CN102636486B - 一种棉花三真叶期的自动检测方法 - Google Patents

Abstract

本发明提供---一种基于图像的棉花三真叶期检测方法，以在棉田采集的实时下视图像为对象，利用颜色特征将棉花植株分割出来，并利用提取到的图像特征，判断棉花是否已经到达三真叶期。该方法以表征棉花生长情况的重要参数作为判定依据，实时地对棉花生长期进行判断，检测结果准确率高。对分析棉花发育期与气象条件之间的关系，鉴定棉花生长的农业气象条件以及对棉花的农事活动都具有重要的指导意义。

Description

一种棉花三真叶期的自动检测方法

技术领域

本发明属于数字图像处理和农业气象观测结合领域，具体涉及一种以棉田下视序列图像为对象，利用图像特征来检测是否到达棉花三真叶期的方法。

背景技术

棉花是我国主要的经济作物之一，种植面积十分广泛。棉花的发育期、产量和质量容易受到气候变化的影响。长期以来，对于棉花发育期的观测主要是通过人工观测的方式，受观测员主观因素的影响比较大；同时由于观测周期长、地域广，利用人力进行观测也不够经济。因此，通过拍摄棉田视频图像，利用图像处理的手段，对其发育期进行观测是十分必要的。棉花三真叶期是棉花生长的一个重要环节，是农业气象观测的一个重要内容。

李敏等人在2011年的《山东农业大学学报(自然科学版)》上发表的论文“基于遥感的乡镇级棉花面积提取与长势监测研究”中，以CBERS01和HJ1B卫星图像为信息源，选取棉花信息较为突出的时相，经几何校正、腌膜、图像增强等预处理，在分析研究区典型地物光谱特征的基础上，采用决策树分类方法提取棉花种植面积，分析棉花生长过程中植被指数的变化规律和棉花长势的时空变化。然而该方法只利用棉花种植总体面积表征棉花长势，具有不确定性。而且，利用卫星图像提取棉花种植面积的方法干扰因素多，误差较大；刘娇娣等人在2011年的《石河子大学学报(自然科学版)》上发表的论文“基于植被指数的新疆棉花遥感估产模型研究”中，利用植被指数与棉花产量的关系建立了棉花遥感估产模型，利用多时相遥感数据实现对棉花产量定量遥感预测。以新疆棉花各生育期的不同卫星数据，构建相关植被指数，并与实际棉花产量进行回归分析，建立了棉花单产的遥感估算模型，用来预测棉花产量。然而该方法只利用遥感数据进行棉花估产，没有对棉花的某个生长期进行观测。而且遥感图像存在一些缺点，如分辨率低，且容易受到云层、云阴影和气溶胶等影响，每天在固定区域也仅有单张图像可以使用，有较大的局限性。这些缺点不利于利用遥感图像精确判断农作物生长状况。陈燕2007年的硕士论文“基于高光谱数据的棉花生长信息定量模型研究”中，利用高光谱仪对不同处理下的棉花冠层进行多时相监测，获取棉花全生育期各种生长信息。基于光谱微分技术和多种分析算法，研究棉花叶面积指数、生物量、覆盖度与高光谱数据的相关性，筛选适宜的特征参数和植被指数，以建立棉花全生育期生长信息最佳定量模型。该方法利用了高光谱数据来对棉花生长信息进行监测，虽然获取了生育期生长信息，但是没有对棉花的特定生长期进行检测。而且，高光谱数据和遥感数据一样，容易受到干扰，没有直观地反应植物的生长状况。

以上对棉花长势、面积、产量和生长期信息的监测都是利用卫星图像、遥感数据或高光谱数据确定的，但这些图像由于自身局限性不利于精确判断农作物生长状况。而实时相机图像分辨率高，受干扰小，能提供更多的信息量。因此本发明通过利用装置在田间的数码相机来实时获取棉花图像，研究基于图像的棉花三真叶期自动检测技术，以获取棉花三真叶期的准确到达时间，以便于及时指导农事活动。

发明内容

本发明的目的在于提供一种棉花三真叶期的自动检测方法，以相机在棉田采集的实时下视图像为处理对象，利用颜色特征将棉花植株分割出来，并利用提取到的图像特征，判断棉花是否已经到达三真叶期，具有准确率高，实用性强的特点。

一种棉花三真叶期的自动检测方法，包括以下步骤：

依据棉花页片颜色特征对相机拍摄的当日棉花田间图像进行分割得到棉花叶片图像；

对棉花叶片图像进行去噪处理；

从去噪处理后的棉花叶片图像中截取多个子区域，多个子区域分别以预定的多个中心点一一对应为中心；

分别统计多个子区域中的棉花叶片像素点个数；

分别将多个子区域中的棉花叶片像素点个数与初始检测日得到的多个子区域中的棉花叶片像素点个数一一对应比较；若某一子区域的棉花叶片像素点个数相对初始检测日明显增多，则判定该子区域中的棉花进入三真叶期；

若子区域总数一半及一半以上的子区域的棉花被判定进入三真叶期，则判定棉花在当日进入三真叶期；

所述预定的中心点按照如下方式确定：对初始检测日采用相机拍摄的棉花田间图像进行分割，在分割得到的图像中进行连通域识别，将形状特征和面积均各自满足棉花叶片形状要求和面积要求的连通域确定为棉花叶片连通域，分别计算各棉花叶片连通域的中心点。

进一步的，在预定中心点确定过程中，还对间距小于距离阈值Td的中心点进行合并。

进一步的，所述距离阈值Td大于等于10且小于等于25。

进一步的，若某一子区域中的棉花叶片像素点个数与初始检测日得到的对应子区域中的棉花叶片像素点个数的比值大于等于3，则判定该子区域中的棉花进入三真叶期。

进一步的，当日拍摄多幅图像，计算当日多幅图像中相同中心点的子区域的像素点数平均值，将各中心点对应的像素点数平均值与初始检测日得到的多个子区域中的棉花叶片像素点个数一一对应比较。

进一步的，所述形状特征为傅里叶描述子或偏心度或与连通域具有相同二阶矩椭圆的长短轴之比。

本发明自动对所采集的实时下视棉花田间图像进行特征提取，并利用提取到的图像特征，判定该区域的棉花植株是否到达三真叶期。同时，在一天中不同时刻，以固定位置和姿态拍摄多幅前下视棉田图像，综合利用同一天内不同时刻的检测结果进行判断，有效消除了随机误差，进一步提高了检测结果的准确性。对棉花的农事活动具有重要的指导意义。

附图说明

图1是本发明的整体流程图；

图2是开始检测三真叶期的第一张棉花田间下视图原始图像；

图3是对图2的特定区域进行绿色分割后的结果图；

图4是对图3去噪声并检测连通域质心确定中心点的结果图像；

图5是任取一张棉花田间下视图原始图像；

图6是对图5进行绿色分割的结果图；

图7是对图6根据已确定的中心点位置划定21*21大小矩形框；

图8是所有序列图像结果判定图。

具体实施方式

本发明对所采集的实时下视棉花田间图像进行特征提取，并利用提取到的图像特征，提供了一种棉花三真叶期的自动检测方法。下面结合附图来详细说明本发明的具体实施方式。

本发明的总体思路是：利用颜色特征对相机拍摄的当日棉花田间图像分割，在分割得到的棉花叶片图像中截取多个子区域，将子区域的棉花叶片像素点个数与初始检测日的图像中相同子区域统计的棉花叶片像素点个数进行比较，若像素点个数明显增多，判定棉花进入三真叶期。

一、确定中心点

为了将当日的棉花叶片图像与初始检测日的图像中相同子区域进行比较，首先要统一子区域划分规则。本发明是根据检测第一天的第一张图确定中心点，然后在以后的图像中均以该中心点进行相同大小的子区域划分，这样就保证了区域的匹配性。

确定中心点的思路是，对初始检测日采用相机拍摄的棉花田间图像进行分割，在分割得到的图像中进行连通域识别，将形状特征和面积均各自满足棉花叶片形状要求和面积要求的连通域确定为棉花叶片连通域，分别计算得到各棉花叶片连通域的中心点。

具体做法如下：

1.图像分割：如图2所示为初始日拍摄的棉花田间下视图像，首先对该图像中的进行图像分割。由于本实施例中棉花植株主要位于实际拍摄图像中的中间区域，为了减少杂草及其他因素影响，选取图像中间1/2区域提取各绿色候选连通区域，分割结果如图3所示；分割是为提取棉花绿色叶片，具体的分割方法可采用环境自适应分割方法(Lei F.Tian.Environmentally adaptive segmentation algorithm for outdoor imagesegmentation.Computers and electronics in agriculture，1998，21：153～168)、超绿算子分割方法(D.M.Woebbecke，G.E.Meyer，K.Von Bargen，D.A.Mortensen.Color Indices for weed identification under various soil，residue，andlighting conditions.Transactions of the ASAE，1995，38(1)：259～269)、基于Mean Shift的作物图像分割方法(Zheng L，Zhang J，Wang Q.Mean-shift-based color segmentation of images containing green vegetation.Computers and Electronics in Agriculture，2009，65：93-98)等等。

2.提取作物连通区域：对棉花叶片图像进行连通域识别，依据连通域的形状特征和面积，在各连通区域检测出棉花叶片连通区域；若连通域特征属于阈值范围，则确定为棉花叶片连通域，否则剔除该连通域，对图3进行处理后的结果如图4所示。所述形状特征可以采用傅里叶描述子、偏心度、与连通域具有相同二阶矩椭圆的长短轴之比等等。本实施例选择的形状特征为与连通域具有相同二阶矩椭圆的长短轴之比，阈值范围为[0，3.5]，该阈值范围的确定是由棉花植株在下视图中的形状特征确定；连通域像素面积阈值需根据相机参数与相机高度通过相机标定的实验确定。本实施例中，根据实验确定的面积阈值取10，单位为像素，小于10个像素点的连通域被剔除。本实施例中图像分辨率为3648×2736像素，相机高度为5米，相机焦距为16毫米。

3.连通域中心点确定：首先，计算第一张图中每个连通域的中心位置作为中心点，公式如下：

$\mathrm{px}=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{x}_i,$ $\mathrm{py}=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{y}_i$

其中，x_i和y_i是某一连通域内点集的坐标。

再计算候选连通域中心点两两之间的距离，若两点距离小于T_d，则将两个中心点合并。距离阈值T_d大于等于10且小于等于25，本实施例中T_d为20个像素。新的中心点坐标取两点坐标的中心，公式如下：

$x_{\mathrm{new}}=\frac{x_1+x_2}{2},$ $y_{\mathrm{new}}=\frac{y_1+y_2}{2}$

最后确定N个连通域中心点及其位置P_n＝{px，py}，其中n＝1，...，N。如图4所示。

二、实时检测

1.单幅图像处理：首先对棉花田间下视图像进行绿色分割和提取作物连通区域，得到棉花叶片连通区域图像，如图6所示。分割方法和提取作物连通域方法分别如上述中心点确定步骤中的图像分割方法和提取作物连通区域方法。对棉花叶片连通区域，分别以N个连通域中心点位置P_n(n＝1，...，N)为中心，size*size矩形子区域内作物像素点个数{K₁，K₂，...，K_N}。子区域的形状可以为四边形或圆形，子区域的大小由棉花植株在实时下视图中的大小而定。本实施例中子区域的形状选取为size*size矩形，size大小范围取20～30个像素。本实施例中size大小取21个像素，如图7所示。

2.同一天图像数据综合：

(1)统计同一天所有图像中，N个中心点分别对应的作物像素点个数的平均数V_n(n＝1，...，N)。公式如下：

$V_n=\frac{1}{\mathrm{numofimg}}\underset{i=1}{\overset{\mathrm{numofimg}}{\mathrm{\Σ}}}{K}_n,$ 其中n＝1，...，N

其中，numofimg是一天中处理图像的数目，n＝1，...，N。第一天的V_n记为V_n0。

得到与第一天的各中心点对应的作物像素点个数的比值R_n(n＝1，...，N)，公式如下：

其中n＝1，...，N

3.综合判断：

计算某一天R_n中大于T_R的中心点个数占中心点总数N的比率Ratio，本实施例中T_R＝3；若该天Ratio＞threshold，则判断该天已经到达三真叶期。本实施例中threshold取值为0.5。如图8所示。其中X轴表征日期天数，Y轴表征某天比值R_n中大于T_R的中心点个数占中心点总数的比率。若Ratio≤threshold则表明还没有到达三真叶期，则继续判断下一天是否满足条件。

Claims (4)

1.一种棉花三真叶期的自动检测方法，包括以下步骤：

依据棉花页片颜色特征对相机拍摄的当日棉花田间图像进行分割得到棉花叶片图像；

对棉花叶片图像进行去噪处理；

从去噪处理后的棉花叶片图像中截取多个子区域，多个子区域分别以预定的多个中心点一一对应为中心；

分别统计多个子区域中的棉花叶片像素点个数；

分别将多个子区域中的棉花叶片像素点个数与初始检测日得到的多个子区域中的棉花叶片像素点个数一一对应比较；若某一子区域的棉花叶片像素点个数相对初始检测日明显增多，则判定该子区域中的棉花进入三真叶期；

若子区域总数一半及一半以上的子区域的棉花被判定进入三真叶期，则判定棉花在当日进入三真叶期；

所述预定的中心点按照如下方式确定：对初始检测日采用相机拍摄的棉花田间图像进行分割，在分割得到的图像中进行连通域识别，将形状特征和面积均各自满足棉花叶片形状要求和面积要求的连通域确定为棉花叶片连通域，分别计算各棉花叶片连通域的中心点；

在预定中心点确定过程中，还对间距小于距离阈值T_d的中心点进行合并；

所述距离阈值T_d大于等于10且小于等于25。

2.根据权利要求1所述的棉花三真叶期的自动检测方法，其特征在于，若某一子区域中的棉花叶片像素点个数与初始检测日得到的对应子区域中的棉花叶片像素点个数的比值大于等于3，则判定该子区域中的棉花进入三真叶期。

3.根据权利要求1所述的棉花三真叶期的自动检测方法，其特征在于，当日拍摄多幅图像，计算当日多幅图像中相同中心点的子区域的像素点数平均值，将各中心点对应的像素点数平均值与初始检测日得到的多个子区域中的棉花叶片像素点个数一一对应比较。

4.根据权利要求1所述的棉花三真叶期的自动检测方法，其特征在于，所述形状特征为傅里叶描述子或偏心度或与连通域具有相同二阶矩椭圆的长短轴之比。

Images