CN105447860B - 一种麦苗计数方法 - Google Patents
一种麦苗计数方法 Download PDFInfo
- Publication number
- CN105447860B CN105447860B CN201510792836.4A CN201510792836A CN105447860B CN 105447860 B CN105447860 B CN 105447860B CN 201510792836 A CN201510792836 A CN 201510792836A CN 105447860 B CN105447860 B CN 105447860B
- Authority
- CN
- China
- Prior art keywords
- wheat seeding
- skeleton
- image
- wheat
- line segment
- 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.)
- Active
Links
Classifications
-
- 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
Abstract
本发明公开了一种麦苗计数方法,包含步骤:麦苗图像获取:在麦苗一叶期垂直获取麦苗图像;麦苗骨架提取:利用颜色特征提取麦苗图像中的麦苗,并且提取麦苗区域二值图像的骨架;麦苗骨架分析:利用Harris角点检测算法检测骨架的角点,利用Freeman链码将麦苗图像骨架简化成一条线段,利用角点检测算法和闭合区域检测算法分别检测骨架的角点数NCP和闭合多边形的封闭环数NCR;麦苗计算:利用公式NS=NCP‑NCR+1计算出麦苗数NS。本发明省工省时,解决了麦苗形态差异大、姿态各异、重叠粘合难以计数的问题。
Description
技术领域
本发明涉及一种计数方法,特别是一种麦苗计数方法。
背景技术
小麦的产量和品质除受到遗传因素影响外,还受到环境因素和栽培措施的影响。在栽培措施中,种植密度和氮素营养对小麦的影响最为突出。Spink研究认为,小麦的播种密度显著影响其后期产量,刘萍等研究认为种植密度同样影响着小麦籽粒的品质。由前人的研究可以看出,基本苗数对于小麦的生长起到至关重要的作用,它是决定如何设计小麦后期栽培措施的主要依据。因此,及时准确的获取田间麦苗数量对于指导生产具有积极意义。目前苗数的获取多通过人工调查取样的办法进行,该方法对人力依赖性大,且调查准确率可控性差。测量结果受到人为主观因素的影响,测量速度慢,并且大面积的测量需要投入大量的人力。
另一方面,计算机图像处理技术在植物生产中已经发挥了积极的作用。研究内容包括基于图像处理技术的植物营养状态诊断,病虫草害监测,以及一些指标的测量。利用图像处理技术获取目标物的数量信息能够将人从繁重,长时间,重复的工作中解放出来而逐渐被各个领域重视起来。在植物生产中,规则目标物的计数在实现上具有较高的可行性,如作物籽粒的计数,果实产量的计算,叶片的提取与分割,害虫个数的计算,这些研究均为目标物的计数设计了只能话的方法。纵观前任研究不难发现,目标智能计数的难点在于分割,将目标从背景中分割出来是计数的基础,将粘连在一起的目标物分割开来是准确计数的关键。粘连目标的分割自然成为研究者关注的重点,前人提出了诸如分水岭分割,链码分割,凸点匹配分割和等高线分割等一系列算法,这些算法在相应目标的分割上取得了不错的效果,但却很难移植到其他目标上。
基于图像处理技术的麦苗的计数需要解决几个问题,首先,麦苗不像作物籽粒和果实那样具有一定的规则,在分割时很难得到粘连目标的共性,且不同品种麦苗之间存在差异;其次,麦苗在图像中呈现的姿态各异,加大了麦苗分割的难度;再次,当播种密度较大时,粘连情况较为严重。
发明内容
本发明所要解决的技术问题是提供一种麦苗计数方法,它解决了麦苗形态差异大、姿态各异及粘连造成的难以通过图像处理技术识别的问题。
为解决上述技术问题,本发明所采用的技术方案是:
一种麦苗计数方法,其特征在于包含以下步骤:
A、麦苗图像获取:在麦苗一叶期垂直获取麦苗图像;
B、麦苗骨架提取:利用颜色特征提取麦苗图像中的麦苗,并且提取麦苗区域二值图像的骨架;
C、麦苗骨架分析:利用Harris角点检测算法检测骨架的角点,利用Freeman链码将麦苗图像骨架简化成一条线段,利用角点检测算法和闭合区域检测算法分别检测骨架的角点数NCP和闭合多边形的封闭环数NCR;
D、 麦苗计算:利用公式NS=NCP-NCR+1计算出麦苗数NS。
进一步地,所述麦苗图像的获取通过数码相机垂直向下获取。
进一步地,所述利用颜色特征提取麦苗图像包含,利用公式
计算得到麦苗图像的超绿值的灰度图像,并对灰度图像进行二值化处理,再进行滤波图像处理后最后提取出麦苗图像。
进一步地,所述Harris角点检测算法检测骨架的角点并判断角点类型,在检测到的Harris角点中,像素点A和B这种8个方向仅有一个像素点即标记为骨架端点,像素点C和D这种8个方向有3个或4个像素点的即标记为骨架拐点。
进一步地,所述Freeman链码将麦苗图像骨架简化成一条线段过程为,骨架端点和拐点两两连接成若干个线段,定义线段中每个像素链码的平均值为该线段的方向值,当某一线段延长线方向上存在线段,并且两个线段的方向值的差值介于(0,1)或(4,5),则两个线段合并成一个线段并继续进行寻找,当有未进行合并的线段则继续画出该线段。
本发明与现有技术相比,具有以下优点和效果:本发明利用计算机图像方法计算大田环境下的麦苗个数,相比传统人工调查法省工省时,同时麦苗个数测定的准确率不受人为因素的影响;利用数码相机或普通成像设备进行图像获取,投入成本小;通过将麦苗图像进行骨架化处理,并且通过Harris角点检测算法和Freeman链码算法相结合的方式,解决了麦苗形态差异大、姿态各异、粘连情况下普通图像处理难以识别计数的问题。
附图说明
图1是本发明的麦苗骨架提取流程示意图。
图2是本发明的Harris角点检测算法判断角点类型原理图。
图3是本发明的麦苗骨架链码示意图。
具体实施方式
下面结合附图并通过实施例对本发明作进一步的详细说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
如图所示,本发明的一种麦苗计数方法,包含以下步骤:
A、麦苗图像获取:在麦苗一叶期,利用普通数码相机或图像获取设备垂直获取麦苗图像。
B、麦苗骨架提取:如图1所示,麦苗的超绿值明显高于图像的其他部分,可用于进行大田环境下麦苗的提取。利用公式计算得到麦苗图像的超绿值的灰度图像,并对灰度图像进行二值化处理,再进行滤波图像处理后最后提取出麦苗图像从而获得麦苗的骨架图像。
C、 麦苗骨架分析:麦苗计数的关键在重叠麦苗数量的计算,麦苗在图像中呈现的姿态各异,重叠的方式也较为复杂,传统的粘连区域分割算法在麦苗重叠区域计数上效果较差。通过对不同密度的麦苗图像进行分析发现:正常播种条件下,重叠区域麦苗数一般不超过6个,通过重叠麦苗区域自身特征很难判断该区域的麦苗个数,但该区域骨架图像的角点数相似。利用Harris角点检测算法检测骨架的角点,并利用图2所示方法判断角点类型:在检测到的Harris角点中,像素点A和B这种8个方向仅有一个像素点即标记为骨架端点,像素点C和D这种8个方向有3个或4个像素点的即标记为骨架拐点。利用Freeman链码将麦苗图像骨架简化成一条线段,该部分的关键是利用链码匹配重叠区域麦苗的端点,如图3所示为两种重叠形式麦苗骨架中每个像素点的链码,像素点A,B,C,D为骨架的端点,像素点M,N,P为骨架的拐点,拐点将骨架分成若干个线段,拐点M,N将骨架划分为线段AM,BN,DN,CM,MN,定义线段中每个像素链码的平均值为该线段的方向值。若某一线段延长线方向上存在线段,且两个线段的方向值的差值介于(0,1)或(4,5)则两个线段合并成一个线段并继续寻找,如图3中A图的BN方向值为6.429,BN延长线方向上的MC方向值为6.333,则BN与MC合并形成线段BC,同理AM与MN合并形成AN,AN在与ND合并形成AD;若存在未进行合并的线段如图3中B图的线段MP,则继续画出该线段。按照上述方法重新构建后的重叠区域中每一个麦苗被简化成一条直线,这些直线交叉会形成拐点,也会形成闭多边形,形成新的麦苗骨架。利用角点检测算法和闭合区域检测算法分别检测骨架的角点数NCP和闭合多边形的封闭环数NCR;
D、 麦苗计算:利用公式NS=NCP-NCR+1计算出麦苗数NS。
本说明书中所描述的以上内容仅仅是对本发明所作的举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种修改或补充或采用类似的方式替代,只要不偏离本发明说明书的内容或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (5)
1.一种麦苗计数方法,其特征在于包含以下步骤:
麦苗图像获取:在麦苗一叶期垂直获取麦苗图像;
麦苗骨架提取:利用颜色特征提取麦苗图像中的麦苗区域,并且提取麦苗区域二值图像的骨架;
麦苗骨架分析:利用Harris角点检测算法检测骨架的角点,利用Freeman链码将麦苗图像骨架简化成一条线段,利用角点检测算法和闭合区域检测算法分别检测骨架的角点数NCP和闭合多边形的封闭环数NCR;
麦苗计算:利用公式NS=NCP-NCR+1计算出麦苗数NS。
2.按照权利要求1所述的一种麦苗计数方法,其特征在于:所述麦苗图像的获取通过数码相机垂直向下获取。
3.按照权利要求1所述的一种麦苗计数方法,其特征在于:所述利用颜色特征提取麦苗区域包含,利用公式计算得到麦苗图像的超绿值的灰度图像,并对灰度图像进行二值化处理,再进行图像滤波处理后最后提取出麦苗区域。
4.按照权利要求1所述的一种麦苗计数方法,其特征在于:所述Harris角点检测算法检测骨架的角点并判断角点类型,在检测到的Harris角点中,像素点A和B这种8个方向仅有一个像素点即标记为骨架端点,像素点C和D这种8个方向有3个或4个像素点的即标记为骨架拐点。
5.按照权利要求1所述的一种麦苗计数方法,其特征在于:所述Freeman链码将麦苗图像骨架简化成一条线段过程为,骨架端点和拐点两两连接成若干个线段,定义线段中每个像素链码的平均值为该线段的方向值,当某一线段延长线方向上存在线段,并且两个线段的方向值的差值介于(0,1)之间,则两个线段合并成一个线段并继续进行寻找,当有未进行合并的线段则继续画出该线段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510792836.4A CN105447860B (zh) | 2015-11-18 | 2015-11-18 | 一种麦苗计数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510792836.4A CN105447860B (zh) | 2015-11-18 | 2015-11-18 | 一种麦苗计数方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105447860A CN105447860A (zh) | 2016-03-30 |
CN105447860B true CN105447860B (zh) | 2018-03-13 |
Family
ID=55557993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510792836.4A Active CN105447860B (zh) | 2015-11-18 | 2015-11-18 | 一种麦苗计数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105447860B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274384B (zh) * | 2017-05-17 | 2020-09-22 | 扬州大学 | 一种小麦出苗均匀度测定方法 |
CN107256421B (zh) * | 2017-05-17 | 2020-08-11 | 扬州大学 | 一种稻麦籽粒快速计数方法 |
CN107239761B (zh) * | 2017-06-05 | 2020-03-27 | 山东农业大学 | 基于骨架角点检测的果树拉枝效果评价方法 |
CN107818565B (zh) * | 2017-11-23 | 2021-05-18 | 扬州大学 | 一种小麦一至三叶期麦苗数量调查方法 |
CN109447945B (zh) * | 2018-09-21 | 2021-11-30 | 河南农业大学 | 基于机器视觉和图形处理的小麦基本苗快速计数方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1178962A (zh) * | 1996-10-04 | 1998-04-15 | 星友科技股份有限公司 | 印章自动对比辨识系统 |
CN101866491A (zh) * | 2010-07-05 | 2010-10-20 | 山东轻工业学院 | 一种自动纸浆纤维检测中分离交叉纤维的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6150617B2 (ja) * | 2013-05-30 | 2017-06-21 | オリンパス株式会社 | 検出装置、学習装置、検出方法、学習方法及びプログラム |
-
2015
- 2015-11-18 CN CN201510792836.4A patent/CN105447860B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1178962A (zh) * | 1996-10-04 | 1998-04-15 | 星友科技股份有限公司 | 印章自动对比辨识系统 |
CN101866491A (zh) * | 2010-07-05 | 2010-10-20 | 山东轻工业学院 | 一种自动纸浆纤维检测中分离交叉纤维的方法 |
Non-Patent Citations (1)
Title |
---|
"基于图像处理技术的大田麦穗计数";刘涛;《农业机械学报》;20140228;第45卷(第2期);第282-289页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105447860A (zh) | 2016-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105447860B (zh) | 一种麦苗计数方法 | |
Yu et al. | Automatic image-based detection technology for two critical growth stages of maize: Emergence and three-leaf stage | |
Chen et al. | A YOLOv3-based computer vision system for identification of tea buds and the picking point | |
Malik et al. | Detection and counting of on-tree citrus fruit for crop yield estimation | |
Wang et al. | DSE-YOLO: Detail semantics enhancement YOLO for multi-stage strawberry detection | |
CN107886086A (zh) | 一种基于图像视频的目标动物检测方法及装置 | |
CN102915446A (zh) | 基于svm机器学习的植物病虫害检测方法 | |
CN109740483A (zh) | 一种基于深层神经网络的水稻生长期检测方法 | |
Gui et al. | A new method for soybean leaf disease detection based on modified salient regions | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
CN104268853A (zh) | 一种红外图像与可见光图像配准方法 | |
Bhagat et al. | Eff-UNet++: A novel architecture for plant leaf segmentation and counting | |
CN102542560B (zh) | 一种水稻移栽后密度自动检测的方法 | |
Samanta et al. | Scab diseases detection of potato using image processing | |
CN106548131A (zh) | 一种基于行人检测的施工人员安全帽实时检测方法 | |
CN113011221A (zh) | 作物分布信息的获取方法、装置及测量系统 | |
Li et al. | An automatic approach for detecting seedlings per hill of machine-transplanted hybrid rice utilizing machine vision | |
CN110455201B (zh) | 基于机器视觉的茎秆作物高度测量方法 | |
Li et al. | A novel approach for the 3D localization of branch picking points based on deep learning applied to longan harvesting UAVs | |
Wang et al. | Detection of corn plant population and row spacing using computer vision | |
Tran et al. | Automatic dragon fruit counting using adaptive thresholds for image segmentation and shape analysis | |
Yang et al. | Cherry recognition based on color channel transform | |
CN104132650A (zh) | 采用最大轮廓矩形法检测果树树叶稀密程度的方法 | |
CN114202687A (zh) | 基于无人机影像的烟草植株自动提取和计数方法及系统 | |
Areni | Automatic counting of chili ripeness on computer vision for industri 4.0 |
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 |