專利名稱：一種小麥抽穗的自動(dòng)檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于數(shù)字圖像處理和農(nóng)業(yè)氣象觀測(cè)的交叉領(lǐng)域，具體涉及到ー種小麥抽穗的自動(dòng)檢測(cè)方法，即以田間拍攝的小麥前下視圖像序列為對(duì)象，從圖像特征上自動(dòng)檢測(cè)小麥?zhǔn)欠襁M(jìn)入抽穗期的方法。
背景技術(shù)：
小麥?zhǔn)鞘澜缟峡偖a(chǎn)量第二的糧食作物，在我國東北、華北、華東等地區(qū)大范圍種植。為了提高小麥的產(chǎn)量和質(zhì)量，需要對(duì)它的發(fā)育速度和進(jìn)程進(jìn)行了解，并在此基礎(chǔ)上分析它的各發(fā)育期與氣象條件之間的聯(lián)系，從而鑒定小麥生 長的農(nóng)業(yè)氣象條件。然而長期以來，對(duì)于小麥各發(fā)育期的觀測(cè)主要是通過人工觀測(cè)的方式，受觀察員主觀因素的影響很大；同時(shí)由于小麥的種植地域廣、生長周期長，利用人工進(jìn)行觀測(cè)也不夠經(jīng)濟(jì)，沒有辦法保證精確度。小麥抽穗期是小麥生長期中的關(guān)鍵時(shí)期，對(duì)小麥產(chǎn)量形成過程較為重要。小麥抽穗期是衡量小麥成熟的重要指標(biāo)。有效而準(zhǔn)確地識(shí)別這個(gè)時(shí)期，是農(nóng)業(yè)氣象觀測(cè)的重要內(nèi)容。2009年李衛(wèi)國、李正金、申雙和在《江蘇農(nóng)業(yè)科學(xué)》上發(fā)表的“小麥遙感估產(chǎn)研究現(xiàn)狀及趨勢(shì)分析”中就小麥遙感估產(chǎn)精度的提高、遙感和模型結(jié)合的估產(chǎn)研究與應(yīng)用、極端氣候條件下的遙感估產(chǎn)以及遙感估產(chǎn)技術(shù)的信息集成化做了闡述；2009年張旭東在其碩士論文《衛(wèi)星遙感監(jiān)測(cè)江蘇省小麥籽粒產(chǎn)量和品質(zhì)初步探索》中利用遙感技術(shù)在小麥生長的中后期對(duì)籽粒產(chǎn)量及蛋白質(zhì)含量進(jìn)行了預(yù)測(cè)；2010年蔡薇在其碩士論文《基于MODIS遙感數(shù)據(jù)混合像元分解的小麥識(shí)別及面積估算》中對(duì)Langsat5TM數(shù)據(jù)采用監(jiān)瞀分類，根據(jù)分類結(jié)果圖提取小麥種植區(qū)域，并進(jìn)行像元聚類分析，將其結(jié)果作為MODIS混合像元分解精度的評(píng)價(jià)標(biāo)準(zhǔn)。但以上對(duì)小麥產(chǎn)量、生長狀況的監(jiān)測(cè)都是利用遙感數(shù)據(jù)確定的，而由于遙感圖像本身存在分辨率低，容易受到云層、云陰影和氣溶膠等影響，且每天在固定區(qū)域也僅有單張圖像可以使用，因此有較大的局限性，不適用于實(shí)際大田環(huán)境下小麥抽穗期的自動(dòng)連續(xù)檢測(cè)，難以獲得實(shí)時(shí)、準(zhǔn)確的小麥抽穗信息。目前還需ー種準(zhǔn)確率高、實(shí)用性強(qiáng)和操作方便的方式來代替抽穗期人工檢測(cè)方式，以獲取小麥抽穗期的準(zhǔn)確時(shí)間，便于及時(shí)指導(dǎo)農(nóng)事活動(dòng)。通過田間拍攝的小麥前下視序列圖像，其涵蓋的有用信息更多，有助于小麥抽穗期的實(shí)時(shí)、準(zhǔn)確檢測(cè)。因此通過拍攝的小麥前下視序列圖像，借助圖像處理、信息匯總的手段，對(duì)小麥發(fā)育期進(jìn)行自動(dòng)觀測(cè)就顯得十分必要，但基于圖像的小麥抽穗期自動(dòng)檢測(cè)技術(shù)目前尚未見公開報(bào)道。

發(fā)明內(nèi)容
本發(fā)明目的在于提供ー種小麥抽穗期的自動(dòng)檢測(cè)方法，以實(shí)時(shí)田間米集的小麥前下視序列圖像為對(duì)象，利用其圖像特征準(zhǔn)確地檢測(cè)出小麥抽穗期的時(shí)間。ー種小麥抽穗的自動(dòng)檢測(cè)方法，包括以下步驟⑴訓(xùn)練階段
(I. I)拍攝已進(jìn)入拔節(jié)期的田間小麥圖像序列，從田間小麥圖像序列中的每ー張圖像中按照相同方式提取多塊子區(qū)域作為觀測(cè)區(qū)域；(I. 2)分別對(duì)各圖像的觀測(cè)區(qū)域進(jìn)行主成分分析，得到各觀測(cè)區(qū)域的特征向量；(I. 3)依據(jù)步驟(I. 2)得到的各觀測(cè)區(qū)域的特征向量將各圖像中的觀測(cè)區(qū)域投影到特征空間的第一或第三維，獲得每ー觀測(cè)區(qū)域的特征圖像；將各圖像同一位置的特征圖像合并，獲得該觀測(cè)區(qū)域的特征合并圖像；通過閾值分割將各特征合并圖像轉(zhuǎn)化為ニ值圖；對(duì)于每一二值圖，若其包含的黒色像素點(diǎn)多于白色像素點(diǎn)，則表明該觀測(cè)區(qū)域的麥穗顏色類型為偏暗型，否則，表明該觀測(cè)區(qū)域的麥穗顏色類型為偏亮型；(2)檢測(cè)階段(2. I)按照與步驟(I. I)的相同方式從待檢 測(cè)圖像提取多塊子區(qū)域作為檢測(cè)區(qū)域；(2. 2)依據(jù)步驟(I. 2)得到的各觀測(cè)區(qū)域的特征向量將待檢測(cè)圖像中對(duì)應(yīng)的檢測(cè)區(qū)域投影到特征空間的第一或第三維，獲得每ー檢測(cè)區(qū)域的特征圖像；(2. 3)通過閾值分割將每ー檢測(cè)區(qū)域的特征圖像轉(zhuǎn)換為ニ值圖，若該ニ值圖對(duì)應(yīng)的觀測(cè)區(qū)域的麥穗顏色類型為偏暗型，則從該ニ值圖中選取黑色像素點(diǎn)區(qū)域作為麥穗候選區(qū)域，若該ニ值圖對(duì)應(yīng)的觀測(cè)區(qū)域的麥穗顏色類型為偏亮型，則從該ニ值圖中選取白色像素點(diǎn)區(qū)域作為麥穗候選區(qū)域；(2. 4)分別提取每一麥穗候選區(qū)域的圖像特征，根據(jù)提取的圖像特征對(duì)麥穗候選區(qū)域做去噪處理，最終保留的區(qū)域即為麥穗?yún)^(qū)。(2. 5)若各檢測(cè)區(qū)域中確定的麥穗?yún)^(qū)個(gè)數(shù)大于預(yù)定的第一界定數(shù)，則表明該檢測(cè)區(qū)域進(jìn)入抽穗期；若待檢測(cè)圖像中一半或一半以上的檢測(cè)區(qū)域都進(jìn)入抽穗期，則表明待檢測(cè)圖像進(jìn)入抽穗期。所述步驟(2. 4)按照如下方式進(jìn)行提取麥穗候選區(qū)域的圖像特征，根據(jù)提取的圖像特征對(duì)麥穗候選區(qū)域做去噪處理(2.4. I)從待檢測(cè)圖像中提取與麥穗候選區(qū)域位置對(duì)應(yīng)的區(qū)域圖像，將其從RGB空間轉(zhuǎn)換到LAB空間；對(duì)于該區(qū)域圖像的每ー像素點(diǎn)，若其L分量大于第一噪聲閾值，則從麥穗候選區(qū)域中去除與該像素點(diǎn)對(duì)應(yīng)的像素點(diǎn)，否則，在麥穗候選區(qū)域中保留與該像素點(diǎn)對(duì)應(yīng)的像素點(diǎn)；(2. 4. 2)從麥穗候選區(qū)域提取與其具有相同ニ階矩的橢圓，計(jì)算該橢圓長軸與短軸的比值；(2. 4. 3)若橢圓長軸與短軸的比值大于第二噪聲閾值，則保留該麥穗候選區(qū)域，進(jìn)入步驟(2. 4. 4)，否則去除該麥穗候選區(qū)域，結(jié)束；(2.4.4)計(jì)算橢圓長軸與標(biāo)定后的垂直方向的夾角，若夾角在預(yù)定夾角范圍內(nèi)，則該麥穗候選區(qū)域?yàn)樾←滬溗?。所述第ー噪聲閾值取值范圍為50 100，第二噪聲閾值取值范圍為2 6，所述預(yù)定夾角范圍為[_45，45]。所述步驟(2. 4. I)還統(tǒng)計(jì)麥穗候選區(qū)域的像素點(diǎn)個(gè)數(shù)，若像素點(diǎn)個(gè)數(shù)在理想?yún)^(qū)間內(nèi)，進(jìn)入步驟(2. 4. 2)，否則去除該麥穗候選區(qū)域。本發(fā)明的技術(shù)效果體現(xiàn)在本發(fā)明自動(dòng)對(duì)所采集的實(shí)時(shí)前下視田間小麥圖像進(jìn)行特征提取，并利用提取到的圖像特征，判定該麥田中的小麥?zhǔn)欠竦竭_(dá)抽穗期。該方法以檢測(cè)到的麥穗數(shù)量為判斷依據(jù)，實(shí)時(shí)的對(duì)小麥抽穗期進(jìn)行判斷，檢測(cè)結(jié)果準(zhǔn)確率高，對(duì)小麥的農(nóng)事活動(dòng)具有重要的指導(dǎo)意義。


圖I是本發(fā)明整體流程圖；圖2是訓(xùn)練階段的流程圖；圖3是檢測(cè)階段的流程圖；圖4是待檢測(cè)的小麥區(qū) 域圖像；圖5是小麥初步檢測(cè)出麥穗候選區(qū)的圖像；圖6是將小麥區(qū)域圖像投影到特征空間第三維的結(jié)果示意圖；圖7是合并圖6的結(jié)果示意圖；圖8是除去麥穗候選區(qū)各像素的L分量小于Len的結(jié)果示意圖；圖9是除去與各麥穗候選區(qū)具有相同ニ階矩的橢圓的長短軸比小于rThre的結(jié)果示意圖；圖10是除去與各麥穗候選區(qū)具有相同ニ階矩的橢圓的長軸與標(biāo)定后的垂直生長方向的夾角在[_a，a]之外的結(jié)果示意圖；圖11是某麥穗候選區(qū)具有相同ニ階矩的橢圓及其長短軸示意圖；圖12是某麥穗候選區(qū)具有相同ニ階矩的橢圓長軸與標(biāo)定后的垂直生長方向的夾角示意圖。
具體實(shí)施例方式下面結(jié)合附圖來詳細(xì)說明本發(fā)明的實(shí)施例。本發(fā)明實(shí)施例中使用圖像序列采集于離地面高5米的相機(jī)，鏡頭焦距為16毫米，相機(jī)分辨率為3648X2736像素，相機(jī)光軸與水平地面的夾角約為60度。實(shí)施例以每一天為ー檢測(cè)時(shí)段,每ー檢測(cè)時(shí)段內(nèi)拍攝w張小麥圖像(本實(shí)施例中w = 8)。此發(fā)明g在自動(dòng)檢測(cè)小麥?zhǔn)欠竦竭_(dá)抽穗期。整個(gè)方法分為訓(xùn)練階段和檢測(cè)階段，整個(gè)流程如圖I所示。一、訓(xùn)練階段觀察實(shí)時(shí)拍攝的田間小麥序列圖像，從小麥已經(jīng)進(jìn)入拔節(jié)期開始獲得以后L(L取值一般8 12天，本實(shí)施例中L取10)天的小麥圖像序列，作為訓(xùn)練樣本，其中對(duì)每天拍攝的w張小麥圖像做相同的處理，流程如圖2所示，具體步驟如下(I)獲取訓(xùn)練樣本圖像。田間小麥序列圖像是RGB顏色空間的，大小為3648 X 2736像素，從圖像序列的每張圖像中扣取大小為MXN像素(本實(shí)施例取300 X 300像素)的T(本實(shí)施例取T = 6)塊觀測(cè)區(qū)域，位置相同的觀測(cè)區(qū)域圖像保存在ー個(gè)文件夾中，假設(shè)每個(gè)觀測(cè)區(qū)域都有A張圖像，分別對(duì)T塊觀測(cè)區(qū)域的A張圖像的像素進(jìn)行統(tǒng)計(jì)，這時(shí)得到T塊大小為(AXMXN) X 3的圖像矩陣，對(duì)T塊圖像矩陣做相同的處理，假設(shè)其中一個(gè)圖像矩陣為imageMatrix，將imageMatrix圖像矩陣的大小轉(zhuǎn)化為3X (AXMXN)，以方便接下來對(duì)該圖像矩陣做PCA處理。
(2)訓(xùn)練樣本圖像空間轉(zhuǎn)換，并獲取主成分。對(duì)T塊圖像矩陣做如下相同的主成分(PCA)分析處理，以得到T塊不同的特征空間中的特征向量。i、計(jì)算圖像矩陣中RGB三個(gè)顏色通道的均值。每個(gè)像素點(diǎn)的三個(gè)顏色通道分量值為r(x, y), g(x, y), b(x, y)(其中 X = 1,2, .. . AXM ；y = 1,2, , AX N)根據(jù)公式
權(quán)利要求
1.一種小麥抽穗的自動(dòng)檢測(cè)方法，包括以下步驟 (1)訓(xùn)練階段 (I. I)拍攝已進(jìn)入拔節(jié)期的田間小麥圖像序列，從田間小麥圖像序列中的每一張圖像中按照相同方式提取多塊子區(qū)域作為觀測(cè)區(qū)域； (I. 2)分別對(duì)各圖像的觀測(cè)區(qū)域進(jìn)行主成分分析，得到各觀測(cè)區(qū)域的特征向量； (1.3)依據(jù)步驟(1.2)得到的各觀測(cè)區(qū)域的特征向量將各圖像中的觀測(cè)區(qū)域投影到特征空間的第一或第三維，獲得每一觀測(cè)區(qū)域的特征圖像；將各圖像同一位置的特征圖像合并，獲得該觀測(cè)區(qū)域的特征合并圖像；通過閾值分割將各特征合并圖像轉(zhuǎn)化為二值圖；對(duì)于每一二值圖，若其包含的黑色像素點(diǎn)多于白色像素點(diǎn)，則表明該觀測(cè)區(qū)域的麥穗顏色類型為偏暗型，否則，表明該觀測(cè)區(qū)域的麥穗顏色類型為偏亮型； (2)檢測(cè)階段 (2. I)按照與步驟(I. I)的相同方式從待檢測(cè)圖像提取多塊子區(qū)域作為檢測(cè)區(qū)域； (2. 2)依據(jù)步驟(1.2)得到的各觀測(cè)區(qū)域的特征向量將待檢測(cè)圖像中對(duì)應(yīng)的檢測(cè)區(qū)域投影到特征空間的第一或第三維，獲得每一檢測(cè)區(qū)域的特征圖像； (2. 3)通過閾值分割將每一檢測(cè)區(qū)域的特征圖像轉(zhuǎn)換為二值圖，依據(jù)步驟(1.3)若該二值圖對(duì)應(yīng)的觀測(cè)區(qū)域的麥穗顏色類型為偏暗型，則從該二值圖中選取黑色像素點(diǎn)區(qū)域作為麥穗候選區(qū)域，若該二值圖對(duì)應(yīng)的觀測(cè)區(qū)域的麥穗顏色類型為偏亮型，則從該二值圖中選取白色像素點(diǎn)區(qū)域作為麥穗候選區(qū)域； (2. 4)分別提取每一麥穗候選區(qū)域的圖像特征，根據(jù)提取的圖像特征對(duì)麥穗候選區(qū)域做去噪處理，最終保留的區(qū)域即為麥穗?yún)^(qū)。
(2. 5)若各檢測(cè)區(qū)域中確定的麥穗?yún)^(qū)個(gè)數(shù)大于預(yù)定的第一界定數(shù)，則表明該檢測(cè)區(qū)域進(jìn)入抽穗期；若待檢測(cè)圖像中一半或一半以上的檢測(cè)區(qū)域都進(jìn)入抽穗期，則表明待檢測(cè)圖像進(jìn)入抽穗期。
2.根據(jù)權(quán)利要求I所述的小麥抽穗的自動(dòng)檢測(cè)方法，其特征在于，所述步驟(2.4)按照如下方式進(jìn)行提取麥穗候選區(qū)域的圖像特征，根據(jù)提取的圖像特征對(duì)麥穗候選區(qū)域做去噪處理 (2. 4. I)從待檢測(cè)圖像中提取與麥穗候選區(qū)域位置對(duì)應(yīng)的區(qū)域圖像，將其從RGB空間轉(zhuǎn)換到LAB空間；對(duì)于該區(qū)域圖像的每一像素點(diǎn)，若其L分量小于第一噪聲閾值，則從麥穗候選區(qū)域中去除與該像素點(diǎn)對(duì)應(yīng)的像素點(diǎn)，否則，在麥穗候選區(qū)域中保留與該像素點(diǎn)對(duì)應(yīng)的像素點(diǎn)； (2. 4. 2)從麥穗候選區(qū)域提取與其具有相同二階矩的橢圓，計(jì)算該橢圓長軸與短軸的比值； (2. 4. 3)若橢圓長軸與短軸的比值大于第二噪聲閾值，則保留該麥穗候選區(qū)域，進(jìn)入步驟(2. 4. 4)，否則去除該麥穗候選區(qū)域，結(jié)束； (2. 4. 4)計(jì)算橢圓長軸與標(biāo)定后的垂直方向的夾角，若夾角在預(yù)定夾角范圍內(nèi)，則該麥穗候選區(qū)域?yàn)樾←滬溗搿?br> 3.根據(jù)權(quán)利要求2所述的小麥抽穗的自動(dòng)檢測(cè)方法，其特征在于，所述第一噪聲閾值取值范圍為50 100，第二噪聲閾值取值范圍為2 6，所述預(yù)定夾角范圍為[-45，45]。
4.根據(jù)權(quán)利要求2所述的小麥抽穗的自動(dòng)檢測(cè)方法，其特征在于，所述步驟(2.4. I)還統(tǒng)計(jì)麥 穗候選區(qū)域的像素點(diǎn)個(gè)數(shù)，若像素點(diǎn)個(gè)數(shù)在理想?yún)^(qū)間內(nèi)，進(jìn)入步驟(2. 4. 2)，否則去除該麥穗候選區(qū)域。
全文摘要
本發(fā)明提供一種小麥抽穗的自動(dòng)檢測(cè)方法，以麥田中采集到的實(shí)時(shí)前下視圖像為對(duì)象，以表征小麥麥穗的顏色特征作為分割依據(jù)，通過訓(xùn)練得到小麥麥穗的顏色特征，實(shí)時(shí)地對(duì)小麥麥穗進(jìn)行檢測(cè)，經(jīng)過一系列綜合的去噪處理，若圖像中明顯的出現(xiàn)了小麥麥穗的連通域，則表明當(dāng)前小麥圖像中的小麥進(jìn)入抽穗期。本發(fā)明以表征小麥生長狀況的重要參數(shù)作為判斷依據(jù)，實(shí)時(shí)地對(duì)小麥生長圖像進(jìn)行檢測(cè)，檢測(cè)結(jié)果準(zhǔn)確率高，對(duì)抽穗期相關(guān)的農(nóng)事活動(dòng)具有重要的指導(dǎo)意義。
文檔編號(hào)G06T5/00GK102855485SQ201210277879
公開日2013年1月2日 申請(qǐng)日期2012年8月7日 優(yōu)先權(quán)日2012年8月7日
發(fā)明者曹治國, 王玉, 余正泓, 白曉東, 吳茜, 張雪芬, 薛紅喜, 李翠娜 申請(qǐng)人:華中科技大學(xué)