利用机器视觉技术识别紫色土具有重大意义。一幅紫色土彩色图像的背景可能十分复杂,往往包含绿色植被、地表土壤等杂质,将对紫色土的识别有严重的干扰。因此,将土壤图像目标物-土壤区域从土壤图像中提取出来,可以避免背景干扰。本文针对紫色土区域图像提取做了如下工作:(1)根据紫色土彩色图像土壤区域在Lab颜色空间中的a分量下具有较好的聚集特性,改进密度峰值聚类算法用于紫色土彩色图像初分割。首先利用a分量中每个元素的频数和灰度值大小实现每个灰度值的密度和距离的定义;然后根据聚类中心点密度大和相互之间距离远的原则,建立最优化模型,再利用最大类间方差法确定聚类中心点;最后,根据确定的聚类中心点对图像进行分类,选取与前景区域最接近的一类,完成紫色土彩色图像的初分割。(2)针对初分割结果中存在大量孤立的点、零散的土块和空洞等问题,本文提出了针对初分割结果进行的图像处理操作。图像后处理包含两步,第一步是土壤区域边界提取,通过寻找初分割图像中相互连通的且包含边界点数最多的边界,实现土壤区域的边界提取;第二步是土壤图像区域填充,从边界提取图像中心点开始,依次遍历该点的上、右、下、左四个位置的元素,然后再遍历已经访问过的元素的上、右、下、左四个位置的元素,直到边界中的所有点都被访问过。最后将区域填充的结果与原始图像作哈达玛积,完成紫色土彩色图像的最终分割。(3)开发了改进密度峰值聚类的紫色土彩色图像分割算法API。通过对改进密度峰值聚类的紫色土彩色图像分割算法的功能进行分析,完成每个类和函数的划分,然后对每个功能进行实现与测试,最后把算法封装成lib文件的算法API。