个数，为非当前类像素点，为最大化函数，即取a和b中的最大值，为判别函数，满足条件输出为1，否则为0，为人工设置的截断值，所述截断值可以通过设置要剔除的像素点个数由模型自适应确定；
9、s4、计算目标函数值τ，即类内样本总距离与类间样本总距离的比值：
10、，
11、其中为正则化参数的分母可通过约束条件等价于，可通过模型迭代更新计算，特别地，代表移除的像素点；
12、s5、计算投影矩阵w_i：
13、和，
14、其中代入广义幂迭代算法中求得投影矩阵；
15、s6、更新簇中心值：
16、
17、其中；
18、s7：更新权重：
19、
20、其中，表示第个最小的类间距离值;
21、s8、重复s4至s7，直至目标函数值收敛；
22、s9、计算在投影空间中每个像素点到每个簇中心值的距离，并将其最小的值所在的簇作为此像素点所属的最终类别，用公式表达为：
23、；
24、s10、用每个簇内的中心值点替换簇内所有的像素点，转换为图像尺寸并显示，以实现植物冠层图像分割，依据叶面积指数计算公式反演有效叶面积指数。
25、进一步地，所述叶面积指数计算公式为：
26、，
27、其中 m为灰度图像中的同心圆环的数量，为圆环对应的天顶角值，为第 i个同心圆环内的冠层孔隙度，为天顶角处天空像元的像素数，为天顶角处叶片像元的像素数。
28、本发明的有益效果在于：
29、本发明提出了一种基于鲁棒平面聚类的森林叶面积指数估算方法，聚类过程中通过截断距离最大化约束解决类别之间存在噪声数据的问题，消除了其对簇可分离性产生的负面影响；采用l21范数进行距离度量并自适应优化的簇中心值，能够有效地学习鲁棒最优判别投影，增强图像分割的准确性；采用鲁棒性更强的l21范数进行距离度量并计算，降低了山地或森林中采集到的植物冠层图像中的异常像素对图像分割的负面影响，保证了图像分割的鲁棒性，进而提升了在山地野外恶劣条件下叶面积指数估算的准确和有效性；该鲁棒平面聚类的方法较其他方法在分割细节上有较大的提升，能够有效提升lai估算准确性。
30、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
1.一种基于鲁棒平面聚类的森林叶面积指数估算方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于鲁棒平面聚类的森林叶面积指数估算方法，其特征在于，所述叶面积指数计算公式为：
