CN102621075A - 一种水稻抽穗期自动检测的方法 - Google Patents

Abstract

本发明提供一种水稻抽穗期的自动检测方法，以稻田中采集到的实时前下视图像为对象，以表征水稻稻穗的颜色特征作为分割依据，实时地对水稻稻穗进行分割，进而对分割得到的稻穗区域进行稻穗盖度计算，将计算得到稻穗盖度与之前图像的稻穗盖度进行比对，若稻穗盖度明显增大，则表明当前水稻图像中的水稻进入抽穗期。本发明以表征水稻生长状况的重要参数作为判断依据，实时地对水稻生长图像进行计算，检测结果准确率高，对抽穗期相关的农事活动具有重要的指导意义。

Description

一种水稻抽穗期自动检测的方法

技术领域

本发明属于数字图像处理和农业气象观测交叉的领域，具体涉及到一种水稻抽穗期的自动检测方法，即以田间拍摄的水稻图像序列为对象，从图像特征上自动检测水稻是否进入抽穗期的方法。

背景技术

水稻是我国主要的粮食作物之一，在我国南方广泛种植。一直以来，对于水稻各个发育期的观测主要是通过人工观测，受观测员主观因素的影响较大；同时由于水稻种植地域广、生长周期长，利用人工观测显然不够经济。因此，通过每天所拍摄的稻田图像，借助图像处理的手段，对其生长发育进行检测显得十分必要。水稻抽穗期是水稻生长期中的关键时期，对水稻产量形成过程较为重要。这期间水稻田间群体较大，植株抵抗力弱，常遇到高温高湿天气，是病虫害频发的时期(李卫国，王纪华，赵春江等.利用遥感技术监测水稻群体长势[J].江苏农业科学，2008(5)：288-289)，水稻抽穗期检测是田间水稻生长期自动检测的一个重要环节，准确识别水稻抽穗期，可以便于指导后期相关的田间作业，它是水稻农业气象观测的一个重要内容。

2008年孟英等在《黑龙江农业科学》发表论文“水稻安全抽穗期预测模型”中利用T base和有效积温，结合常年气象数据，对水稻品种上育397的安全抽穗期进行了预测。并给出当T base＝9时，有效积温是597.2474℃，验证值与实际抽穗期的差异范围为前后3d，预测值精确度较高；2008年于建华等在《内蒙古农业科技》中发表论文“赤谷六号热量条件分析及抽穗期的预报方法”，文中通过回归统计，指出水稻品种赤谷六号在赤峰具体气候情况下，决定抽穗期早晚的关键是出苗后40d内平均温度，利用出苗后40d内平均温度对水稻抽穗期进行预测误差为前后2.5d，最大误差为9d。2008年许显滨等在《黑龙江农业科学》中发表论文“合江19水稻品种安全抽穗期模拟模型的研究”，文中指出合江19不同年份插秧期至抽穗期间从插秧和抽穗期所需要的天数有很大的不同，但有效积温变化不大。文中根据插秧到抽穗的活动积温，建立了合江19水稻品种安全抽穗期模拟模型，经过同地和异地模型预测值与实测值检验，此模型对于合江19的预测误差小于3d。2009年李花等在《遥感应用》上发表论文“利用H J星遥感进行水稻抽穗期长势分级监测研究”中以江苏省泰兴市为例，利用HJ-A/B卫星遥感影像，提取水稻的种植面积并分析抽穗期水稻的长势情况。利用卫星影像校正，人机交互式判读解译等操作，将GPS样点数据校验贯穿到整个分类过程中。最后，利用归一化植被指数(NDVI)反演叶面积指数(LAI)数据信息，依据LAI数据进行水稻长势分级，制作了泰兴市水稻抽穗期长势分级遥感监测专题图。以便农业技术人员及时制定有效的田间管理措施，达到增产的目的。

以上方法中孟英、于建华和许显滨分别对水稻品种上育397、赤谷六号与合江19的抽穗期建立了模型，对三种水稻品种的抽穗期进行了较准确的预测，但是上述方法中都是从水稻生长环境的角度作为出发点对水稻的抽穗期进行预测，没有抓住抽穗期最为一般化的抽穗的或颜色的特征，上述建立的模型对于不同的品种水稻抽穗期的预测可能会有较大误差。而李花等利用卫星遥感图像进行了水稻长势分级，分析了水稻抽穗期的长势情况，但由于遥感图像分辨能力低，且容易受到云层、云阴影和气溶胶等影响，文中并没能给出实时检测水稻抽穗期的方法。

然而，在农业气象观测领域，主要通过利用稻田的水稻图像实时的对水稻种植密度进行较准确的计算，以便及时指导后期相应的施肥、防止病虫害等农事活动，而且由于不同水稻品种生长所需生长环境的差异较大，上述针对特定品种建立的抽穗期预测模型以及遥感监测的方法都不可行。

发明内容

本发明目的在于提供一种水稻抽穗期的自动检测方法，能够利用田间实时获取的水稻数字图像准确地检测出水稻是否进入抽穗期，且对于不同品种的水稻具有较好的适用性。

一种水稻抽穗期的自动检测方法，首先根据水稻历史图像序列离线训练得到稻穗像素点的水稻稻穗颜色信息表，水稻稻穗颜色信息表包含信息有稻穗像素点在每一亮度i＝1，…，255下对应的a颜色值和b颜色值的分布情况，然后在线实时获取水稻图像，并按照如下方式判断水稻是否进入水稻抽穗期：

(1)将获取的当前水稻图像转化到L-a-b颜色空间，将图像中各像素点的L-a-b颜色空间色彩分量与所述水稻稻穗颜色信息表进行比对，确定满足颜色值分布情况的色彩分量对应的像素点为稻穗像素点，进而得到由稻穗像素点构成的稻穗区域；

(2)计算稻穗区域的像素数占水稻图像的像素总数的比例得到稻穗盖度；

(3)对计算得到的稻穗盖度进行中值滤波处理；

(4)将中值滤波处理后的稻穗盖度与此前计算得到的水稻图像的稻穗盖度进行比较，若稻穗盖度明显增大，则表明当前水稻图像中的水稻进入抽穗期。

进一步地，所述根据水稻穗像历史图像序列离线训练得到稻穗像素点的水稻稻穗颜色信息表的具体实现方式为：

(01)根据水稻穗像历史图像序列生成稻穗样本图像集；

(02)获取稻穗样本图像集中所有图像的稻穗像素点在L-a-b颜色空间的色彩分量(L，a，b)，其中L表示亮度，a表示红或绿的对应值，b表示黄或蓝的对应值，其中L，a，b为8位无符号整形；

(03)分别统计在每一亮度i＝1，…，255下的(a，b)颜色值相同的稻穗像素点个数；

(04)分别在每一亮度i＝1，…，255下，按照(a，b)颜色值相同的稻穗像素点个数越多，则稻穗像素点在亮度i下表现为(a，b)颜色值的可能性越大的原则选取亮度i下的稻穗(a，b)颜色的标定值；

(05)定义三维ColorMap全零矩阵，第一维表示a颜色值，第二维表示b颜色值，第三维表示L亮度，令步骤(04)确定的每一亮度i下的稻穗(a，b)颜色的标定值表示为(s，t，i)，将ColorMap全零矩阵中的(s，t，i)元素值ColorMap(s，t，i)赋值为1，从而得到每亮度i下表征稻穗颜色的二值图像；

(06)对ColorMap中每一亮度i下的稻穗颜色的二值图像依次进行膨胀和腐蚀，得到水稻稻穗颜色信息表。

进一步地，采用结构元素大小为5的圆形结构元素对ColorMap中每一亮度i下的稻穗颜色的二值图像进行膨胀，再采用结构元素大小为3的圆形结构元素对ColorMap中每一亮度i下的稻穗颜色的二值图像进行腐蚀。

进一步地，所述步骤(4)将中值滤波处理后的稻穗盖度与此前计算得到的水稻图像的稻穗盖度的比值大于1.5，则稻穗盖度明显增大。

进一步地，所述步骤(1)还对得到的稻穗区域作去噪处理。

本发明的技术效果体现在：本发明自动对所采集的实时前下视水稻田间图像进行特征提取，并利用颜色信息对相机场景中的稻穗进行图像分割，进而计算该块稻田中的水稻是否进入抽穗期。该方法以表征水稻生长状况的重要参数作为判断依据，实时地对水稻生长图像进行计算，检测结果准确率高，利用两年的水稻早稻与晚稻数据进行实验误差为滞后两天，最差一次为四天，对抽穗期相关的农事活动具有重要的指导意义。

附图说明

图1是训练阶段的流程图；

图2是水稻稻穗图像分割的流程图；

图3是自动检测水稻抽穗期的流程图；

图4是水稻抽穗自动检测算法的整体流程；

图5是待检测序列中随机挑选的一张图像；

图6是图5中图像的最终分割结果示意图；

图7是2010年南昌水稻抽穗盖度原始数据示意图；

图8是图7中水稻抽穗盖度中值滤波后的结果示意图。

具体实施方式

下面结合附图来详细说明本发明的实施例。

本发明中使用图像序列采集与离地面高5米的相机，镜头焦距为14毫米，水平视场角为46度，垂直视场角为35度，相机分辨率不低于400万像素。实施例以每一天为一检测时段，每一检测时段内拍摄w张水稻图像(w＝5)。每天为一检测阶段，有利于识别水稻的主要关键生长期。此发明旨在自动检测水稻抽穗期。整个方法分为训练阶段、分割阶段和检测阶段。

1.训练阶段：通过前一年拍摄的稻田水稻的历史图像数据，统计图像中稻穗部分在L-a-b颜色空间的颜色信息，其流程如图1所示，具体步骤如下：

(1)生成稻穗样本图像。

从往年历史图像数据中，随机选取各种光照条件下拍摄的包含稻穗的水稻图像80幅左右，手工扣取上述图像中包含稻穗的图像部分图，部分图大小为200×200像素(图像块大小不需要固定)，将上述稻穗图像块转换到L-a-b颜色空间，在L-a-b颜色空间下利用k-means聚类将部分图分为5类，每一类对应像素位置保留部分图的颜色信息，其它像素各通道颜色值置为0。然后手工选出仅包含有稻穗的图像块作为样本图像集。

上述图像部分图可以扣取仅包含稻穗的区域，也可扣取包含稻穗和水稻叶的区域，因为稻穗所占像素小，因此扣取仅包含稻穗的区域难度比较大，优选后者。本步骤也不局限于聚类分割方法，还可使用图割、分水岭和区域生长等分割方法。

(2)获取稻穗样本图像集中所有图像的稻穗像素点在L-a-b颜色空间的色彩分量(L，a，b)，其中L表示亮度，a表示红或绿的对应值，b表示黄或蓝的对应值，其中L，a，b为8位无符号整形。

设稻穗样本图像集为S_m，m＝1…150，图像中的第i行与第j列像素点相对应的在L-a-b颜色空间的色彩分量L(i，j)、a(i，j)、b(i，j)和在R-G-B颜色空间的色彩分量R(i，j)、G(i，j)、B(i，j)，依次从每张样本图像的每个像素点查找，记num＝1，若R(i，j)≠0(背景区域为纯黑色)，则获取此水稻稻穗像素点特征为[a_num，b_num，L_num]，且令num＝num+1。依次查找直到终止，将最后的num-1记为TotalNum。于是上述过程得到一个TotalNum×3的水稻稻穗颜色信息矩阵F^TotalNum×3。

(3)统计在不同亮度i＝1，…，255下，(a，b)颜色值相同的稻穗像素点个数。

为充分利用水稻稻穗在各种光照条件下的颜色特征，将F^TotalNum×3矩阵按行随机排列，再截取其中的前RowNum行特征，记为f^RowNum×3。定义z^{255×255×255}为全零矩阵，依次从i＝1，2，…，RowNum，按照f^RowNum×3(也即[a_RowNum，b_RowNum，L_RowNum])行的顺序，令z(f(i，1)，f(i，2)，f(i，3))＝z(f(i，1)，f(i，2)，f(i，3))+1。于是获得稻穗颜色信息的分布矩阵z，下面对矩阵z进一步处理。RowNum的取值区间为[10000，50000]，此处我们选择RowNum＝50000，获得了较好的结果。

(4)在第i＝1，…，255亮度下，按照(a，b)颜色值相同的稻穗像素点个数越多，则稻穗像素点在亮度i下表现为(a，b)颜色值的可能性越大的原则选取稻穗(a，b)颜色的标定值。

在像素点亮度为L＝i，i＝1，…，255的情况下，将z(a，b，i)矩阵转化为向量形式，并将其按照元素由大到小的顺序进行排列得到向量mapLine，并计算mapLine的向量和mapLineSum，向量长度mapLineLength，依次从j＝1，…，mapLineLength，令：mapLineSumTemp＝mapLineSumTemp+mapLine(j)；

直至mapLineSumTemp＞095×mapLineSum，记此时的j为TagLength，再依次从j＝1，…，TagLength，令z(s，t，i)＝mapLine(j)，由上式求得的(s，t)即为水稻稻穗在亮度i下(a，b)颜色的标定值。

(5)定义尺寸为255×255×255的三维ColorMap全零矩阵，第一维表示a颜色值，第二维表示b颜色值，第三维表示L亮度，令步骤(04)在亮度i下选取的稻穗(a，b)颜色的标定值表示为(s，t，i)，将ColorMap全零矩阵中的(s，t，i)元素值ColorMap(s，t，i)赋值为1，从而得到的ColorMap中，第i层表示在亮度i下表征稻穗颜色信息的二值图像。

(6)膨胀和腐蚀处理。

在样本数量有限情况下，ColorMap中本来应该标记为1的元素位置未能进行标记仍然为0，这就需要对ColorMap中的每层进行后续处理，以便填补稻穗样本有限进而带来的“空洞”。

ColorMap中的每层为255×255的二值图像，定义结构元素大小为5的圆形结构元素，对ColorMap中的每层二值图像进行依次膨胀(van denBoomgard，R，and R.van Balen，″Methods for Fast Morphological ImageTransforms Using Bitmapped Images，″Computer Vision，Graphics，andImage Processing：Graphical Models and Image Processing，Vol.54，Number 3，pp.254-258，May 1992.)，然后定义结构元素大小为3的圆形结构元素，对ColorMap中的每层二值图像进行依次腐蚀(van denBoomgard，R，and R.van Balen，″Methods for Fast Morphological ImageTransforms Using Bitmapped Images，″Computer Vision，Graphics，andImage Processing：Graphical Models and Image Processing，Vol.54，Number 3，pp.254-258，May 1992.)，于是最终获取稻穗的颜色信息统计表ColorMap。

本实施例训练阶段(3)中“定义结构元素大小为5的圆形结构元素，对ColorMap中每层的二值图像进行依次膨胀，然后结构元素大小为3的圆形结构元素，对ColorMap中的每层的二值图像进行依次腐蚀”，这是实验后的判别式。在应用中，不局限上述方法，只要可以填补生成的颜色信息表中每层二值图像中的“空洞”的即可。

2.分割阶段，利用训练阶段生成稻穗的颜色信息统计表ColorMap，对待检测的实时前下视稻田水稻图像进行水稻稻穗分割，流程图如附图2所示，具体操作步骤如下：

(1)利用生成的稻穗颜色信息统计表，对实时前下视稻田图像进行水稻稻穗区域进行粗选。将待分割图像序列记为S_t，t＝1，2，…n，文中所有下标t均代表待测图像序列中的每张图像S。将图像S转化到L-a-b颜色空间，此时图像中的第i行与第j列像素点相对应的在L-a-b颜色空间的色彩分量L_t(i，j)、a_t(i，j)、b_t(i，j)，定义行列数与S相同的全零矩阵逻辑矩阵SL_t。

若

ColorMap(a_t(i，j)，b_t(i，j)，L_t(i，j))＝＝1

则此像素点为水稻稻穗对应像素点，将SL_t此位置标记为1。由此得到粗选后水稻稻穗区域的分割结果逻辑矩阵SL_t。

(2)连通域标记和去噪，利用标记算法，对二值图像SL_t进行8邻域连通域标记，第k个连通域记为SL_t(k)，连通域的面积即像素个数记为num_t(k)，根据如下的公式：

去除较小的连通域以降低噪声对抽穗分割带来的干扰。面积阈值Threshold根据需要进行选择，一般为[5，20]。一般可取Threshold为6。操作完成后得到最后的SL_t。查找SL_t中(i，j)位置为0的点，取S中此位置像素点为黑色，于是得到图像D_t中水稻稻穗的最后分割结果DResult_t，图像序列中随机选取的一张图像如图5，则它的分割结果如图6所示。

3.检测阶段，将在线实时获取的待分割图像序列记为S_t，t＝1，2，…n中的每张图像S进行上述稻穗分割，分割结果中SL_t稻穗对应像素位置为1，其它像素位置为0。检测阶段分为水稻稻穗盖度统计，稻穗盖度统计与水稻抽穗期判断两个部分，具体操作步骤如下：

(1)水稻稻穗盖度统计。

设SL_t图像的长宽分别为length、width，定义S_t中稻穗的覆盖度RiceCover_t定义为：

RiceCover_t＝sum(SL_t)/length×width，t＝1，2，…n，sum(SL_t)为分割图像中的稻穗像素点数；

(2)稻穗盖度数据处理。

在图像序列S_t中，S_t指图像中的第t张，由以上方法可以依次获得RiceCover_t，t＝1，2，…，n，n表示获取的图像总数。假定该图像序列中同一天内w个不同时刻点一一对应有w张图像。考虑到各个时刻点的稻田光照条件不同，会对稻穗的分割带来一定干扰，可将各个时刻点的图像进行单独分析，按时刻点对RiceCover_t，t＝1，2，…，n划分为w个子序列RiceCover_i(s)，i＝1，2，…，w，s＝1，2，…，n(i)′，其中n(i)′为第i个子序列中的图像数量，同一子序列中的图像按照其拍摄日期先后排序。逐一对这w个子序列进行中值滤波。以RiceCover₁(s)为例，对RiceCover₁(s)，s＝1，2，…，n(i)′矢量从后向前，以5个元素为一组向前进行中值滤波，RiceCover₁(s)矢量中的前4个元素置为0.01，获得噪声抑制后的矢量MedianRiceCover₁(s)。图7是2010年南昌水稻抽穗盖度原始数据，图8是图7中水稻抽穗盖度中值滤波后的结果；

(3)水稻抽穗期综合判断。

将中值滤波处理后的盖度与此前获取的水稻图像的稻穗盖度进行比较，若稻穗盖度明显增加，则表明当前水稻图像中的水稻进入抽穗期。

具体的比较方式有多种，例如将当天图像与之前(例如3～6天)的某一天图像进行比较，若盖度相对于之前(例如3～6天)的某一天的水稻图像的稻穗盖度的比值大于等于阈值2，可认为当前水稻图像中的水稻进入抽穗期；又例如按照日期先后顺序分阶段比较，比如以m天(例如3～6天)为一个时段，将近期m天的图像与之前的m天的图像逐一比较，再对比较结果作综合判断。比较周期和用以判断盖度明显增加的阈值根据比较方式来确定。上述比较方式只是示例，不局限于上述两种方式，只要能实现与之前的图像作稻穗盖度比较判断即可。

下面给出一个第一个时刻点采用时段进行比较的示例：

对于上述经过噪声抑制后的MedianRiceCover₁(s)，定义Scale＝5即将当前图像与之前间隔5天的图像进行比较，令稻穗盖度的比值阈值rate＝1.5。在MedianRiceCover₁序列中依次从i＝2Scale，…，n(i)′，定义逻辑矩阵logical_i，logical_i的和为Sumlogical_i，eps＝0.0001，logical_i其取值为以下判断：

若 $\frac{{\mathrm{MedianRiceCover}}_1\left(i\right)}{{\mathrm{MedianRiceCover}}_1(i-\mathrm{Scale})+\mathrm{eps}}>\mathrm{rate},$ 则令logical_i(1)＝1；

若 $\frac{{\mathrm{MedianRiceCover}}_1(i-1)}{{\mathrm{MedianRiceCover}}_1(i-1-\mathrm{Scale})+\mathrm{eps}}>\mathrm{rate},$ 则令logical_i(2)＝1；

若 $\frac{{\mathrm{MedianRiceCover}}_1(i-2)}{{\mathrm{MedianRiceCover}}_1(i-2-\mathrm{Scale})+\mathrm{eps}}>\mathrm{rate},$ 则令logical_i(3)＝1；

若 $\frac{{\mathrm{MedianRiceCover}}_1(i-3)}{{\mathrm{MedianRiceCover}}_1(i-3-\mathrm{Scale})+\mathrm{eps}}>\mathrm{rate},$ 则令logical_i(4)＝1；

若 $\frac{{\mathrm{MedianRiceCover}}_1(i-4)}{{\mathrm{MedianRiceCover}}_1(i-4-\mathrm{Scale})+\mathrm{eps}}>\mathrm{rate},$ 则令logical_i(5)＝1；

对第一个时刻点子序列，时间序列s＝1，2，…，n(i)′，其水稻抽穗期的判断准则是：

若

$\left\{\begin{array}{c}{\mathrm{MedianRiceCover}}_1\left(i\right)>0.005\\ {\mathrm{Sum}\log \mathrm{ical}}_i>3\end{array}\right.$

第一个子序列RiceCover₁(s)表明当天第一个时间点的图像进入抽穗期。进一步地，若同天内有超过w/2的子序列检测到水稻进入抽穗期，则综合判定此天发生水稻进入抽穗期，否则未进入抽穗期。利用上述准则检测水稻进入抽穗期，直至检测到水稻已进入抽穗期，根据实验结果，rate的范围可以定为[1，2]，这里优选rate＝1.5，判断部分具体流程如图3所示，综上，水稻抽穗期自动检测的算法整体流程如图4所示。

本实施例检测阶段(3)中利用logical_i的和为Sumlogical_i来检测MedianRiceCover₁(i)曲线的上升趋势，这是实验后的判别式。在应用中，不局限上述方法，只要检测到此曲线的起始上升点即可。

Claims (5)

1.一种水稻抽穗期的自动检测方法，首先根据水稻历史图像序列离线训练得到稻穗像素点的水稻稻穗颜色信息表，水稻稻穗颜色信息表包含信息有稻穗像素点在每一亮度i＝1，…，255下对应的a颜色值和b颜色值的分布情况，然后在线实时获取水稻图像，并按照如下方式判断水稻是否进入水稻抽穗期：

(1)将获取的当前水稻图像转化到L-a-b颜色空间，将图像中各像素点的L-a-b颜色空间色彩分量与所述水稻稻穗颜色信息表进行比对，确定满足颜色值分布情况的色彩分量对应的像素点为稻穗像素点，进而得到由稻穗像素点构成的稻穗区域；

(2)计算稻穗区域的像素数占水稻图像的像素总数的比例得到稻穗盖度；

(3)对计算得到的稻穗盖度进行中值滤波处理；

(4)将中值滤波处理后的稻穗盖度与此前计算得到的水稻图像的稻穗盖度进行比较，若稻穗盖度明显增大，则表明当前水稻图像中的水稻进入抽穗期。

2.根据权利要求1所述的水稻抽穗期的自动检测方法，其特征在于，所述根据水稻穗像历史图像序列离线训练得到稻穗像素点的水稻稻穗颜色信息表的具体实现方式为：

(01)根据水稻穗像历史图像序列生成稻穗样本图像集；

(02)获取稻穗样本图像集中所有图像的稻穗像素点在L-a-b颜色空间的色彩分量(L，a，b)，其中L表示亮度，a表示红或绿的对应值，b表示黄或蓝的对应值，其中L，a，b为8位无符号整形；

(03)分别统计在每一亮度i＝1，…，255下的(a，b)颜色值相同的稻穗像素点个数；

(04)分别在每一亮度i＝1，…，255下，按照(a，b)颜色值相同的稻穗像素点个数越多，则稻穗像素点在亮度i下表现为(a，b)颜色值的可能性越大的原则选取亮度i下的稻穗(a，b)颜色的标定值；

(05)定义三维ColorMap全零矩阵，第一维表示a颜色值，第二维表示b颜色值，第三维表示L亮度，令步骤(04)确定的每一亮度i下的稻穗(a，b)颜色的标定值表示为(s，t，i)，将ColorMap全零矩阵中的(s，t，i)元素值ColorMap(s，t，i)赋值为1，从而得到每一亮度i下表征稻穗颜色的二值图像；

(06)对ColorMap中每一亮度i下的稻穗颜色的二值图像依次进行膨胀和腐蚀，得到水稻稻穗颜色信息表。

3.根据权利要求2所述的水稻抽穗期的自动检测方法，其特征在于，所述膨胀和腐蚀的具体实现方式为：采用结构元素大小为5的圆形结构元素对ColorMap中每一亮度i下的稻穗颜色的二值图像进行膨胀，再采用结构元素大小为3的圆形结构元素对ColorMap中每亮度i下的稻穗颜色的二值图像进行腐蚀。

4.根据权利要求1所述的水稻抽穗期的自动检测方法，其特征在于，所述步骤(4)将中值滤波处理后的稻穗盖度与此前计算得到的水稻图像的稻穗盖度的比值大于1.5，则稻穗盖度明显增大。

5.根据权利要求1所述的水稻抽穗期的自动检测方法，其特征在于，所述步骤(1)还对得到的稻穗区域作去噪处理。

Images