CN103591887A - 一种拟南芥区域表型的检测方法 - Google Patents
一种拟南芥区域表型的检测方法 Download PDFInfo
- Publication number
- CN103591887A CN103591887A CN201310456213.0A CN201310456213A CN103591887A CN 103591887 A CN103591887 A CN 103591887A CN 201310456213 A CN201310456213 A CN 201310456213A CN 103591887 A CN103591887 A CN 103591887A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- plant
- arabidopsis
- pixels
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种拟南芥区域表型的检测方法,该方法具体包括:在拟南芥的种植盆中,放置标定板,利用相机采集拟南芥的RGB图像;对采集后的图像进行预处理,实现图像的自动校正和标定,其中图像校正是为了校正图像的畸变,图像标定是为了获得单位像素的真实尺寸;对预处理后的图像进行分割,将拟南芥与背景分割,从图像中提取出来;提取拟南芥的区域表型参数,包括总面积、矩形度、圆度率、紧实性、周长凹凸比、偏心性以及对称性。表型参数总面积用来反映拟南芥的大小,表型参数矩形度、圆度率、紧实性、周长凹凸比、偏心性以及对称性用来反映拟南芥的区域形态。通过这些表型参数描述不同基因的拟南芥在大小和区域形态上面的差异,从而可以推断出不同基因的功能及对拟南芥植物的影响。
Description
技术领域
本发明涉及一种拟南芥区域表型的检测方法,利用相机采集拟南芥的图片,应用图像处理方法从图像中提取拟南芥的区域表型参数,实现拟南芥生长过程的无损检测。
背景技术
拟南芥是植物学、基因学、遗传学中的一种重要的模式植物。对拟南芥表型的研究,可以全面、彻底地阐明拟南芥的生理功能,特别是其表型与其基因之间的相互关系,以及不同的环境条件对它生长的影响。植物表型特征的检测方法包括破坏性测量、接触性测量和计算机视觉检测方法。破坏性测量即针对一批植株,随机地抽取一定数量,用破坏性的方法测量其参数。接触性测量即采用接触式传感器测量植物的参数。采用计算机视觉技术进行测量即通过相关设备,包括CCD摄像头、光源等,获得被测对象的光谱图像,利用相关的软件、算法对图像进行处理,获得所需的数据,从而得到植物的表型参数。现有的研究工作主要是利用计算机视觉技术实现对单个叶片的分析或者其它作物的分析。李新国等利用扫描仪获取油菜叶片的图像,并利用Photoshop软件获得叶片像素数,通过分辨率得到叶片的面积(李新国,蔡胜忠,李绍鹏等.应用数字图像技术测定油梨叶面积[J].热带农业科学,2009,29(2):10-13.)。韩殿元等针对白色背景下的叶片提出一种利用颜色进行分割的算法,进而利用背景中的参考矩形板计算叶片的面积(韩殿元,黄心渊,付慧等.基于彩色通道相似性图像分割方法的植物叶面积计算[J].农业工程学报,2012,28(6):179-183.)。李少昆等利用图像技术对玉米和小麦进行图像采集,并提取相关参数(李少昆,张弦.作物株型信息多媒体图像处理技术的研究[J].作物学报,1998,24(3):265-271)。李长缨等利用计算机视觉技术对温室植物生长进行无损监测,获取植物的外部形态特征,包括叶冠投影面积和株高(李长缨,滕光辉,赵春江等.利用计算机视觉技术实现对温室植物生长的无损监测[J].农业工程学报,2003,19(3):140-143.)。
综上所述,现有的研究存在以下缺陷:
1、采用破坏性的测量方法会对植物造成损伤,而且不能对植物的生长进行连续性测量。
2、采用传感器测量,直接与植物进行接触,会对植物的生长产生一定的影响,而且其成本高,开发难度也相对较大。
3、现有的计算机视觉技术主要集中在单个叶片或者其它作物的表型检测,而对拟南芥的表型检测主要依靠人工实现,工作量大、效率不高。
目前围绕拟南芥表型的计算机视觉检测研究,在国内外鲜有文献报道。
发明内容
本发明要解决的技术问题是:如何针对拟南芥的特点,利用计算机视觉技术对拟南芥进行无损检测,提取其生长过程中的区域表型参数,包括总面积、矩形度、圆度率、紧实性、周长凹凸比、偏心性以及对称性。总面积用来反映拟南芥的大小,矩形度、圆度率、紧实性、周长凹凸比、偏心性以及对称性用来反映拟南芥的区域形态。这些表型参数既可以定量地描述拟南芥的生长情况,也可以用于拟南芥基因功能的研究,即通过这些表型参数描述不同基因的拟南芥在大小和区域形态上面的差异,从而可以推断出不同基因的功能及对拟南芥植物的影响。
(一)技术方案
为了实现上述目的,本发明提供了基于计算机视觉的拟南芥区域表型检测方法,包括以下步骤:
S1.在拟南芥的种植盆中,放置标定板,利用相机采集拟南芥的RGB图像;
S2.对采集后的图像进行预处理,实现图像的自动校正和标定,其中图像校正是为了校正图像的畸变,图像标定是为了获得单位像素的真实尺寸;
S3.对预处理后的图像进行分割,将拟南芥与背景分割,从图像中提取出来;
S4.提取拟南芥的区域表型参数,包括总面积、矩形度、圆度率、紧实性、周长凹凸比、偏心性以及对称性。
采集图像中的标定板采用的是蓝框黑白棋盘格,由3×3个边长为4mm的正方形组成。将标定板放在拟南芥植株一侧,与其一起进行图像采集。
步骤S2具体包括如下步骤:
S2.1定位黑白棋盘格
S2.1.1根据蓝色的RGB特征,提取蓝色边框;
S2.1.2对图像的内部进行孔洞填充,再减去原来的蓝色边框图像,得到新图像;
S2.1.3对新图像进行开运算,去除噪点;再进行闭运算,连接断点,得到黑白棋盘格的区域;
S2.2角点检测
S.2.2.1计算黑白棋盘格区域中的每一个点的水平方向和垂直方向上的一阶导数,得到三幅新图像:水平一阶导数的平方,垂直一阶导数的平方和两个一阶导数的乘积;
S.2.2.2用高斯滤波对三幅图像进行滤波,去除噪声;
S.2.2.3由上述三幅图像组成相关矩阵,计算准则函数,判断其中的像素点是否为角点;
S2.3图像校正和图像标定
S.2.3.1通过角点检测得到棋盘格的每个正方形的顶点在图像中坐标,并根据其在真实世界中的空间位置关系,得到二者的变换矩阵;
S.2.3.2求取变换矩阵的逆,作用于图像,实现图像校正;
S2.3.3通过角点坐标得到黑白棋盘格的总像素个数,并根据它的真实尺寸,得到单位像素的真实尺寸;
步骤S3具体包括如下步骤:
S3.1图像初分割
S3.1.1对每个像素的RGB值进行归一化获得rgb,提取3g-2.4r-b的色差图,用0作为阈值对图像进行二值化;
S3.1.2将结果减去原来检测出的蓝色边框区域,判断所获前景区域像素的G的灰度值是否大于50,若是,则保留,否则去除;
S3.1.3提取前景连通区域中的具有最多像素的区域,即为植物区域;
S3.2去除噪点
S3.2.1对所得图像进行开运算,得到新的图像,其将只保留大叶片区域和植物的中心区域,而去除图像中的细节部分,包括植物的茎和叶片周围的噪点;
S3.2.2对去除的细节部分的各个连通区域计算其像素个数,像素个数小于12的直接去除;
S3.2.3像素个数大于等于12的连通区域,分别单独与开运算得到的新图像叠加,再计算叠加后图像中的区域个数,如果区域个数减少,说明该连通区域是茎,必须保留,否则,如果叠加后图像中的区域个数增加或者不变,则说明该连通区域是叶片周围的噪点,必须去除;
S3.2.4判断完所有的细节部分后,将保留的所有连通区域全部与开运算得到的新图像叠加,得到最终的植物区域;
步骤S4具体包括如下步骤:
S4.1将植物的像素个数与图像标定步骤得到的单位像素的真实面积相乘,得到植物的真实总面积;
S4.2用植物的面积与包含植物的最小矩形的面积相除,获得植物区域的矩形度;
S4.3用植物的面积与和植物具有相同周长的圆的面积相除,获得植物区域的圆度率;
S4.4用植物的面积与包含植物的最小凸多边形的面积相除,获得植物区域的紧实性;
S4.5用植物的周长与包含植物的最小凸多边形的周长相除,获得植物区域的周长凹凸比;
S4.6用和植物区域具有相同二阶矩的椭圆的焦距与该椭圆的主轴相除,获得植物区域的偏心性;
S4.7将植物区域沿着其两个主轴分别进行翻转,计算翻转后的图像与原图重叠的植物区域的像素个数,并将这两个重叠的像素个数分别与植物区域的总像素个数相除,得到两个方向的对称性。
(二)有益结果
本发明方法利用计算机视觉技术采集拟南芥的图像,利用图像处理技术实现了拟南芥表型的无损检测。通过检测蓝框黑白棋盘格的蓝色边框,并用角点检测算法检测内部的角点,最终实现了图像的自动校正和标定。对拟南芥采用归一化的rgb值线性组合进行阈值分割,并通过再次判断植物区域的细节,去除不必要的噪点,从而实现了在不影响拟南芥正常生长的情况下,将拟南芥从复杂的自然生长环境中分割出来。分割出植物后,再提取出拟南芥的区域表型表型参数。相对于传统人工观察和测量,该方法在效率上有了较大的提高。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为依照本发明一个实施例的拟南芥区域表型检测方法的流程图;
图2为本发明提供的方法中所使用的用于采集图像的采集转置;
图3为本发明提供的预处理方法处理过程中生成的图像,其中,子图(1)为依照本发明方法采集的拟南芥的RGB图像,(2)为经过预处理后生成的黑白棋盘格区域,(3)为经过预处理后生成的角点检测图像,(4)为经过预处理后生成的校正后的图像;
图4为本发明提供的图像分割方法处理过程中生成的图像,其中,子图(1)为经过图像初分割步骤后生成的二值图像,(2)为经过噪点去除步骤后生成的最终的拟南芥的图像;
图5为本发明提供的拟南芥的区域表型提取方法处理过程中生成的图像,其中,子图(1)为包含植物区域的最小矩形,(2)为包含植物区域的最小凸多边形,(3)为与该植物区域具有相同二阶矩的椭圆。
具体实施方式
本发明提出的一种拟南芥区域表型的检测方法,结合附图和实施例详细说明如下。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改变。这些都属于本发明的保护范围。
为快速提取拟南芥的区域表型参数,本发明提出了一种拟南芥区域表型的检测方法。该方法对采集的图像进行预处理之后,从复杂的背景环境中分割出拟南芥,在此基础上对拟南芥的区域表型参数进行提取,提高了拟南芥的表型参数获取效率。
如图1所示,依照本发明一个实施例的拟南芥区域表型检测方法包括步骤:
S1在拟南芥的种植盆中,放置标定板,利用CCD相机采集拟南芥的RGB图像;
在本实例中,可以采用图2的采集装置进行图像的采集。该采集装置包括:CCD相机1、支架2、照明装置3和拟南芥4,标定板5放在拟南芥的一侧。标定板采用的是蓝框黑白棋盘格,由3×3个边长为4mm的正方形组成。
S2对采集后的图像进行预处理,具体包括如下子步骤:
S2.1定位黑白棋盘格
S2.1.1根据蓝色的RGB特征,R和G的灰度值都小于B,且B的灰度值大于150,从图像中分割出蓝色边框。
S2.1.2对图像的内部进行孔洞填充,其结果减去原来的蓝色边框图像,得到新图像。
S2.1.3对新图像进行开运算,去除噪点;再进行闭运算,连接断点,得到黑白棋盘格的区域。
S2.2角点检测
S.2.2.1计算黑白棋盘格区域中的每一个点的水平方向和垂直方向上的一阶导数。采用如下Prewitt模板进行计算,即用3×3区域的第三列和第一列之差近似为水平方向的导数,用第三行和第一行之差近似为垂直方向的导数。用这两个子模板和图像卷积,得到两个与图像大小相同的矩阵,记为Ix,Iy,进而计算三幅新图像:Ix 2,Iy 2和IxIy。
Prewitt模板
S.2.2.2考虑到图像会受到噪声的干扰,采用101×101的高斯窗口对三幅图像进行滤波,去除噪声。
S.2.2.3由三幅新图像组成相关矩阵M:
利用该矩阵计算准则函数R:
R=det(M)-k·(trace(M))2
其中k一般取0.04。
对于每个像素点,都可以得到一个R值,若某个点的R值大于0.01Rmax,且其为3×3邻域的局部最大值,则其将被判断为角点。
S2.3图像校正和图像标定
S.2.3.1通过角点检测得到棋盘格的每个正方形的顶点在图像中坐标,在真实世界中,这些顶点组成每一个正方形,根据其空间位置关系,可设置这些顶点的坐标。令其中某个点在图像中的坐标为(x’,y’)T,在空间中的坐标为(x,y)T,其齐次坐标分别为(x1’,x2’,x3’)T和(x1,y,1)T,二者之间存在射影失真变换,变换矩阵是关于齐次三维坐标的线性变换H,如下表示:
因为图像的非齐次坐标可由齐次坐标表示为:
所以每一组匹配点可得到两个如下方程:
(h31x+h32y+h33)x′=h11x+h12y+h13
(h31x+h32y+h33)y′=h21x+h22y+h23
用至少四对匹配点即可求出变换矩阵H。
S.2.3.2求取变换矩阵H的逆,再作用于图像,实现图像的校正。
S2.3.3通过角点坐标计算黑白棋盘格区域内的总像素个数Nb,并根据它的真实尺寸,即9×(4mm)2=144mm2,得到单位像素的真实尺寸,即:
S3对预处理后的图像进行分割,将拟南芥从图像中提取出来,具体包括如下子步骤:
S3.1图像初分割
S3.1.1对每个像素的RGB值进行归一化获得rgb,方法如下:
提取3g-2.4r-b的色差图,用0作为阈值对图像进行二值化,即:若
I=3g-2.4r-b≥0
则将该像素判断为前景植物的像素,否则为背景像素。
S3.1.2将结果减去原来检测出的蓝色边框区域。判断所获前景区域的像素的G的灰度值是否大于50,若是,则保留该像素,否则将该像素判断为背景像素,从区域中去除。
S3.1.3提取前景连通区域中的具有最多像素的区域,即为植物区域。
S3.2去除噪点
S3.2.1对所得图像用7×7的disk模板进行开运算,得到新的图像,其将只保留大叶片区域和植物的中心区域,而去除图像中的细节部分,包括植物的茎和叶片周围的噪点。
S3.2.2对去除的细节部分的各个连通区域计算其像素个数,像素个数小于12的直接去除。
S3.2.3像素个数大于等于12的连通区域,分别单独与开运算得到的新图像叠加,再计算叠加后图像中的区域个数,如果区域个数减少,说明该连通区域是茎,必须保留,否则,如果叠加后图像中的区域个数增加或者不变,则说明该连通区域是叶片周围的噪点,必须去除。
S3.2.4判断完所有的细节部分后,将保留的所有连通区域全部与开运算得到的新图像叠加,得到最终的植物区域。
S4提取拟南芥的区域表型参数,包括总面积、矩形度、圆度率、紧实性、周长凹凸比、偏心性以及对称性,具体包括如下子步骤:
S4.1总面积
S4.1.1通过图像分割步骤,得到植物区域的像素点的个数Np。
S4.1.2将像素个数与图像标定步骤得到的单位像素的真实面积Adz相乘,得到植物区域的真实总面积Az,即:
Az=AdzNp
S4.2矩形度
S4.2.1计算包含区域的最小矩形的像素个数Nr。
S4.2.2用植物区域的像素个数Np与该矩形的像素个数Nr相除,获得植物区域的矩形度R,即:
S4.3圆度率
S4.3.1计算植物区域的周长像素Npp,与该植物区域具有相同周长的圆的像素个数为Nc。
S4.3.2用植物区域的像素个数Np与该圆的像素个数Nc相除,获得植物的圆度率C,即:
S4.4紧实性
S4.4.1计算包含区域的最小凸多边形的像素个数Nv。
S4.4.2用植物区域的像素个数Np与该凸多边形的像素个数Nv相除,获得植物的紧实性S,即:
S4.5周长凹凸比
S4.5.1计算植物区域的周长像素Npp和包含区域的最小凸多边形的周长像素Nvp。
S4.5.2用植物区域的周长像素Npp与该凸多边形的周长像素Nvp相除,获得植物的周长凹凸比V,即:
S4.6偏心性
S4.6.1计算与植物区域具有相同二阶矩的椭圆。
S4.6.2用椭圆的焦距的像素个数Nf与该椭圆的主轴的像素个数N1相除,获得植物区域的偏心性E,即:
S4.7对称性
S4.7.1提取植物区域的横坐标和纵坐标,通过计算其各自的方差和协方差,得到其协方差矩阵。
计算该协方差矩阵的特征向量,得到植物区域的两个主轴方向。
S4.7.2将植物区域沿着这两个主轴分别进行翻转,将翻转得到的两个图像与原图像进行叠加,计算重叠的植物区域的像素个数N1、N2。
S4.7.3将两个重叠的像素个数N1、N2分别与植物区域的总像素个数Np相除,得到两个方向的对称性Sy1,Sy2。
以下结合实施例子进一步说明本发明的方法,该方法包括以下步骤:
S1在拟南芥的种植盆中,放置标定板,利用相机采集拟南芥的RGB图像。标定板采用的是蓝框黑白棋盘格,由3×3个边长为4mm的正方形组成。将其放在拟南芥一侧,与其一起进行图像采集,采集的图片如图3(1)所示。
S2对采集后的图像进行预处理,实现图像的自动校正和标定。
S2.1定位黑白棋盘格
S2.1.1根据蓝色的RGB特征,R和G的灰度值都小于B,且B的灰度值大于150,从图像中分割出蓝色边框。
S2.1.2对图像的内部进行孔洞填充,其结果减去原来的蓝色边框图像,得到新图像。
S2.1.3对新图像进行开运算,去除噪点;再进行闭运算,连接断点,得到黑白棋盘格的区域,如图3(2)所示。
S2.2角点检测
S.2.2.1用Prewitt模板和图像卷积,计算黑白棋盘格区域中的每一个点的水平方向和垂直方向上的一阶导数,得到三幅新图像:水平一阶导数的平方,垂直一阶导数的平方和两个一阶导数的乘积。
S.2.2.2采用101×101的高斯窗口对三幅图像进行滤波,去除噪声。
S.2.2.3由上述三幅图像组成相关矩阵,计算准则函数,找出角点。如图3(3)所示,各个角点已用红点标出。
S2.3图像校正和图像标定
S.2.3.1通过角点检测得到棋盘格的16个正方形的顶点按照从左到右,从上到下的顺序在图像中坐标如下:
(163,370)(224,362)(286,354)(347,347)
(171,430)(233,423)(294,415)(356,407)
(179,491)(241,484)(302,476)(346,468)
(187,553)(249,545)(311,537)(372,529)
根据其在真实世界中是严格的正方形,将各个点的坐标规定为:
(164,347)(225,347)(286,347)(347,347)
(164,408)(225,408)(286,408)(347,408)
(164,469)(225,469)(286,469)(347,469)
(164,530)(225,530)(286,530)(347,530)
计算出这两组坐标的变换矩阵为:
S.2.3.2该变换矩阵的逆为:
将其作用于图像,实现图像校正,恢复图像的度量特性,结果如图3(4)所示。
S2.3.3通过角点坐标得到黑白棋盘格的总像素个数是35721,并根据它的真实尺寸,即9×(4mm)2=144mm2,得到单位像素的真实尺寸,即:
S3对预处理后的图像进行分割,将拟南芥从图像中提取出来,具体包括如下子步骤:
S3.1图像初分割
S3.1.1对每个像素的RGB值进行归一化获得rgb,提取3g-2.4r-b的色差图,用0作为阈值对图像进行二值化。
S3.1.2将结果减去原来检测出的蓝色边框区域。判断所获前景区域的像素的G的灰度值是否大于50,若是,则保留该像素,否则将该像素判断为背景像素,从区域中去除。
S3.1.3提取前景连通区域中的具有最多像素的区域,即为植物区域,结果如图4(1)所示。
S3.2去除噪点
S3.2.1对所得图像用7×7的disk模板进行开运算,得到新的图像,其将只保留大叶片区域和植物的中心区域,而去除图像中的细节部分,包括植物的茎和叶片周围的噪点。
S3.2.2对去除的细节部分的各个连通区域计算其像素个数,像素个数小于12的直接去除。
S3.2.3像素个数大于等于12的连通区域,分别单独与开运算得到的新图像叠加,再计算叠加后图像中的区域个数,如果区域个数减少,说明该连通区域是茎,必须保留,否则,如果叠加后图像中的区域个数增加或者不变,则说明该连通区域是叶片周围的噪点,必须去除。
S3.2.4判断完所有的细节部分后,将保留的所有连通区域全部与开运算得到的新图像叠加,得到最终的植物区域,结果如图4(2)所示。
S4提取拟南芥的区域表型参数,包括总面积、矩形度、圆度率、紧实性、周长凹凸比、偏心性以及对称性,具体包括如下子步骤:
S4.1总面积
S4.1.1通过图像分割步骤,得到植物区域的像素点的个数是34258。
S4.1.2将像素个数与图像校正步骤得到的单位像素的真实面积相乘,得到植物区域的真实总面积Az,即:
S4.2矩形度
S4.2.1包含区域的最小矩形框如图5(1)所示,该矩形框内的像素个数为72836。
S4.2.2用植物区域的像素个数34258与该矩形的像素个数72836相除,获得植物区域的矩形度R,即:
S4.3圆度率
S4.3.1该植物区域的周长的像素个数1388,与其具有相同周长的圆的像素个数为Nc。
S4.3.2用植物区域的像素个数34258与该圆的像素个数Nc相除,获得植物的圆度率C,即:
S4.4紧实性
S4.2.1包含植物区域的最小凸多边形框如图5(2)所示,该凸多边形框内的像素个数为48896。
S4.2.2用植物区域的像素个数34258与该凸多边形的像素个数48896相除,获得植物的紧实性S,即:
S4.5周长凹凸比
S4.5.1植物区域的周长的像素个数1388,包含区域的最小凸多边形的周长像素733。
S4.5.2用植物区域的周长像素1388与该凸多边形的周长像素733相除,获得植物的周长凹凸比V,即:
S4.6偏心性
S4.6.1与该植物区域具有相同二阶矩的椭圆如图5(3)所示。
S4.6.2用椭圆的焦距的像素个数300与该椭圆的主轴的像素个数274相除,获得植物区域的偏心性E,即:
S4.7对称性
S4.7.1提取植物区域的横坐标和纵坐标,通过计算其各自的方差和协方差,得到其协方差矩阵。
计算得到该协方差矩阵的两个特征向量分别是:
从而得到植物区域的两个主轴方向分别是:
S4.7.2将植物区域沿着这两个主轴分别进行翻转,将翻转得到的两个图像与原图像进行叠加,得到重叠的植物区域的像素个数分别是23154和22308。
S4.7.3将两个重叠的像素个数分别与植物区域的总像素个数相除,得到两个方向的对称性分别是:
Claims (2)
1.一种拟南芥区域表型的检测方法,包括以下步骤:
S1.在拟南芥的种植盆中,放置标定板,利用相机采集拟南芥的RGB图像;
S2.对采集后的图像进行预处理,实现图像的自动校正和标定,其中图像校正是为了校正图像的畸变,图像标定是为了获得单位像素的真实尺寸;
步骤S2包括定位黑白棋盘格、角点检测、图像校正和图像标定;
所述定位黑白棋盘格包括以下步骤:根据蓝色的RGB特征,提取蓝色边框;对图像的内部进行孔洞填充,再减去原来的蓝色边框图像,得到新图像;对新图像进行开运算,去除噪点;再进行闭运算,连接断点,得到黑白棋盘格的区域;
所述角点检测包括以下步骤:计算黑白棋盘格区域中的每一个点的水平方向和垂直方向上的一阶导数,得到三幅新图像:水平一阶导数的平方,垂直一阶导数的平方和两个一阶导数的乘积;用高斯滤波对三幅图像进行滤波,去除噪声;由上述三幅图像组成相关矩阵,计算准则函数,判断其中的像素点是否为角点;
所述图像校正和图像标定包括以下步骤:通过角点检测得到棋盘格的每个正方形的顶点在图像中坐标,并根据其在真实世界中的空间位置关系,得到二者的变换矩阵;求取变换矩阵的逆,作用于图像,实现图像校正;通过角点坐标得到黑白棋盘格的总像素个数,并根据它的真实尺寸,得到单位像素的真实尺寸;
S3.对预处理后的图像进行分割,将拟南芥与背景分割,从图像中提取出来;
步骤S3包括图像初分割和去除噪点;
所述图像初分割包括以下步骤:对每个像素的RGB值进行归一化获得rgb,提取3g-2.4r-b的色差图,用0作为阈值对图像进行二值化;将结果减去原来检测出的蓝色边框区域,判断所获前景区域像素的G的灰度值是否大于50,若是,则保留,否则去除;提取前景连通区域中的具有最多像素的区域,即为植物区域;
所述去除噪点包括以下步骤:对所得图像进行开运算,得到新的图像,其将只保留大叶片区域和植物的中心区域,而去除图像中的细节部分,包括植物的茎和叶片周围的噪点;对去除的细节部分的各个连通区域计算其像素个数,像素个数小于12的直接去除,像素个数大于等于12的连通区域,分别单独与开运算得到的新图像叠加,再计算叠加后图像中的区域个数,如果区域个数减少,说明该连通区域是茎,必须保留,否则,如果叠加后图像中的区域个数增加或者不变,则说明该连通区域是叶片周围的噪点,必须去除;判断完所有的细节部分后,将保留的所有连通区域全部与开运算得到的新图像叠加,得到最终的植物区域;
S4.提取拟南芥的区域表型参数,包括总面积、矩形度、圆度率、紧实性、周长凹凸比、偏心性以及对称性;其中步骤S4包括如下步骤:
S4.1将植物的像素个数与图像标定步骤得到的单位像素的真实面积相乘,得到植物的真实总面积;
S4.2用植物的面积与包含植物的最小矩形的面积相除,获得植物区域的矩形度;
S4.3用植物的面积与和植物具有相同周长的圆的面积相除,获得植物区域的圆度率;
S4.4用植物的面积与包含植物的最小凸多边形的面积相除,获得植物区域的紧实性;
S4.5用植物的周长与包含植物的最小凸多边形的周长相除,获得植物区域的周长凹凸比;
S4.6用与植物区域具有相同二阶矩的椭圆的焦距与该椭圆的主轴相除,获得植物区域的偏心性;
S4.7将植物区域沿着其两个主轴分别进行翻转,计算翻转后的图像与原图重叠的植物区域的像素个数,并将这两个重叠的像素个数分别与植物区域的总像素个数相比,得到两个方向的对称性。
2.根据权利要求1所述的拟南芥区域表型的检测方法,其中所述标定板采用蓝框黑白棋盘格,由3×3个边长为4mm的正方形组成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310456213.0A CN103591887B (zh) | 2013-09-30 | 2013-09-30 | 一种拟南芥区域表型的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310456213.0A CN103591887B (zh) | 2013-09-30 | 2013-09-30 | 一种拟南芥区域表型的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103591887A true CN103591887A (zh) | 2014-02-19 |
CN103591887B CN103591887B (zh) | 2016-06-15 |
Family
ID=50082121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310456213.0A Expired - Fee Related CN103591887B (zh) | 2013-09-30 | 2013-09-30 | 一种拟南芥区域表型的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103591887B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171718A (zh) * | 2017-11-23 | 2018-06-15 | 北京林业大学 | 一种基于小波变换的小菊花瓣数目自动检测方法 |
CN109635811A (zh) * | 2018-11-09 | 2019-04-16 | 中国科学院空间应用工程与技术中心 | 空间植物的图像分析方法 |
CN109883524A (zh) * | 2019-03-08 | 2019-06-14 | 武汉大学 | 作物器官重量估计模型的建模方法 |
CN111223138A (zh) * | 2019-12-09 | 2020-06-02 | 天津市气候中心(天津市生态气象和卫星遥感中心、天津市农业气象中心) | 一种叶片形态校准与提取的方法 |
CN114225998A (zh) * | 2022-01-18 | 2022-03-25 | 北京林业大学 | 一种斜面试管培养基制备专用试管架 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7479982B2 (en) * | 2002-07-03 | 2009-01-20 | Topcon Corporation | Device and method of measuring data for calibration, program for measuring data for calibration, program recording medium readable with computer, and image data processing device |
CN101709951A (zh) * | 2009-12-03 | 2010-05-19 | 中国海洋大学 | 一种扇贝表型性状计算机测量与记录方法 |
CN102564593A (zh) * | 2011-12-30 | 2012-07-11 | 河海大学常州校区 | 基于计算机视觉及物联网的植物生长状况监测系统 |
CN102589441A (zh) * | 2012-01-11 | 2012-07-18 | 华中科技大学 | 盆栽水稻表型参数的全自动无损测量系统及测量方法 |
JP2013036831A (ja) * | 2011-08-08 | 2013-02-21 | Panasonic Corp | キャリブレーション装置及び歪み誤差算出方法 |
CN102954762A (zh) * | 2012-10-26 | 2013-03-06 | 浙江理工大学 | 基于机器视觉的嫁接苗外部特征测量方法及系统 |
-
2013
- 2013-09-30 CN CN201310456213.0A patent/CN103591887B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7479982B2 (en) * | 2002-07-03 | 2009-01-20 | Topcon Corporation | Device and method of measuring data for calibration, program for measuring data for calibration, program recording medium readable with computer, and image data processing device |
CN101709951A (zh) * | 2009-12-03 | 2010-05-19 | 中国海洋大学 | 一种扇贝表型性状计算机测量与记录方法 |
JP2013036831A (ja) * | 2011-08-08 | 2013-02-21 | Panasonic Corp | キャリブレーション装置及び歪み誤差算出方法 |
CN102564593A (zh) * | 2011-12-30 | 2012-07-11 | 河海大学常州校区 | 基于计算机视觉及物联网的植物生长状况监测系统 |
CN102589441A (zh) * | 2012-01-11 | 2012-07-18 | 华中科技大学 | 盆栽水稻表型参数的全自动无损测量系统及测量方法 |
CN102954762A (zh) * | 2012-10-26 | 2013-03-06 | 浙江理工大学 | 基于机器视觉的嫁接苗外部特征测量方法及系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171718A (zh) * | 2017-11-23 | 2018-06-15 | 北京林业大学 | 一种基于小波变换的小菊花瓣数目自动检测方法 |
CN109635811A (zh) * | 2018-11-09 | 2019-04-16 | 中国科学院空间应用工程与技术中心 | 空间植物的图像分析方法 |
CN109883524A (zh) * | 2019-03-08 | 2019-06-14 | 武汉大学 | 作物器官重量估计模型的建模方法 |
CN111223138A (zh) * | 2019-12-09 | 2020-06-02 | 天津市气候中心(天津市生态气象和卫星遥感中心、天津市农业气象中心) | 一种叶片形态校准与提取的方法 |
CN111223138B (zh) * | 2019-12-09 | 2023-05-09 | 天津市气候中心(天津市生态气象和卫星遥感中心、天津市农业气象中心) | 一种叶片形态校准与提取的方法 |
CN114225998A (zh) * | 2022-01-18 | 2022-03-25 | 北京林业大学 | 一种斜面试管培养基制备专用试管架 |
CN114225998B (zh) * | 2022-01-18 | 2024-04-26 | 北京林业大学 | 一种斜面试管培养基制备专用试管架 |
Also Published As
Publication number | Publication date |
---|---|
CN103591887B (zh) | 2016-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103471523B (zh) | 一种拟南芥轮廓表型的检测方法 | |
Chen et al. | Extracting the navigation path of a tomato-cucumber greenhouse robot based on a median point Hough transform | |
Wang et al. | Image segmentation of overlapping leaves based on Chan–Vese model and Sobel operator | |
García-Santillán et al. | Automatic detection of curved and straight crop rows from images in maize fields | |
Zhang et al. | New research methods for vegetation information extraction based on visible light remote sensing images from an unmanned aerial vehicle (UAV) | |
CN104361314B (zh) | 基于红外与可见光图像融合的变电设备定位方法及装置 | |
CN103411553B (zh) | 多线结构光视觉传感器的快速标定方法 | |
Jin et al. | Corn plant sensing using real‐time stereo vision | |
CN105389586B (zh) | 一种基于计算机视觉自动检测虾体完整性的方法 | |
CN110232389B (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
CN103591887B (zh) | 一种拟南芥区域表型的检测方法 | |
CN103593840B (zh) | 一种拟南芥表型检测方法 | |
CN104700404A (zh) | 一种果实定位识别方法 | |
CN104268853A (zh) | 一种红外图像与可见光图像配准方法 | |
CN105987684A (zh) | 一种基于单目视觉的农业车辆导航线检测系统及方法 | |
Tatar et al. | A robust object-based shadow detection method for cloud-free high resolution satellite images over urban areas and water bodies | |
CN101639947A (zh) | 基于图像的植物三维形态测量与重建方法及系统 | |
CN103489192B (zh) | 一种拟南芥叶片个数及叶片尖点到质心的距离的检测方法 | |
CN103679677A (zh) | 一种基于模型互更新的双模图像决策级融合跟踪方法 | |
CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
CN109800713A (zh) | 基于区域增长的遥感图像云检测方法 | |
Wang et al. | The seedling line extraction of automatic weeding machinery in paddy field | |
CN104899857A (zh) | 使用颜色编码结构的相机标定方法及装置 | |
Zhang et al. | Photometric stereo for three-dimensional leaf venation extraction | |
Wang et al. | The identification of straight-curved rice seedling rows for automatic row avoidance and weeding system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160615 Termination date: 20160930 |
|
CF01 | Termination of patent right due to non-payment of annual fee |