植物叶片分割在植物识别方法中占有非常重要的地位。在没有叶片和背景先验信息的情况下，很难对具有复杂背景的图像进行叶片分割。在实际应用中，无监督图像分割算法的参数必须针对每幅图像进行设置，才能得到最佳的分割结果。为了克服这一问题，本文引入了新的基于G-演算的互信息方程(G-互信息方程)来寻找最佳的一致性分割，实现对五种叶子分割算法(模糊c均值，SOM和k均值在各种颜色空间或不同参数中)的结果的融合。

来自Pl @ ntLeaves数据库具有复杂背景自然区域中的样本图像

所提出方法的流程图

上述主要聚类算法的结果被视为每个像素的一个新的特征向量。利用包含不同特征向量的真值表进行快速提取降低时间复杂度。从Pl@ntLeaves数据库中生成了一个带有自然场景的叶子图像数据库(该数据库具有不同的位置和方向)对该方法进行评估。另外，使用常用数据库将提出的方法与其他方法进行比较。结果得出，本文提出的实验结果表明，在图像分割融合中使用G-演算可以改善评估参数。

预定义的30种树叶形状

修改后的数据库样本图像及其基本事实

来源：

Nikbakhsh N, Baleghi Y & Agahi H, et al. A novel approach for unsupervised image segmentation fusion of plant leaves based on G-mutual information. Machine Vision and Applications volume. https://doi.org/10.1007/s00138-020-01130-0.