CN103268492A - 一种玉米籽粒类型识别方法 - Google Patents

Abstract

本发明公开了本发明提供一种玉米籽粒类型识别方法，包括：S1：玉米果穗图像获取并进行预处理；S2：对S1中玉米果穗图像预处理后图像中的籽粒图像进行分割，获得去除籽粒边界像素的独立籽粒图像；S3：对籽粒图像进行类别识别；S4：统计图像中间3行籽粒中马齿型籽粒的个数，若个数比例大于70%，则判断该果穗中的籽粒属于马齿型类，否则判断该果穗中籽粒属于硬粒类。本发明所述方法对玉米籽粒类型的分类具有快速、准确、自动化程度高等优点，避免了人工操作过程的复杂繁琐，降低了人力投入，相比较于核磁共振、近红外光谱等技术，本发明在硬件成本上投入相对较低，本方法易于集成到现有的玉米性状考察系统中。

Description

一种玉米籽粒类型识别方法

技术领域

本发明涉及图像识别技术领域，特别涉及一种玉米籽粒类型识别方法。

背景技术

玉米籽粒按照胚乳结构、分布以及颖片的长短可分为八个类型，其中马齿型玉米籽粒四周为一层薄的角质胚乳，顶部及中央为粉质胚乳。籽粒成熟时因粉质胚乳缩水而使顶部出现凹陷和褶皱，玉米杂交品种多属于该籽粒类型。硬粒型籽粒顶部和四周均为角质胚乳，中心部分为粉质胚乳，籽粒外表平滑、具光泽，质地坚硬，玉米自交品种多属于该籽粒类型。在进行玉米籽粒性状考察时，主要对这两种类型进行区分，操作手段主要依靠人工肉眼观察分类，存在劳动强度大、操作繁琐、精度不高等缺点。随着相关领域的技术进步，已有一些自动化方法应用于玉米籽粒分类，但这些研究的目的是对玉米籽粒进行大小、颜色、形状等特征进行分类。

马齿型与硬粒型玉米籽粒外在形态上存在比较显著的差异，马齿型籽粒顶部呈现一定程度的凹陷，硬粒型籽粒顶部圆滑饱满。二者的光学反射特性完全不同，通过分析二者所成图像的差异，可判断两个类别归属。使用近红外光谱或核磁共振技术也可能实现通过两种籽粒内部生化组分的不同达到区分两种籽粒的目的，但相应的硬件成本会大大增加。在现有技术中使用了以图像处理技术为核心的机器视觉技术和计算机视觉技术，但并未给出马齿型、硬粒型籽粒的识别分类方法。

发明内容

（一）要解决的技术问题

本发明要解决的技术问题是，针对现有技术的不足，提供一种玉米籽粒类型识别方法，

（二）技术方案

本发明提供一种玉米籽粒类型识别方法，包括：

S1：玉米果穗图像获取并进行预处理；

S2：对S1中玉米果穗图像预处理后图像中的籽粒图像进行分割，获得去除籽粒边界像素的独立籽粒图像；

S3：对籽粒图像进行类别识别；

其中，S3包括：

S3.1：将所述独立籽粒图像进行划分多个像素区域，确定三维向量并拟合平面方程；

S3.2：根据平面方程计算所述独立籽粒图像像素区域相邻两个像素平面之间的距离值D；

S3.3：将S3.2中得出的距离值D与预先设定好的阈值D_thr进行判断并进行合并像素平面工作；

S3.4：重复S3.2和S3.3直至独立籽粒图像不能划分出像素区域为止，并得到最大像素平面；

S3.5：计算所述最大像素平面的中心位置与籽粒像素区域的中心位置之间的欧氏距离是否小于阈值D_pnt，若是则执行下一步，否则得出该籽粒属于硬粒类结果；

S3.6：计算所述最大像素平面的灰度均值是否小于籽粒像素区域的灰度均值，若是则得出该籽粒属于马齿型类结果，否则得出该籽粒属于硬粒类结果。

其中，S1包括：

S1.1：对果穗图像进行背景分割、面积阈值滤波和直方图均衡处理；

S1.2：将S1.1中经过预处理的图像按照果穗长度平均分成3段，取中间籽粒排布规则、籽粒类型特征明显的一段作为后续处理的输入图像。

其中，S2包括：

S2.1：将经过预处理的果穗图像转化为灰度图像并建立灰度直方图，使用动态阈值分割方法获取图像中亮度较暗的区域，该区域为籽粒之间的缝隙位置图像；

S2.2：对所述缝隙位置图像进行细化处理，获得单像素联通图像；

S2.3：将S1.2获得的输入图像与S2.2的单像素联通图像对应像素做差，获得去除籽粒边界像素的独立籽粒图像。

其中，在S3.1中，将所述独立籽粒图像进行划分多个3×3像素区域。

其中，在S3.2中，相邻像素平面之间的距离值D由相邻两个平面中的第一平面的中心位置垂线与第二平面交点之间的线段长度与第二平面的中心位置垂线与第一平面交点之间的线段长度之和。

其中，在S3.3中，若D小于D_thr则合并该两个相邻平面，并用合并后平面的三维向量重新拟合新的平面方程；。

其中，所述玉米籽粒类型识别方法还包括：

S4：统计图像中间3行籽粒中马齿型籽粒的个数，若个数比例大于70%，则判断该果穗中的籽粒属于马齿型类，否则判断该果穗中籽粒属于硬粒类。

（三）有益效果

本发明所述方法对玉米籽粒类型的分类具有快速、准确、自动化程度高等优点，避免了人工操作过程的复杂繁琐，降低了人力投入，相比较于核磁共振、近红外光谱等技术，本发明在硬件成本上投入相对较低，本方法易于集成到现有的玉米性状考察系统中。

附图说明

图1是本发明的玉米籽粒类型识别方法步骤流程图；

图2是本发明玉米果穗图像预处理后并确定的输入图像示意图；

图3是本发明去除籽粒边界像素的独立籽粒图像示意图；

图4是本发明籽粒最大像素平面示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

如图1所示，本发明提供一种玉米籽粒类型识别方法，包括：

S1：玉米果穗图像获取并进行预处理；

S1.1：对果穗图像进行背景分割、面积阈值滤波和直方图均衡处理；

S1.2：将S1.1中经过预处理的图像按照果穗长度平均分成3段，取中间籽粒排布规则、籽粒类型特征明显的一段作为后续处理的输入图像（如图2所示）；

S2：对S1中玉米果穗图像预处理后图像中的籽粒图像进行分割，获得去除籽粒边界像素的独立籽粒图像；

S2.1：将经过预处理的果穗图像转化为灰度图像并建立灰度直方图，使用动态阈值分割方法获取图像中亮度较暗的区域，该区域为籽粒之间的缝隙位置图像，其中动态阈值分割方法是图像处理中的普通方法，属于常识性知识，在此不再赘述。

S2.2：对所述缝隙位置图像进行细化处理，获得单像素联通图像；

S2.3：将S1.2获得的输入图像与S2.2的单像素联通图像对应像素做差，也就是对应像素的灰度值相减，获得去除籽粒边界像素的独立籽粒图像（如图3所示）；

S3：对籽粒图像进行类别识别；

S3.1：将所述独立籽粒图像进行划分多个像素区域，确定三维向量（x，y，z）并拟合平面方程z=ax+by+c，其中（a，b，c）是方程的系数，x为像素的横坐标，y为像素的纵坐标，z为像素的灰度值；

S3.2：根据平面方程计算所述独立籽粒图像像素区域相邻两个像素平面（P₁，P₂）之间的距离值D；

其中，D=ds₁+ds₂,其中ds₁是过P₁平面的中心位置垂线Lp₁与平面P₂交点之间的线段长度，其中ds₂是过P₂平面的中心位置垂线Lp₂与平面P₁交点之间的线段长度。

ds₁的具体计算方式为：设点p_1m（x₁，y₁，z₁）是P₁平面的中心点，向量

垂直于平面P₁（z=a₁x+b₁y+c₁）,则直线

与平面P₂交于点p_1t(x₁₂，y₁₂，z₁₂)，ds₁为p_1m与p_1t之间的欧式距离。

ds₂的具体计算方式为:设p_2m(x₂，y₂，z₂)是P₂平面的中心点，向量

垂直于平面P₂（z=a₂x+b₂y+c₂）,则直线

与平面P₁交于点p_2t(x₂₁，y₂₁，z₂₁)，ds₂为p_2m与p_2t之间的欧式距离。

S3.3：将S3.2中得出的距离值D与预先设定好的阈值D_thr进行判断并进行合并像素平面工作（D_thr阈值是大量样本统计基础上的经验值，D_thr取值为8pixel，距离值D最大值的0.4倍）；

S3.4：重复S3.2和S3.3直至独立籽粒图像不能划分出像素区域为止，并得到最大像素平面（如图4所示）；

S3.5：计算所述最大像素平面的中心位置与籽粒像素区域的中心位置之间的欧氏距离是否小于阈值D_pnt（D_pnt阈值是大量样本统计基础上的经验值，D_pnt取值为10pixel），若是则执行下一步，否则得出该籽粒属于硬粒类结果，其中欧式距离就是两中心点之间的距离;每个籽粒计算出的数值都不相同；

S3.6：计算所述最大像素平面的灰度均值是否小于籽粒像素区域的灰度均值，若是则得出该籽粒属于马齿型类结果，否则得出该籽粒属于硬粒类结果，其中最大像素平面的灰度均值是平面上每个像素灰度值的平均值，不同平面灰度均值不同；籽粒像素区域的灰度均值是籽粒上每个像素灰度值的平均值，不同籽粒灰度均值不同。

其中，在S3.1中，将所述独立籽粒图像进行划分多个3×3像素区域。

其中，在S3.2中，相邻像素平面之间的距离值D由相邻两个平面中的第一平面的中心位置垂线与第二平面交点之间的线段长度与第二平面的中心位置垂线与第一平面交点之间的线段长度之和。

其中，在S3.3中，若D小于D_thr则合并该两个相邻平面，并用合并后平面的三维向量重新拟合新的平面方程；若D大于D_thr不对这两个相邻平面做任何处理。

其中，所述玉米籽粒类型识别方法还包括：

S4：统计S2中的独立籽粒图像的中间3行籽粒中马齿型籽粒的个数，若个数比例大于70%，则判断该果穗中的籽粒属于马齿型类，否则判断该果穗中籽粒属于硬粒类。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (7)

1.一种玉米籽粒类型识别方法，其特征在于，包括：

S1：玉米果穗图像获取并进行预处理；

S2：对S1中玉米果穗图像预处理后图像中的籽粒图像进行分割，获得去除籽粒边界像素的独立籽粒图像；

S3：对籽粒图像进行类别识别；

其中，S3包括：

S3.1：将所述独立籽粒图像进行划分多个像素区域，确定三维向量并拟合平面方程；

S3.2：根据平面方程计算所述独立籽粒图像像素区域相邻两个像素平面之间的距离值D；

S3.3：将S3.2中得出的距离值D与预先设定好的阈值D_thr进行判断并进行合并像素平面工作；

S3.4：重复S3.2和S3.3直至独立籽粒图像不能划分出像素区域为止，并得到最大像素平面；

S3.5：计算所述最大像素平面的中心位置与籽粒像素区域的中心位置之间的欧氏距离是否小于阈值D_pnt，若是则执行下一步，否则得出该籽粒属于硬粒类结果；

S3.6：计算所述最大像素平面的灰度均值是否小于籽粒像素区域的灰度均值，若是则得出该籽粒属于马齿型类结果，否则得出该籽粒属于硬粒类结果。

2.如权利要求1所述的方法，其特征在于，S1包括：

S1.1：对果穗图像进行背景分割、面积阈值滤波和直方图均衡处理；

S1.2：将S1.1中经过预处理的图像按照果穗长度平均分成3段，取中间籽粒排布规则、籽粒类型特征明显的一段作为后续处理的输入图像。

3.如权利要求1所述的方法，其特征在于，S2包括：

S2.1：将经过预处理的果穗图像转化为灰度图像并建立灰度直方图，使用动态阈值分割方法获取图像中亮度较暗的区域，该区域为籽粒之间的缝隙位置图像；

S2.2：对所述缝隙位置图像进行细化处理，获得单像素联通图像；

S2.3：将S1.2获得的输入图像与S2.2的单像素联通图像对应像素做差，获得去除籽粒边界像素的独立籽粒图像。

4.如权利要求1所述的方法，其特征在于，在S3.1中，将所述独立籽粒图像进行划分多个3×3像素区域。

5.如权利要求1所述的方法，其特征在于，在S3.2中，相邻像素平面之间的距离值D由相邻两个平面中的第一平面的中心位置垂线与第二平面交点之间的线段长度与第二平面的中心位置垂线与第一平面交点之间的线段长度之和。

6.如权利要求1所述的方法，其特征在于，在S3.3中，若D小于D_thr则合并该两个相邻平面，并用合并后平面的三维向量重新拟合新的平面方程。

7.如权利要求1所述的方法，其特征在于，所述玉米籽粒类型识别方法还包括：

S4：统计S2中的独立籽粒图像的中间3行籽粒中马齿型籽粒的个数，若个数比例大于70%，则判断该果穗中的籽粒属于马齿型类，否则判断该果穗中籽粒属于硬粒类。

Images