CN102855485B - 一种小麦抽穗的自动检测方法 - Google Patents

Abstract

本发明提供一种小麦抽穗的自动检测方法，以麦田中采集到的实时前下视图像为对象，以表征小麦麦穗的颜色特征作为分割依据，通过训练得到小麦麦穗的颜色特征，实时地对小麦麦穗进行检测，经过一系列综合的去噪处理，若图像中明显的出现了小麦麦穗的连通域，则表明当前小麦图像中的小麦进入抽穗期。本发明以表征小麦生长状况的重要参数作为判断依据，实时地对小麦生长图像进行检测，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

一种小麦抽穗的自动检测方法

技术领域

本发明属于数字图像处理和农业气象观测的交叉领域，具体涉及到一种小麦抽穗的自动检测方法，即以田间拍摄的小麦前下视图像序列为对象，从图像特征上自动检测小麦是否进入抽穗期的方法。

背景技术

小麦是世界上总产量第二的粮食作物，在我国东北、华北、华东等地区大范围种植。为了提高小麦的产量和质量，需要对它的发育速度和进程进行了解，并在此基础上分析它的各发育期与气象条件之间的联系，从而鉴定小麦生长的农业气象条件。然而长期以来，对于小麦各发育期的观测主要是通过人工观测的方式，受观察员主观因素的影响很大；同时由于小麦的种植地域广、生长周期长，利用人工进行观测也不够经济，没有办法保证精确度。小麦抽穗期是小麦生长期中的关键时期,对小麦产量形成过程较为重要。小麦抽穗期是衡量小麦成熟的重要指标。有效而准确地识别这个时期，是农业气象观测的重要内容。

2009年李卫国、李正金、申双和在《江苏农业科学》上发表的“小麦遥感估产研究现状及趋势分析”中就小麦遥感估产精度的提高、遥感和模型结合的估产研究与应用、极端气候条件下的遥感估产以及遥感估产技术的信息集成化做了阐述；2009年张旭东在其硕士论文《卫星遥感监测江苏省小麦籽粒产量和品质初步探索》中利用遥感技术在小麦生长的中后期对籽粒产量及蛋白质含量进行了预测；2010年蔡薇在其硕士论文《基于MODIS遥感数据混合像元分解的小麦识别及面积估算》中对Langsat5TM数据采用监督分类，根据分类结果图提取小麦种植区域，并进行像元聚类分析，将其结果作为MODIS混合像元分解精度的评价标准。但以上对小麦产量、生长状况的监测都是利用遥感数据确定的，而由于遥感图像本身存在分辨率低，容易受到云层、云阴影和气溶胶等影响，且每天在固定区域也仅有单张图像可以使用，因此有较大的局限性，不适用于实际大田环境下小麦抽穗期的自动连续检测，难以获得实时、准确的小麦抽穗信息。目前还需一种准确率高、实用性强和操作方便的方式来代替抽穗期人工检测方式，以获取小麦抽穗期的准确时间，便于及时指导农事活动。

通过田间拍摄的小麦前下视序列图像，其涵盖的有用信息更多，有助于小麦抽穗期的实时、准确检测。因此通过拍摄的小麦前下视序列图像，借助图像处理、信息汇总的手段，对小麦发育期进行自动观测就显得十分必要，但基于图像的小麦抽穗期自动检测技术目前尚未见公开报道。

发明内容

本发明目的在于提供一种小麦抽穗期的自动检测方法，以实时田间采集的小麦前下视序列图像为对象，利用其图像特征准确地检测出小麦抽穗期的时间。

一种小麦抽穗的自动检测方法，包括以下步骤：

(1)训练阶段：

(1.1)拍摄已进入拔节期的田间小麦图像序列，从田间小麦图像序列中的每一张图像中按照相同方式提取多块子区域作为观测区域；

(1.2)分别对各图像的观测区域进行主成分分析，得到各观测区域的特征向量；

(1.3)依据步骤(1.2)得到的各观测区域的特征向量将各图像中的观测区域投影到特征空间的第一或第三维，获得每一观测区域的特征图像；将各图像同一位置的特征图像合并，获得该观测区域的特征合并图像；通过阈值分割将各特征合并图像转化为二值图；对于每一二值图，若其包含的黑色像素点少于白色像素点，则表明该观测区域的麦穗颜色类型为偏暗型，否则，表明该观测区域的麦穗颜色类型为偏亮型；

(2)检测阶段：

(2.1)按照与步骤(1.1)的相同方式从待检测图像提取多块子区域作为检测区域；

(2.2)依据步骤(1.2)得到的各观测区域的特征向量将待检测图像中对应的检测区域投影到特征空间的第一或第三维，获得每一检测区域的特征图像；

(2.3)通过阈值分割将每一检测区域的特征图像转换为二值图，若该二值图对应的观测区域的麦穗颜色类型为偏暗型，则从该二值图中选取黑色像素点区域作为麦穗候选区域，若该二值图对应的观测区域的麦穗颜色类型为偏亮型，则从该二值图中选取白色像素点区域作为麦穗候选区域；

(2.4)分别提取每一麦穗候选区域的图像特征，根据提取的图像特征对麦穗候选区域做去噪处理，最终保留的区域即为麦穗区。

(2.5)若各检测区域中确定的麦穗区个数大于预定的第一界定数，则表明该检测区域进入抽穗期；若待检测图像中一半或一半以上的检测区域都进入抽穗期，则表明待检测图像进入抽穗期。

所述步骤(2.4)按照如下方式进行提取麦穗候选区域的图像特征，根据提取的图像特征对麦穗候选区域做去噪处理：

(2.4.1)从待检测图像中提取与麦穗候选区域位置对应的区域图像，将其从RGB空间转换到LAB空间；对于该区域图像的每一像素点，若其L分量大于第一噪声阈值，则从麦穗候选区域中去除与该像素点对应的像素点，否则，在麦穗候选区域中保留与该像素点对应的像素点；

(2.4.2)从麦穗候选区域提取与其具有相同二阶矩的椭圆，计算该椭圆长轴与短轴的比值；

(2.4.3)若椭圆长轴与短轴的比值大于第二噪声阈值，则保留该麦穗候选区域，进入步骤(2.4.4)，否则去除该麦穗候选区域，结束；

(2.4.4)计算椭圆长轴与标定后的垂直方向的夹角，若夹角在预定夹角范围内，则该麦穗候选区域为小麦麦穗。

所述第一噪声阈值取值范围为50～100，第二噪声阈值取值范围为2～6，所述预定夹角范围为[-45,45]。

所述步骤(2.4.1)还统计麦穗候选区域的像素点个数，若像素点个数在理想区间内，进入步骤(2.4.2)，否则去除该麦穗候选区域。

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田间小麦图像进行特征提取，并利用提取到的图像特征，判定该麦田中的小麦是否到达抽穗期。该方法以检测到的麦穗数量为判断依据，实时的对小麦抽穗期进行判断，检测结果准确率高，对小麦的农事活动具有重要的指导意义。

附图说明

图1是本发明整体流程图；

图2是训练阶段的流程图；

图3是检测阶段的流程图；

图4是待检测的小麦区域图像；

图5是小麦初步检测出麦穗候选区的图像；

图6是将小麦区域图像投影到特征空间第三维的结果示意图；

图7是合并图6的结果示意图；

图8是除去麦穗候选区各像素的L分量小于Len的结果示意图；

图9是除去与各麦穗候选区具有相同二阶矩的椭圆的长短轴比小于rThre的结果示意图；

图10是除去与各麦穗候选区具有相同二阶矩的椭圆的长轴与标定后的垂直生长方向的夹角在[-a,a]之外的结果示意图；

图11是某麦穗候选区具有相同二阶矩的椭圆及其长短轴示意图；

图12是某麦穗候选区具有相同二阶矩的椭圆长轴与标定后的垂直生长方向的夹角示意图。

具体实施方式

下面结合附图来详细说明本发明的实施例。

本发明实施例中使用图像序列采集于离地面高5米的相机，镜头焦距为16毫米，相机分辨率为3648×2736像素，相机光轴与水平地面的夹角约为60度。实施例以每一天为一检测时段，每一检测时段内拍摄w张小麦图像(本实施例中w＝8)。此发明旨在自动检测小麦是否到达抽穗期。整个方法分为训练阶段和检测阶段，整个流程如图1所示。

一、训练阶段

观察实时拍摄的田间小麦序列图像，从小麦已经进入拔节期开始获得以后L(L取值一般8～12天，本实施例中L取10)天的小麦图像序列，作为训练样本，其中对每天拍摄的w张小麦图像做相同的处理，流程如图2所示，具体步骤如下：

(1)获取训练样本图像。

田间小麦序列图像是RGB颜色空间的，大小为：3648×2736像素，从图像序列的每张图像中扣取大小为M×N像素(本实施例取300×300像素)的T(本实施例取T＝6)块观测区域，位置相同的观测区域图像保存在一个文件夹中，假设每个观测区域都有A张图像，分别对T块观测区域的A张图像的像素进行统计，这时得到T块大小为(A×M×N)×3的图像矩阵，对T块图像矩阵做相同的处理，假设其中一个图像矩阵为imageMatrix，将imageMatrix图像矩阵的大小转化为3×(A×M×N)，以方便接下来对该图像矩阵做PCA处理。

(2)训练样本图像空间转换，并获取主成分。

对T块图像矩阵做如下相同的主成分(PCA)分析处理，以得到T块不同的特征空间中的特征向量。

i、计算图像矩阵中RGB三个颜色通道的均值。每个像素点的三个颜色通道分量值为：r(x,y),g(x,y),b(x,y)(其中x＝1,2,...A×M；y＝1,2,...,A×N)根据公式：

$\mathrm{MeanR}=\frac{\underset{1}{\overset{A\×M}{\mathrm{\Σ}}}\underset{1}{\overset{A\×N}{\mathrm{\Σ}}}r(x,y)}{A\×M\×N}$

$\mathrm{MeanG}=\frac{\underset{1}{\overset{A\×M}{\mathrm{\Σ}}}\underset{1}{\overset{A\×N}{\mathrm{\Σ}}}g(x,y)}{A\×M\×N}$

$\mathrm{MeanB}=\frac{\underset{1}{\overset{A\×M}{\mathrm{\Σ}}}\underset{1}{\overset{A\×N}{\mathrm{\Σ}}}b(x,y)}{A\×M\×N}$

ii、建立一个大小为A×M×N的三通道矩阵pMatrix，将MeanR，MeanG，MeanB分别赋给该矩阵的三个通道的A×M×N点。用imageMatrix矩阵减去pMatrix矩阵，得到一个差矩阵subMatrix。求subMatrix矩阵的协方差矩阵covMatrix，

令: $\mathrm{covMatrix}=\frac{1}{(A\×M\×N-1)}\×\mathrm{subMatrix}\×{\mathrm{subMatrix}}^T$

iii、求取协方差矩阵covMatrix的特征向量eigenvectors以及特征值eigenvalues(可参考A.Jain,R.Duin,and J.Mao,“Statistical Pattern Recognition:A Review”,IEEE Transactions on Pattern Analysis and Machine Intelligence,vol.2,no.1,pp.4-37,2000)。eigenvectors和eigenvalues为两个3×3的矩阵。

iv、eigenvalues矩阵包含了观测变量之间的相关性度量，这种度量反映了数据的噪音和冗余的程度。在对角线上的元素越大，表明信号越强，变量的重要性越高；元素越小则表明可能是存在的噪音或是次要变量；在非对角线上的元素大小则对应于相关测量变量对之间冗余程度的大小，所以提取主对角线上的值，得到一个的大小为3×1向量PC，将PC中的元素均乘以-1，再将各个值按照升序排列，得到一组从小到大的元素索引(如：2，1，3)。按照该索引将eigenvectors矩阵的每一行重新排列，得到该图像矩阵的主成分分析后的特征向量eigenPC。

对整个训练T块区域图像序列做相同的处理，这样得到T块区域图像的主成分分析后的特征向量为eigenPC₁，eigenPC₂，eigenPC₃，eigenPC₄，eigenPC₅，eigenPC₆。

(3)确定麦穗所在类别号，将每一张观测区域图像转化到特征空间，由于在上一步中向量PC的元素是由小到大排列，所以将区域图像投影到特征空间的第三维，获得每一观测区域图像的特征图像，如图6所示。若向量PC的元素是由大到小排列，则将观测区域图像投影到特征空间的第一维。将同一个位置的特征图像合并，获得该块观测区域的特征图像，如图7所示。再对T块特征图像进行阈值分割，利用分割结果判断麦穗所在的类别号，具体步骤如下：

i、根据上一步求得的特征向量，将每一张观测区域图像转化到特征空间，具体为：将大小为(M×N)×3的区域图像转化为3×(M×N)图像矩阵imaRegMatrix，计算该图像矩阵的转置矩阵，接下来同步骤(2)中的第i步，求取R，G，B各通道的均值，得到一个3×1的均值向量，建立一个大小为M×N的三通道lMatrix矩阵，将均值向量赋给lMatrix矩阵的每一维。用imaRegMatrix矩阵减去lMatrix矩阵，得到一个差矩阵resMatrix，假设目前处理的图像为区域1中的图像，

则令：

eigenChannel₁＝eigenPC₁ ^T×resMatrix；

$\left\{\begin{array}{c}{\mathrm{Channel}}_1=\mathrm{eigen}{\mathrm{Channel}}_1\left(1\right)\\ {\mathrm{Channel}}_2=\mathrm{eigenC}{\mathrm{hannel}}_1\left(2\right)\\ C{\mathrm{hannel}}_3=\mathrm{eigen}{\mathrm{Channel}}_1\left(3\right)\end{array}\right.$

即将R，G，B三个通道转化到Channel₁,Channle₂,Channel₃三个通道，对三个通道进行灰度级拉伸，即将Channel₁,Channle₂,Channel₃的大小转化为M×N，求得各通道的最大值maxValue₁,maxValue₂,maxValue₃和最小值minValue₁,minValue₂,minValue₃，建立三个大小为M×N的矩阵paMatrix₁,paMatrix₂,paMatrix₃，将各个最小值一一赋给矩阵，如将minValue₁赋给paMatrix₁的每个值。

最后令：

$\left\{\begin{array}{c}{\mathrm{temp}}_1=({\mathrm{channel}}_1-{\mathrm{paMatrix}}_1)./(\max {\mathrm{Value}}_1-\min {\mathrm{Value}}_1)\×255\\ {\mathrm{temp}}_2=({\mathrm{channel}}_2-{\mathrm{paMatrix}}_2)./(\max {\mathrm{Value}}_2-\min V{\mathrm{alue}}_2)\×255\\ {\mathrm{temp}}_3=({\mathrm{channel}}_3-\mathrm{pa}{\mathrm{Matrix}}_3)./(\max {\mathrm{Value}}_3-\min {\mathrm{Value}}_3)\×255\end{array}\right.$

则得到各区域图像投影到通道三的结果为temp₃，结果如图6所示。

ii、假设观测区域图像1文件夹中有A张图像，令即imageWhole为所有的该块区域图像投影到第三个通道temp₃的并，结果如图7所示；利用阈值分割(参考White,J.M.,and Rohrer,G.D.“ImageThresholding for Optical Character Recognition and Other ApplicationsRequiring Character Image Extraction.”IBM J.Res.Devel.,vol.27,no.4,pp.400-411,1983)，将imageWhole转化为二值图像，比较整个二值图像中黑色像素点与白色像素点的数量。由于麦穗相对小麦的叶片数目少，因此，二值图像中数目较少的那一类型像素点代表麦穗。黑色像素点少则估计麦穗的颜色偏暗；若白色像素点少则估计穗的颜色偏亮。

二、检测阶段

利用上一阶段得到的主成分分析矩阵，连续训练十天实时的图像序列后，开始进行小麦抽穗的检测，先通过PCA处理得到小麦预抽穗结果，再通过一系列优化将噪声去掉，最后得到小麦抽穗部分，流程如图3所示，具体操作步骤如下：

(1)设待检测图像为S₁，如图4所示，获取待检测图像中对应的T块检测区域图像，检测区位置与训练阶段的图像区域位置一致。

(2)分别对步骤(1)中T块检测区域图像进行PCA处理，将图像都投影到第三个PCA特征通道，获得T张特征图像。

(3)对步骤(2)中获得的特征图像进行灰度级缩放，再进行分割将图像转换成二值图。再利用训练阶段确定的麦穗类别号，确定二值图中麦穗所在候选区域，结果如图5所示。

(4)对步骤(3)获得的麦穗候选区域提取其图像特征，根据所提取的图像特征进行去噪处理，最终保留的区域即为麦穗区。若此天图像均未检测出小麦抽穗区域，则继续对其他区域图像以及后几天图像检测；若检测出区域图像中有麦穗区域，具体包括以下三个步骤：

i、将区域图像S₁从RGB空间转化到LAB空间(Adrain Ford,AlanRoberts,”Colour Space Conversions”,August 11,1998)，设经过上步得到S₁中有n个区域为小麦麦穗候选区，判断每个麦穗候选区的各像素的L分量是否大于噪声阈值Len(本实施例取Len＝80)，若小于Len则认为该区域噪声；若大于等于Len则保留做下面的判断，结果如图8所示。

ii、判断n个麦穗候选区的连通域的像素数量(参考J.T.Tou andR.C.Gonzalez，Pattern Recoginition Principles，Addison-Wesley PublishingCompany，Inc.，Reading，Maddachusetts，1974)。若单个麦穗候选区的连通域的像素数量在[sThre,hThre](本实施例取[sThre,hThre]＝[100,1000])之间，则保留做下面的判断；若候选区的像素数量不在该区间中，则认为该区域为噪声。

iii、由于小麦的麦穗均为椭圆形状，获取与每块麦穗候选区具有相同二阶矩的椭圆(G.Dattoli,E.Sabia,”Slices and Ellipse Geometry”)，并且计算出该椭圆长轴majorAxisLength与短轴minorAxisLength的比ratio，(参考：曹明，《不变矩在矢量图形识别中的应用》，pp.14-19，2008)，如图11所示；若ratio＞rThre(本实施例取rThre＝4)，则认为该候选区可能为小麦的麦穗；否则认为该区域为噪声，结果如图9所示。而且从图像中看到小麦的麦穗基本都是向上生长，计算该椭圆长轴与标定后的垂直方向的夹角θ，如图12所示，若θ在[-a,a](本实施例取[-a,a]＝[-30°,30°])之间，则认为该区域为小麦的麦穗；否则认为该区域为噪声，结果如图10所示。

参考图12，所述椭圆长轴与标定后的垂直方向的夹角θ的计算方法具体如下：

(a)首先获取图像中与麦穗候选区具有相同二阶矩的椭圆，再获取该椭圆的长轴中点在图像中的坐标，记为(imageX,imageY)，以及椭圆与其长轴的一个交点，记为(EX,EY)；坐标原点以图像左上角为准；

(b)通过相机标定，获取相机的内参数矩阵和外参数矩阵(参考：于仕琪，刘瑞祯《学习OpenCV(中文版)》pp.406-440,2010)。其中内参数矩阵记为Intrinsic，大小为3×3；外参数矩阵包括旋转矩阵和平移矩阵，分别记为Rotation，大小为3×3和Translation，大小为1×3；在获取外参数矩阵时，以棋盘格放在水平地面为准；

(c)利用步骤(b)中获取的相机内外参数矩阵，将点(imageX,imageY)转换到实际的世界坐标，转换公式为：

Po1＝[Intrinsic×[Rotation(1:3,1),Rotation(1:3,2),Translation^T]]^-1×(imageX,imageY,1)

通过以上转换得点(imageX,imageY)对应于水平地面上一点的世界坐标，即：WorldCoordinate＝(Po1(1)/Po1(3),Po1(2)/Po1(3),0)；

(d)假设作物以坐标点WorldCoordinate垂直向上生长了1个单位，则该垂直生长的顶点坐标记为：Top＝(Po1(1)/Po1(3),Po1(2)/Po1(3),1)；再利用相机内外参数矩阵，将该点Top转换到图像坐标，记为(TopimageX,TopimageY)，转换公式为：

$\mathrm{Pc}=\mathrm{Intrinsic}\×[\mathrm{Rotation},\mathrm{Translati}{\mathrm{on}}^T]\×\left[\begin{array}{c}\mathrm{Po}1\left(1\right)/\mathrm{Po}\left(3\right)\\ \mathrm{Po}\left(2\right)/\mathrm{Po}1\left(3\right)\\ 0\\ 1\end{array}\right];$

则(TopimageX,TopimageY)＝(Pc(1)/Pc(3),Pc(2)/Pc(3))；

(e)最终，在椭圆的长轴中点(imageX,imageY)的小麦垂直生长方向由过点(imageX,imageY)和点(TopimageX,TopimageY)的直线决定，直线方程计算公式如下：

$y-\mathrm{imageY}=\frac{\mathrm{TopimageY}-\mathrm{imageY}}{\mathrm{TopimageY}-\mathrm{imageX}}(x-\mathrm{imageX});$

同时，利用椭圆中心点坐标(imageX,imageY)和椭圆与其长轴的交点坐标(EX,EY)可以求出椭圆长轴的直线方程，计算公式如下：

$y2-\mathrm{imageY}=\frac{\mathrm{EY}-\mathrm{imageY}}{\mathrm{EX}-\mathrm{imageX}}(x1-\mathrm{imageX});$

因此，椭圆长轴与垂直生长方向的直线夹角按如下公式计算：

$\mathrm{\θ}=\arccos \frac{|(\mathrm{TopimageX}-\mathrm{imageX})(\mathrm{EX}-\mathrm{imageX})+(\mathrm{TopimageY}-\mathrm{imageY})(\mathrm{EY}-\mathrm{imageY})|}{\left|\sqrt{{(\mathrm{TopimageY}-\mathrm{imageY})}^2+{(\mathrm{TopimageX}-\mathrm{imageX})}^2}\right|\×\left|\sqrt{{(\mathrm{EY}-\mathrm{imageY})}^2+{(\mathrm{EX}-\mathrm{imageX})}^2}\right|}$

所以θ即为椭圆的长轴与小麦垂直生长方向的夹角，当其在[-a,a]之内，则保留该椭圆对应的候选区域，否则删除该候选区。

通过以上综合判断，若检测区域图像S₁中被认为是小麦的麦穗的候选区个数仍大于threshold(本实施例取threshold＝5)，则认为该检测区域图像S₁已达到抽穗期；若待检测图像中的T块检测区域中超过一半区域图像都达到抽穗期，则认为该张图像小麦到达抽穗；再综合一天的图像判断，若w张图像中超过w/2张图像小麦达到抽穗期，则认为这天为小麦抽穗期到达时间。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种小麦抽穗的自动检测方法，包括以下步骤：

(1)训练阶段：

(1.1)拍摄已进入拔节期的田间小麦图像序列，从田间小麦图像序列中的每一张图像中按照相同方式提取多块子区域作为观测区域；

(1.2)分别对各图像的观测区域进行主成分分析，得到各观测区域的特征向量；

(1.3)依据步骤(1.2)得到的各观测区域的特征向量将各图像中的观测区域投影到特征空间的第一或第三维，获得每一观测区域的特征图像；将各图像同一位置的特征图像合并，获得该观测区域的特征合并图像；通过阈值分割将各特征合并图像转化为二值图；对于每一二值图，若其包含的黑色像素点少于白色像素点，则表明该观测区域的麦穗颜色类型为偏暗型，否则，表明该观测区域的麦穗颜色类型为偏亮型；

(2)检测阶段：

(2.1)按照与步骤(1.1)的相同方式从待检测图像提取多块子区域作为检测区域；

(2.2)依据步骤(1.2)得到的各观测区域的特征向量将待检测图像中对应的检测区域投影到特征空间的第一或第三维，获得每一检测区域的特征图像；

(2.3)通过阈值分割将每一检测区域的特征图像转换为二值图，二值图像中数目较少的那一类型像素点代表麦穗，依据步骤(1.3)若该二值图对应的观测区域的麦穗颜色类型为偏暗型，则从该二值图中选取黑色像素点区域作为麦穗候选区域，若该二值图对应的观测区域的麦穗颜色类型为偏亮型，则从该二值图中选取白色像素点区域作为麦穗候选区域；

(2.4)分别提取每一麦穗候选区域的图像特征，根据提取的图像特征对麦穗候选区域做去噪处理，最终保留的区域即为麦穗区；

(2.5)若各检测区域中确定的麦穗区个数大于预定的第一界定数，则表明该检测区域进入抽穗期；若待检测图像中一半或一半以上的检测区域都进入抽穗期，则表明待检测图像进入抽穗期。

2.根据权利要求1所述的小麦抽穗的自动检测方法，其特征在于，所述步骤(2.4)按照如下方式进行提取麦穗候选区域的图像特征，根据提取的图像特征对麦穗候选区域做去噪处理：

(2.4.1)从待检测图像中提取与麦穗候选区域位置对应的区域图像，将其从RGB空间转换到LAB空间；对于该区域图像的每一像素点，若其L分量小于第一噪声阈值，则从麦穗候选区域中去除与该像素点对应的像素点，否则，在麦穗候选区域中保留与该像素点对应的像素点；

(2.4.2)从麦穗候选区域提取与其具有相同二阶矩的椭圆，计算该椭圆长轴与短轴的比值；

(2.4.3)若椭圆长轴与短轴的比值大于第二噪声阈值，则保留该麦穗候选区域，进入步骤(2.4.4)，否则去除该麦穗候选区域，结束；

(2.4.4)计算椭圆长轴与标定后的垂直方向的夹角，若夹角在预定夹角范围内，则该麦穗候选区域为小麦麦穗。

3.根据权利要求2所述的小麦抽穗的自动检测方法，其特征在于，所述第一噪声阈值取值范围为50～100，第二噪声阈值取值范围为2～6，所述预定夹角范围为[-45,45]。

4.根据权利要求2所述的小麦抽穗的自动检测方法，其特征在于，所述步骤(2.4.1)还统计麦穗候选区域的像素点个数，若像素点个数在理想区间内，进入步骤(2.4.2)，否则去除该麦穗候选区域。