CN105427275A - 大田环境麦穗计数方法及装置 - Google Patents
大田环境麦穗计数方法及装置 Download PDFInfo
- Publication number
- CN105427275A CN105427275A CN201510719660.XA CN201510719660A CN105427275A CN 105427275 A CN105427275 A CN 105427275A CN 201510719660 A CN201510719660 A CN 201510719660A CN 105427275 A CN105427275 A CN 105427275A
- Authority
- CN
- China
- Prior art keywords
- wheat head
- image
- mean value
- spot
- wheat
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种大田环境麦穗计数方法及装置，该方法包括获取待测区域内的麦穗图像；提取所述麦穗图像的麦穗特征信息；根据所述麦穗特征信息获取二值化图像；将所述二值化图像进行细化处理，得到麦穗骨架图像；根据所述麦穗骨架图像确定麦穗骨架数量及麦穗骨架拐点数量，并将所述麦穗骨架数量及麦穗骨架拐点数量之和作为麦穗数量。本发明可以实现小麦麦穗计数的无损测量，具有经济效益高、客观、准确、快速等优点，对小麦长势监测、产量估算等方面具有十分重要的意义。
Description
技术领域
本发明涉及图像处理及农学技术领域，尤其涉及一种大田环境麦穗计数方法及装置。
背景技术
小麦是我国主要的粮食作物，其播种面积与产量均位居各种粮食作物中的前列。因此，小麦的产量对国民经济、粮食安全均具有重要的影响。同时，单位面积小麦麦穗数量的测量是估计小麦产量的重要手段，对小麦测产具有重要意义。
目前小麦估产多采用人工判断、电容测产、气候分析预测、年景预测等方法，但这些方法都存在各自的不足：人工预测受人主观因素影响大；电容测产成本较高；气候分析与年景预测不够精确。公开号为CN103632157A的中国专利申请公开了一种小麦穗部籽粒计数方法，可以提取麦穗的面积、穗轴长度等特征，由此建立特征与籽粒数的数学模型，从而获取麦穗籽粒数量。该方法均仅适用于对单一麦穗籽粒数进行测量，无法适用于复杂的大田环境下，麦穗数量的测量。公开号为CN201740510U的中国专利公开了一种基于机器视觉的小麦穗部形态参数无损测量装置，可在田间无损状态下获取小麦麦穗图像，并通过图像处理得到小麦穗部形态参数。该装置同样无法解决大田环境下小麦麦穗数量的统计问题。
因此，如何利用图像处理技术提供一种客观准确的大田环境下的小麦麦穗数量的统计方法成为了亟待解决的技术问题之一。
发明内容
本发明所要解决的技术问题是如何客观准确地实现大田环境下的小麦麦穗数量的统计。
为此目的，本发明一方面提出了一种大田环境麦穗计数方法，包括：
获取待测区域内的麦穗图像；
提取所述麦穗图像的麦穗特征信息；
根据所述麦穗特征信息获取二值化图像；
将所述二值化图像进行细化处理，得到麦穗骨架图像；
根据所述麦穗骨架图像确定麦穗骨架数量及麦穗骨架拐点数量，并将所述麦穗骨架数量及麦穗骨架拐点数量之和作为麦穗数量。
优选地，所述提取所述麦穗图像的麦穗特征信息，具体包括：
按照m×m像素大小对所述麦穗图像进行网格化处理，以获得所述麦穗图像中的各图斑，所述m为不小于2的整数；
分别计算每个图斑中所有像素的色调H通道的平均值、饱和度S通道的平均值和亮度V通道的平均值，并将所述H通道的平均值、S通道的平均值和V通道的平均值作为每个图斑的3个颜色特征值；
对经过网格化处理的麦穗图像进行单通道处理，以得到麦穗灰度图像，根据所述麦穗灰度图像中的各图斑确定灰度共生矩阵，以根据所述灰度共生矩阵分别获取每个图斑在多个预设方向上分别对应的纹理二阶矩的平均值、纹理对比度的平均值、纹理熵的平均值及纹理相关度的平均值，并将所述纹理二阶矩的平均值、纹理对比度的平均值、纹理熵的平均值及纹理相关度的平均值作为每个图斑的4个纹理特征值；
对所述每个图斑的3个颜色特征值以及4个纹理特征值分别进行归一化处理，并将所述每个图斑的所述3个颜色特征值和所述4个纹理特征值作为所述麦穗图像的麦穗特征信息。
优选地，所述提取所述麦穗图像的麦穗特征信息之前，该方法还包括：
对所述麦穗图像依次进行预处理，所述预处理包括高斯降噪、图像增强和反色处理。
优选地，所述根据所述麦穗特征信息获取二值化图像，具体为：
利用支持向量机SVM分类器根据所述麦穗特征信息对所述麦穗图像进行二值化处理，以获取麦穗的二值化图像。
优选地，所述利用支持向量机SVM分类器根据所述麦穗特征信息对所述麦穗图像进行二值化处理之前，所述方法还包括：
获取预设数量的麦穗样本图像；
对所述麦穗样本图像中的麦穗对应的图像区域和背景对应的图像区域进行标注；
提取所述麦穗样本图像中每个图斑的麦穗特征信息，并根据标注后的小麦麦穗图像对所述每个图斑的麦穗特征信息进行分类；
利用所述麦穗样本图像中每个图斑的麦穗特征信息以及分类结果训练SVM分类器。
优选地，所述将所述二值化图像进行细化处理，具体包括：
A1：根据所述二值化图像中相连的相同灰度的图斑数量对所述二值化图像进行孔洞填充处理；
A2：对经过孔洞填充处理后的二值化图像进行逐行扫描，根据与相邻像素点之间的灰度变化情况判断扫描到的每个像素点是否为边界点，若是，将该边界点加入边界点序列；
A3：根据zhang快速并行细化算法的目标像素删除条件逐一判断所述边界点序列中的每个边界点是否可以删除，若是，则对该边界点的对应像素的灰度进行赋值；
A4：判断当次扫描过程当次扫描过程中是否扫描到边界点，若是，则重复步骤A2。
另一方面，本发明还提供了一种大田环境麦穗计数装置，包括：
图像采集单元，用于获取待测区域内的麦穗图像；
特征提取单元，用于提取所述麦穗图像的麦穗特征信息；
二值化处理单元，用于根据所述麦穗特征信息获取二值化图像；
麦穗骨架细化单元，用于将所述二值化图像进行细化处理，得到麦穗骨架图像；
麦穗计数单元，用于根据所述麦穗骨架图像确定麦穗骨架数量及麦穗骨架拐点数量，并将所述麦穗骨架数量及麦穗骨架拐点数量之和作为麦穗数量。
优选地，所述特征提取单元具体包括：
网格化模块，用于按照m×m像素大小对所述麦穗图像进行网格化处理，以获得所述麦穗图像中的各图斑，所述m为不小于2的整数；
颜色特征模块，用于分别计算每个图斑中所有像素的色调H通道的平均值、饱和度S通道的平均值和亮度V通道的平均值，并将所述H通道的平均值、S通道的平均值和V通道的平均值作为每个图斑的3个颜色特征值；
纹理特征模块，用于对经过网格化处理的麦穗图像进行单通道处理，以得到麦穗灰度图像，根据所述麦穗灰度图像中的各图斑确定灰度共生矩阵，以根据所述灰度共生矩阵分别获取每个图斑在多个预设方向上分别对应的纹理二阶矩的平均值、纹理对比度的平均值、纹理熵的平均值及纹理相关度的平均值，并将所述纹理二阶矩的平均值、纹理对比度的平均值、纹理熵的平均值及纹理相关度的平均值作为每个图斑的4个纹理特征值；
归一化特征模块，用于对所述每个图斑的3个颜色特征值以及4个纹理特征值分别进行归一化处理，并将所述每个图斑的所述3个颜色特征值和所述4个纹理特征值作为所述麦穗图像的麦穗特征信息。
优选地，所述装置还包括：
预处理单元，用于在所述特征提取单元提取所述麦穗图像的麦穗特征信息之前，对所述麦穗图像依次进行预处理，所述预处理包括高斯降噪、图像增强和反色处理。
优选地，所述二值化处理单元具体用于利用支持向量机SVM分类器根据所述麦穗特征信息对所述麦穗图像进行二值化处理，以获取麦穗的二值化图像。
本发明公开的大田环境麦穗计数方法及装置，可以客观准确地实现大田环境下的小麦麦穗数量的统计，具有经济、快速的优点，对农作物长势监测、产量估算等领域具有十分重要的意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本发明一个实施例的大田环境麦穗计数方法的流程图；
图2示出了本发明另一个实施例的大田环境麦穗计数方法的麦穗特征信息提取流程图；
图3示出了本发明实施例的大田环境麦穗计数方法的支持向量机SVM分类器训练流程图；
图4示出了本发明实施例的大田环境麦穗计数方法的麦穗图像骨架细化流程图；
图5示出了本发明一个实施例的大田环境麦穗计数装置的结构框图；
图6示出了本发明另一个实施例的大田环境麦穗计数装置的特征提取单元的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面将结合附图对本发明的实施例进行详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
图1示出了本发明一个实施例的大田环境麦穗计数方法的流程图；如图1所示，该方法包括：
S1：获取待测区域内的麦穗图像；
S2：提取所述麦穗图像的麦穗特征信息；
S3：根据所述麦穗特征信息获取二值化图像；
S4：将所述二值化图像进行细化处理，得到麦穗骨架图像；
S5：根据所述麦穗骨架图像确定麦穗骨架数量及麦穗骨架拐点数量，并将所述麦穗骨架数量及麦穗骨架拐点数量之和作为麦穗数量。
本实施例所述的大田环境麦穗计数方法可以实现小麦麦穗计数的无损测量，具有经济效益高、客观、准确、快速等优点，对小麦长势监测、产量估算等方面具有十分重要的意义。
图2示出了本发明另一个实施例的大田环境麦穗计数方法的麦穗特征信息提取流程图；如图2所示，步骤S2具体包括：
S21：按照m×m像素大小对所述麦穗图像进行网格化处理，以获得所述麦穗图像中的各图斑，所述m为不小于2的整数，本实施例中，m优选为3；
需要说明的是，本实施的方法涉及图斑纹理特征提取，故需要生成灰度共生矩阵，而灰度共生矩阵是以图斑为基础的，因此m不可取为1，此外，本实施例以3×3的小图斑为单元还有以下原因：第一、由于小麦穗宽大约为9-10个像素，3个像素可以保证麦穗至少可以完整提取两个图斑；第二、由于本方法需要做的是定性分析，即只是判断图像中的对象是否为麦穗，不用对麦穗的几何特征进行测量，因此分类时丢失部分像素不影响到定量分析。
S22：分别计算每个图斑中所有像素的色调H通道的平均值、饱和度S通道的平均值和亮度V通道的平均值，并将所述H通道的平均值、S通道的平均值和V通道的平均值作为每个图斑的3个颜色特征值；
S23：对经过网格化处理的麦穗图像进行单通道处理，以得到麦穗灰度图像，根据所述麦穗灰度图像中的各图斑确定灰度共生矩阵，以根据所述灰度共生矩阵分别获取每个图斑在多个预设方向上分别对应的纹理二阶矩的平均值、纹理对比度的平均值、纹理熵的平均值及纹理相关度的平均值，并将所述纹理二阶矩的平均值、纹理对比度的平均值、纹理熵的平均值及纹理相关度的平均值作为每个图斑的4个纹理特征值；
S24：对所述每个图斑的3个颜色特征值以及4个纹理特征值分别进行归一化处理，并将所述每个图斑的所述3个颜色特征值和所述4个纹理特征值作为所述麦穗图像的麦穗特征信息。
作为优选，所述提取所述麦穗图像的麦穗特征信息之前，上述方法还可进一步包括：
S20：对所述麦穗图像依次进行预处理，所述预处理包括高斯降噪、图像增强和反色处理(图中未示出)。
本实施例中，步骤S3所述根据所述麦穗特征信息获取二值化图像，具体为利用支持向量机SVM分类器根据所述麦穗特征信息对所述麦穗图像进行二值化处理，以获取麦穗的二值化图像。
进一步地，图3示出了本发明实施例的大田环境麦穗计数方法的支持向量机SVM分类器训练流程图，如图3所示，所述利用支持向量机SVM分类器根据所述麦穗特征信息对所述麦穗图像进行二值化处理之前，所述方法还包括：
S31：获取预设数量的麦穗样本图像；
S32：对所述麦穗样本图像中的麦穗对应的图像区域和背景对应的图像区域进行标注；
作为本实施例的优选，将麦穗对应的图像区域标注为白色，背景对应的图像区域标注为黑色；
S33：提取所述麦穗样本图像中每个图斑的麦穗特征信息，并根据标注后的小麦麦穗图像对所述每个图斑的麦穗特征信息进行分类；
其中，所述的麦穗特征信息优选地包括小麦麦穗的颜色特征信息和纹理特征信息，同时，为了消除边界效应，提高二值化处理效果，在对所述小麦麦穗图像中每个图斑的麦穗特征信息进行分类过程中，可舍弃麦穗对应图像区域与背景对应图像区域交界处的图斑；
S34：利用所述麦穗样本图像中每个图斑的麦穗特征信息以及分类结果训练SVM分类器。
图4示出了本发明实施例的大田环境麦穗计数方法的麦穗图像骨架细化流程图，如图4所示，步骤S4将所述二值化图像进行细化处理具体包括：
S41：根据所述二值化图像中相连的相同灰度的图斑数量对所述二值化图像进行孔洞填充处理；
S42：对经过孔洞填充处理后的二值化图像进行逐行扫描，根据与相邻像素点之间的灰度变化情况判断扫描到的每个像素点是否为边界点，若是，将该边界点加入边界点序列；否则，不做处理；根据zhang快速并行细化算法的目标像素删除条件逐一判断所述边界点序列中的每个边界点是否可以删除，若是，则对该边界点的对应像素的灰度进行赋值(例如赋值为255)；否则，不做处理；
S43：判断当次扫描过程当次扫描过程中是否扫描到边界点，若是，则重复步骤S42。由此，便可得到麦穗骨架图像。
在得到麦穗骨架图像后，便可以通过统计图像中连通域的数量来统计图像中骨架的数量。由于麦穗理论上没有分叉的可能性。如果某个骨架包含分叉点(即骨架拐点)，那么可能意味着这个骨架可能是由于两个麦穗交叉后形成的，分叉点是两个麦穗的交点。但是存在这种情况，由于分类时一个麦穗的某些部位被三个图斑识别到，而另一些部位可能只有一个图斑，因此在图像细化时，在骨架上会出现伪交点。但是这种伪交点和真正的麦穗与麦穗的交点有明显的特征可以区分，即这种为交点通常在麦穗骨架图像上看起来是在一条直线上突然冒出一个较为短的突起线，这种突起线通常非常短，大约是3-6个像素，因此可以通过预设像素相连阈值来剔除这种伪交点继而通过计算图像中骨架的数量和剔除伪交点的真正麦穗与麦穗交点的数量，然后将这两个数量相加即可得到图像中所有麦穗的数量，这样就进一步提高了麦穗数量统计的准确率。
本实施例所述的大田麦穗计数方法在上一实施例的基础上，通过高斯降噪、图像增强、图像反色等预处理操作来提高原始图像的可读性，增强了小麦麦穗与背景的对比度，方便图像特征的提取；并且，通过将麦穗图像的颜色特征和纹理特征进行归一化处理并利用支持向量机SVM方法提高了二值化图像的处理效率及质量；进一步地通过设定阈值筛除掉伪交点进一步地提高了小麦麦穗技术的准确率，为小麦估产提供更准确有效的数据参考。
图5示出了本发明一个实施例的大田环境麦穗计数装置的结构框图；如图5所示，本装置包括图像采集单元10、特征提取单元20、二值化处理单元30、麦穗骨架细化单元40及麦穗计数单元50。
所述的图像采集单元10，用于获取待测区域内的麦穗图像；
所述的特征提取单元20，用于提取所述麦穗图像的麦穗特征信息；
所述的二值化处理单元30，用于根据所述麦穗特征信息获取二值化图像；
所述的麦穗骨架细化单元40，用于将所述二值化图像进行细化处理，得到麦穗骨架图像；
所述的麦穗计数单元50，用于根据所述麦穗骨架图像确定麦穗骨架数量及麦穗骨架拐点数量，并将所述麦穗骨架数量及麦穗骨架拐点数量之和作为麦穗数量。
本实施例所述的大田环境麦穗计数装置可以用于执行上述方法实施例，其原理和技术效果类似，此处不再赘述。
图6示出了本发明另一个实施例的大田环境麦穗计数装置的特征提取单元的结构框图。如图6所示，所述特征提取单元20具体包括：网格化模块21、颜色特征模块22、纹理特征模块23及归一化特征模块24。
所述的网格化模块21，用于按照m×m像素大小对所述麦穗图像进行网格化处理，以获得所述麦穗图像中的各图斑，所述m为不小于2的整数，优选地，m＝3；
所述的颜色特征模块22，用于分别计算每个图斑中所有像素的色调H通道的平均值、饱和度S通道的平均值和亮度V通道的平均值，并将所述H通道的平均值、S通道的平均值和V通道的平均值作为每个图斑的3个颜色特征值；
所述的纹理特征模块23，用于对经过网格化处理的麦穗图像进行单通道处理，以得到麦穗灰度图像，根据所述麦穗灰度图像中的各图斑确定灰度共生矩阵，以根据所述灰度共生矩阵分别获取每个图斑在多个预设方向上分别对应的纹理二阶矩的平均值、纹理对比度的平均值、纹理熵的平均值及纹理相关度的平均值，并将所述纹理二阶矩的平均值、纹理对比度的平均值、纹理熵的平均值及纹理相关度的平均值作为每个图斑的4个纹理特征值；
所述的归一化特征模块24，用于对所述每个图斑的3个颜色特征值以及4个纹理特征值分别进行归一化处理，并将所述每个图斑的所述3个颜色特征值和所述4个纹理特征值作为所述麦穗图像的麦穗特征信息。
此外，作为本实施例的优选，所述的装置还包括预处理单元60(图中未示出)，用于在所述特征提取单元提取所述麦穗图像的麦穗特征信息之前，对所述麦穗图像依次进行预处理，所述预处理包括高斯降噪、图像增强和反色处理。
本实施例中，所述的二值化处理单元30具体用于利用支持向量机SVM分类器根据所述麦穗特征信息对所述麦穗图像进行二值化处理，以获取麦穗的二值化图像。
进一步地，本实施例的装置还可以包括数据存储单元70(图中未示出)和用户UI模块80(图中未示出)；
所述的数据存储单元70，用于根据数据读或写的指令，输出数据或返回写入成功的信息；
所述的用户UI模块80，用于接受用户指令，并将指令输出到麦穗计数装置的相应单元。
本实施例所述的大田环境麦穗计数装置可以用于执行上述方法实施例，其原理和技术效果类似，此处不再赘述。
本发明可以实现小麦麦穗计数的无损测量，通过图像预处理操作增强了小麦麦穗与背景的对比度，通过麦穗图像的颜色特征和纹理特征的归一化处理以及支持向量机SVM方法提高了二值化图像的处理效率及质量，对小麦长势监测、产量估算等方面具有十分重要的意义。
以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种大田环境麦穗计数方法，其特征在于，包括：
获取待测区域内的麦穗图像；
提取所述麦穗图像的麦穗特征信息；
根据所述麦穗特征信息获取二值化图像；
将所述二值化图像进行细化处理，得到麦穗骨架图像；
根据所述麦穗骨架图像确定麦穗骨架数量及麦穗骨架拐点数量，并将所述麦穗骨架数量及麦穗骨架拐点数量之和作为麦穗数量。
2.如权利要求1所述的大田环境麦穗计数方法，其特征在于，所述提取所述麦穗图像的麦穗特征信息，具体包括：
按照m×m像素大小对所述麦穗图像进行网格化处理，以获得所述麦穗图像中的各图斑，所述m为不小于2的整数；
分别计算每个图斑中所有像素的色调H通道的平均值、饱和度S通道的平均值和亮度V通道的平均值，并将所述H通道的平均值、S通道的平均值和V通道的平均值作为每个图斑的3个颜色特征值；
对经过网格化处理的麦穗图像进行单通道处理，以得到麦穗灰度图像，根据所述麦穗灰度图像中的各图斑确定灰度共生矩阵，以根据所述灰度共生矩阵分别获取每个图斑在多个预设方向上分别对应的纹理二阶矩的平均值、纹理对比度的平均值、纹理熵的平均值及纹理相关度的平均值，并将所述纹理二阶矩的平均值、纹理对比度的平均值、纹理熵的平均值及纹理相关度的平均值作为每个图斑的4个纹理特征值；
对所述每个图斑的3个颜色特征值以及4个纹理特征值分别进行归一化处理，并将所述每个图斑的所述3个颜色特征值和所述4个纹理特征值作为所述麦穗图像的麦穗特征信息。
3.如权利要求1所述的大田环境麦穗计数方法，其特征在于，所述提取所述麦穗图像的麦穗特征信息之前，该方法还包括：
对所述麦穗图像依次进行预处理，所述预处理包括高斯降噪、图像增强和反色处理。
4.如权利要求2所述的大田环境麦穗计数方法，其特征在于，所述根据所述麦穗特征信息获取二值化图像，具体为：
利用支持向量机SVM分类器根据所述麦穗特征信息对所述麦穗图像进行二值化处理，以获取麦穗的二值化图像。
5.如权利要求4所述的大田环境麦穗计数方法，其特征在于，所述利用支持向量机SVM分类器根据所述麦穗特征信息对所述麦穗图像进行二值化处理之前，所述方法还包括：
获取预设数量的麦穗样本图像；
对所述麦穗样本图像中的麦穗对应的图像区域和背景对应的图像区域进行标注；
提取所述麦穗样本图像中每个图斑的麦穗特征信息，并根据标注后的小麦麦穗图像对所述每个图斑的麦穗特征信息进行分类；
利用所述麦穗样本图像中每个图斑的麦穗特征信息以及分类结果训练SVM分类器。
6.如权利要求2所述的大田环境麦穗计数方法，其特征在于，所述将所述二值化图像进行细化处理，具体包括：
A1：根据所述二值化图像中相连的相同灰度的图斑数量对所述二值化图像进行孔洞填充处理；
A2：对经过孔洞填充处理后的二值化图像进行逐行扫描，根据与相邻像素点之间的灰度变化情况判断扫描到的每个像素点是否为边界点，若是，将该边界点加入边界点序列；
A3：根据zhang快速并行细化算法的目标像素删除条件逐一判断所述边界点序列中的每个边界点是否可以删除，若是，则对该边界点的对应像素的灰度进行赋值；
A4：判断当次扫描过程当次扫描过程中是否扫描到边界点，若是，则重复步骤A2。
7.一种大田环境麦穗计数装置，其特征在于，包括：
图像采集单元，用于获取待测区域内的麦穗图像；
特征提取单元，用于提取所述麦穗图像的麦穗特征信息；
二值化处理单元，用于根据所述麦穗特征信息获取二值化图像；
麦穗骨架细化单元，用于将所述二值化图像进行细化处理，得到麦穗骨架图像；
麦穗计数单元，用于根据所述麦穗骨架图像确定麦穗骨架数量及麦穗骨架拐点数量，并将所述麦穗骨架数量及麦穗骨架拐点数量之和作为麦穗数量。
8.如权利要求7所述的大田环境麦穗计数装置，其特征在于，所述特征提取单元具体包括：
网格化模块，用于按照m×m像素大小对所述麦穗图像进行网格化处理，以获得所述麦穗图像中的各图斑，所述m为不小于2的整数；
颜色特征模块，用于分别计算每个图斑中所有像素的色调H通道的平均值、饱和度S通道的平均值和亮度V通道的平均值，并将所述H通道的平均值、S通道的平均值和V通道的平均值作为每个图斑的3个颜色特征值；
纹理特征模块，用于对经过网格化处理的麦穗图像进行单通道处理，以得到麦穗灰度图像，根据所述麦穗灰度图像中的各图斑确定灰度共生矩阵，以根据所述灰度共生矩阵分别获取每个图斑在多个预设方向上分别对应的纹理二阶矩的平均值、纹理对比度的平均值、纹理熵的平均值及纹理相关度的平均值，并将所述纹理二阶矩的平均值、纹理对比度的平均值、纹理熵的平均值及纹理相关度的平均值作为每个图斑的4个纹理特征值；
归一化特征模块，用于对所述每个图斑的3个颜色特征值以及4个纹理特征值分别进行归一化处理，并将所述每个图斑的所述3个颜色特征值和所述4个纹理特征值作为所述麦穗图像的麦穗特征信息。
9.如权利要求7所述的大田环境麦穗计数装置，其特征在于，所述装置还包括：
预处理单元，用于在所述特征提取单元提取所述麦穗图像的麦穗特征信息之前，对所述麦穗图像依次进行预处理，所述预处理包括高斯降噪、图像增强和反色处理。
10.如权利要求7所述的大田环境麦穗计数方法，其特征在于，所述二值化处理单元具体用于利用支持向量机SVM分类器根据所述麦穗特征信息对所述麦穗图像进行二值化处理，以获取麦穗的二值化图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510719660.XA CN105427275B (zh) | 2015-10-29 | 2015-10-29 | 大田环境麦穗计数方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510719660.XA CN105427275B (zh) | 2015-10-29 | 2015-10-29 | 大田环境麦穗计数方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105427275A true CN105427275A (zh) | 2016-03-23 |
| CN105427275B CN105427275B (zh) | 2017-11-24 |
Family
ID=55505456
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510719660.XA Active CN105427275B (zh) | 2015-10-29 | 2015-10-29 | 大田环境麦穗计数方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105427275B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107092891A (zh) * | 2017-04-25 | 2017-08-25 | 无锡中科智能农业发展有限责任公司 | 一种基于机器视觉技术的水稻估产系统及方法 |
| CN107590812A (zh) * | 2017-09-01 | 2018-01-16 | 南京农业大学 | 小麦穗部小穗识别计数方法 |
| CN108335298A (zh) * | 2018-03-20 | 2018-07-27 | 东南大学 | 谷物颗粒计数装置 |
| CN108492296A (zh) * | 2018-04-04 | 2018-09-04 | 扬州大学 | 基于超像素分割的小麦麦穗智能计数系统及方法 |
| CN109740721A (zh) * | 2018-12-19 | 2019-05-10 | 中国农业大学 | 麦穗计数方法及装置 |
| CN109863530A (zh) * | 2016-10-19 | 2019-06-07 | 巴斯夫农化商标有限公司 | 确定谷穗的谷粒重量 |
| CN111507959A (zh) * | 2020-04-15 | 2020-08-07 | 江苏科恒环境科技有限公司 | 一种基于图像识别的菇头数量统计系统 |
| CN111507956A (zh) * | 2020-04-15 | 2020-08-07 | 广西科技大学 | 一种纳米线数量统计方法及系统 |
| CN112001884A (zh) * | 2020-07-14 | 2020-11-27 | 浙江大华技术股份有限公司 | 数量统计模型的训练方法、计数方法、设备及存储介质 |
| CN112598660A (zh) * | 2020-12-29 | 2021-04-02 | 青岛港科技有限公司 | 一种码头装卸过程的纸浆货物数量自动检测方法 |
| CN113470104A (zh) * | 2021-07-21 | 2021-10-01 | 浙江托普云农科技股份有限公司 | 基于灰度值对比的小麦穗粒计数测量方法及系统 |
| CN113807139A (zh) * | 2020-06-12 | 2021-12-17 | 广州极飞科技股份有限公司 | 作物株数的确定方法、确定装置 |
| CN115131462A (zh) * | 2022-07-08 | 2022-09-30 | 南京农业大学 | 基于无人机图像的大田作物产量图绘制方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201740510U (zh) * | 2010-07-05 | 2011-02-09 | 北京农业智能装备技术研究中心 | 基于机器视觉的小麦穗部形态参数无损测量装置 |
| CN102855485A (zh) * | 2012-08-07 | 2013-01-02 | 华中科技大学 | 一种小麦抽穗的自动检测方法 |
| CN103632157A (zh) * | 2012-08-24 | 2014-03-12 | 南京农业大学 | 单株小麦穗部籽粒数计数方法 |
-
2015
- 2015-10-29 CN CN201510719660.XA patent/CN105427275B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201740510U (zh) * | 2010-07-05 | 2011-02-09 | 北京农业智能装备技术研究中心 | 基于机器视觉的小麦穗部形态参数无损测量装置 |
| CN102855485A (zh) * | 2012-08-07 | 2013-01-02 | 华中科技大学 | 一种小麦抽穗的自动检测方法 |
| CN103632157A (zh) * | 2012-08-24 | 2014-03-12 | 南京农业大学 | 单株小麦穗部籽粒数计数方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘涛 等: "基于图像处理技术的大田麦穗计数", 《农业机械学报》 * |
| 王书志 等: "基于纹理和颜色特征的甜瓜缺陷识别", 《农业机械学报》 * |
| 王成波 等: "SVM与归一化方法结合的人脸和指纹融合识别", 《微计算机信息》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109863530A (zh) * | 2016-10-19 | 2019-06-07 | 巴斯夫农化商标有限公司 | 确定谷穗的谷粒重量 |
| CN107092891A (zh) * | 2017-04-25 | 2017-08-25 | 无锡中科智能农业发展有限责任公司 | 一种基于机器视觉技术的水稻估产系统及方法 |
| CN107590812B (zh) * | 2017-09-01 | 2021-07-02 | 南京农业大学 | 小麦穗部小穗识别计数方法 |
| CN107590812A (zh) * | 2017-09-01 | 2018-01-16 | 南京农业大学 | 小麦穗部小穗识别计数方法 |
| CN108335298A (zh) * | 2018-03-20 | 2018-07-27 | 东南大学 | 谷物颗粒计数装置 |
| CN108335298B (zh) * | 2018-03-20 | 2020-06-16 | 东南大学 | 谷物颗粒计数装置 |
| CN108492296A (zh) * | 2018-04-04 | 2018-09-04 | 扬州大学 | 基于超像素分割的小麦麦穗智能计数系统及方法 |
| CN108492296B (zh) * | 2018-04-04 | 2022-06-14 | 扬州大学 | 基于超像素分割的小麦麦穗智能计数系统及方法 |
| CN109740721A (zh) * | 2018-12-19 | 2019-05-10 | 中国农业大学 | 麦穗计数方法及装置 |
| CN111507956A (zh) * | 2020-04-15 | 2020-08-07 | 广西科技大学 | 一种纳米线数量统计方法及系统 |
| CN111507959A (zh) * | 2020-04-15 | 2020-08-07 | 江苏科恒环境科技有限公司 | 一种基于图像识别的菇头数量统计系统 |
| CN111507956B (zh) * | 2020-04-15 | 2023-04-07 | 广西科技大学 | 一种纳米线数量统计方法及系统 |
| CN113807139A (zh) * | 2020-06-12 | 2021-12-17 | 广州极飞科技股份有限公司 | 作物株数的确定方法、确定装置 |
| CN112001884A (zh) * | 2020-07-14 | 2020-11-27 | 浙江大华技术股份有限公司 | 数量统计模型的训练方法、计数方法、设备及存储介质 |
| CN112598660A (zh) * | 2020-12-29 | 2021-04-02 | 青岛港科技有限公司 | 一种码头装卸过程的纸浆货物数量自动检测方法 |
| CN112598660B (zh) * | 2020-12-29 | 2022-10-21 | 山东港口科技集团青岛有限公司 | 一种码头装卸过程的纸浆货物数量自动检测方法 |
| CN113470104A (zh) * | 2021-07-21 | 2021-10-01 | 浙江托普云农科技股份有限公司 | 基于灰度值对比的小麦穗粒计数测量方法及系统 |
| CN115131462A (zh) * | 2022-07-08 | 2022-09-30 | 南京农业大学 | 基于无人机图像的大田作物产量图绘制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105427275B (zh) | 2017-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105427275A (zh) | 大田环境麦穗计数方法及装置 | |
| CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
| Gu et al. | Learning a no-reference quality assessment model of enhanced images with big data | |
| CN111753692B (zh) | 目标对象提取方法、产品检测方法、装置、计算机和介质 | |
| CN111738064B (zh) | 一种雾霾图像的雾浓度识别方法 | |
| CN100512374C (zh) | 一种基于阈值分割的图像边缘检测方法 | |
| CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
| CN104268505A (zh) | 基于机器视觉的布匹疵点自动检测识别装置及方法 | |
| CN109859181A (zh) | 一种pcb焊点缺陷检测方法 | |
| CN109993221B (zh) | 一种图像分类方法及装置 | |
| CN106251333B (zh) | 元件反件检测方法和系统 | |
| US20140286527A1 (en) | Systems and methods for accelerated face detection | |
| Sharma et al. | Grain quality detection by using image processing for public distribution | |
| CN107146220B (zh) | 一种通用型无参考图像质量评价方法 | |
| Wah et al. | Analysis on feature extraction and classification of rice kernels for Myanmar rice using image processing techniques | |
| EP3848472A2 (en) | Methods and systems for automated counting and classifying microorganisms | |
| CN108460344A (zh) | 屏幕中的动态区域智能识别系统及智能识别方法 | |
| CN111077150A (zh) | 一种基于计算机视觉和神经网络的大便智能分析方法 | |
| CN104573707A (zh) | 一种基于多特征融合的车牌汉字识别方法 | |
| CN109509188A (zh) | 一种基于hog特征的输电线路典型缺陷识别方法 | |
| CN115953776A (zh) | 基于机器学习的食品检测系统 | |
| CN107301421A (zh) | 车辆颜色的识别方法及装置 | |
| CN115170548A (zh) | 基于无监督学习的皮革缺陷自动检测方法及装置 | |
| CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
| CN110569716A (zh) | 一种货架图像翻拍检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |