CN109191520B - 一种基于色彩标定的植物叶面积测量方法及系统 - Google Patents
一种基于色彩标定的植物叶面积测量方法及系统 Download PDFInfo
- Publication number
- CN109191520B CN109191520B CN201811158065.3A CN201811158065A CN109191520B CN 109191520 B CN109191520 B CN 109191520B CN 201811158065 A CN201811158065 A CN 201811158065A CN 109191520 B CN109191520 B CN 109191520B
- Authority
- CN
- China
- Prior art keywords
- image
- area
- blade
- pixel
- ideal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000005259 measurement Methods 0.000 claims abstract description 151
- 239000011159 matrix material Substances 0.000 claims abstract description 138
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000005286 illumination Methods 0.000 claims abstract description 39
- 238000012937 correction Methods 0.000 claims description 90
- 238000001914 filtration Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 abstract description 11
- 241000196324 Embryophyta Species 0.000 description 51
- 238000010586 diagram Methods 0.000 description 11
- 230000009286 beneficial effect Effects 0.000 description 9
- 238000009792 diffusion process Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 9
- 239000003086 colorant Substances 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 238000000691 measurement method Methods 0.000 description 5
- 241001412225 Firmiana simplex Species 0.000 description 4
- 241000735234 Ligustrum Species 0.000 description 4
- 241000830535 Ligustrum lucidum Species 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000029553 photosynthesis Effects 0.000 description 2
- 238000010672 photosynthesis Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于色彩标定的植物叶面积测量方法及系统，方法包括采用摄像机采集白色标定板上待测量叶片的初始图像，并根据所述初始图像提取测量区域图像；对所述测量区域图像进行色彩标定，得到所述测量区域图像与所述待测量叶片的理想图像的差分矩阵，并根据所述差分矩阵得到所述理想图像；对所述理想图像进行图像处理，获取所述理想图像中叶片图像的像素点；根据所述叶片图像的像素点和所述测量区域图像在所述白色标定板上的实际面积，计算所述待测量叶片的面积。本发明的方法继承了图像测量法的优势，排除了环境光照因素的干扰，快捷、环境适应性高、稳定性高、精度高。
Description
技术领域
本发明涉及植物叶面积测量领域，尤其涉及一种基于色彩标定的植物叶面积测量方法及系统。
背景技术
叶片是植物体进行光合作用的主要器官，叶片面积则是衡量植物光合作用等一些植物机理的重要因素，精确测量叶片面积对研究植物生长，以及植物与生长环境之间的相互影响有着重要意义。植物叶面积测量由最初的传统手段到利用计算机图像处理技术检测叶面积，测量精度和可靠性有了较大的提高。
利用计算机技术测量叶面积方法大体可分为图像测量法、光电扫描法、三维点云法。通过摄像机采集图像，对图像数据进行数字化处理的图像测量法是较为便捷的方法；但该种方法精度不高，易受光照等环境因素的干扰，且自身算法复杂，适应性较差，一般作为叶面积的粗略测量。使用光电器件，如扫描仪对叶片进行扫描成像，获取的图像数据质量较高，特别是图像背景为纯白色，运用较为简单的算法也能获得高精度的测量结果；但此类设备形态类似扫描仪，体积较大，难以用于室外农田实地测量叶面积，一般用于实验室室内使用；而且叶片采摘运输回实验室的途中保存较为困难，失水造成叶片缩小、卷边，导致测量误差。三维点云法运用kinect或激光雷达设备采集植物的三维点云形态信息，该类设备能获取丰富的植物表型数据；但该种方式噪声干扰较多，对于叶面积高精度测量影响较大，且算法复杂，操作困难，成本较高，难以普及。综合来看，为了能在农田环境下实时实地测量植物叶面积，图像测量法是一种便捷有效的方法。
运用手机进行叶面积测量方便快捷，但整个系统没有进行高精度标定，受限于手机摄像头的成本限制，畸变较大，对测量的影响较大。运用Hough变换对图像进行几何校正，提高了测量精度，但没有进行环境光照干扰的剔除。在室外农田使用，特别是在复杂环境光照干扰下，叶片自身的色彩在图像采集过程中有偏差，致使RGB等色彩模型处理算法产生测量误差。因此本发明提出了一种新的同时适用于室内和室外的快速便捷、精度高和稳定性高的测量植物叶片面积的方法。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于色彩标定的植物叶面积测量方法及系统。
本发明解决上述技术问题的技术方案如下：
一种基于色彩标定的植物叶面积测量方法，包括以下步骤：
步骤1：采用摄像机采集白色标定板上待测量叶片的初始图像，并根据所述初始图像提取测量区域图像；
步骤2：对所述测量区域图像进行色彩标定，得到所述测量区域图像与所述待测量叶片的理想图像的差分矩阵，并根据所述差分矩阵得到所述理想图像；
步骤3：对所述理想图像进行图像处理，获取所述理想图像中叶片图像的像素点；
步骤4：根据所述叶片图像的像素点和所述测量区域图像在所述白色标定板上的实际面积，计算所述待测量叶片的面积。
本发明的有益效果是：由于摄像机采集图像，对图像数据进行数字化处理的图像测量法，易受光照等环境因素的干扰，而光电扫描法采集的图像背景为纯白色，得到的图像数据质量较高，测量的结果精度高，因此通过对采集的初始图像提取测量区域图像后，对测量区域图像进行色彩标定，得到测量区域图像与待测量叶片的理想图像的差分矩阵，并根据差分矩阵得到待测量叶片的理想图像，再对理想图像进行图像处理和测量，获得待测量叶片的面积，排除了光照等环境因素的干扰，得到了接近光电扫描法采集的高质量图像，获得了高精度的植物叶面积测量结果，适合于不同环境的植物叶面积测量，特别适合于室外环境，且方法简单、稳定性高、测量精度高。其中，理想图像包括测量区域图像中的理想背景图像和叶片图像；白色标定板用作待测量叶片的背景，可以是白色底板，例如白色A4纸，但不局限于白色底板，也可以是专门用作标定且已知刻度的白色标定板。
在上述技术方案的基础上，本发明还可以做如下改进：
进一步：所述步骤1之前还包括采用张正友标定校正法对所述摄像机进行畸变校正，获得所述摄像机的畸变参数，并在所述步骤1中根据所述畸变参数对所述初始图像进行畸变校正。
上述进一步方案的有益效果是：由于采用摄像机进行图像采集，存在摄像机镜头的畸变等问题，需要进行高精度畸变校正，通过畸变校正确定物理尺寸和像素间的换算关系，对初始图像进行畸变校正，从而保证获得高精度的图像，进一步保证后续获得待测量叶片的理想图像，保证得到高精度的植物叶面积的测量结果，其中，张正友标定校正法为现有技术，具体不再赘述。
进一步：所述步骤1中所述根据所述初始图像提取测量区域图像具体包括：
步骤11：在所述白色标定板上随机选取一个大于所述待测量叶片的第一矩形，测量所述第一矩形的面积Sall，并将所述第一矩形的面积Sall确定为所述测量区域图像在所述白色标定板上的实际面积；
步骤12：在所述初始图像中，以所述第一矩形的一个角为起始点，沿着所述第一矩形的对角线方向对所述初始图像进行截取，确定所述测量区域图像，并分别记录所述测量区域图像的长边和宽边对应的像素点的数量。
上述进一步方案的有益效果是：通过在白色标定板上选取待测量叶片的第一矩形作为实际测量区域，并测量第一矩形的面积作为实际测量区域的面积，即为测量区域图像在所述白色标定板上的实际面积，为后续计算待测量叶片的面积做准备，而在初始图像上按照第一矩形进行提取初始图像的测量区域图像，与实际测量区域一一对应，保证测量的准确性和精度，同时通过选取实际测量区域和提取初始图像的测量区域图像，缩小后续色彩标定、图像处理和图像测量的范围，保证测量精度的同时减小工作量，速度快，提高测量效率。
进一步：所述步骤2具体包括：
步骤21：采用所述摄像机获取未放置所述待测量叶片的所述白色标定板的空白背景图像，对所述空白背景图像与理想全白背景图像进行差分，获取所述空白背景图像与所述理想全白背景图像之间的背景差分矩阵，并将所述背景差分矩阵确定为所述测量区域图像与所述待测量叶片的理想图像的差分矩阵；其中，所述空白背景图像与所述理想全白背景图像的像素矩阵关系为：
BR＝BI-N
得到所述差分矩阵D为：
步骤22：将所述差分矩阵与所述测量区域图像的初始像素矩阵进行融合，得到所述理想图像；其中，所述理想图像对应的融合矩阵
具体公式为：
MR为所述初始像素矩阵，B′R为所述初始像素矩阵中的初始背景像素矩阵，LR所述初始像素矩阵中的初始叶片像素矩阵，B′I为灰度值为255的所述理想背景像素矩阵。
上述进一步方案的有益效果是：由于环境光照的影响，测量区域图像会受到光照的干扰，为消除光照干扰，需要获取测量区域图像与未受到光照干扰的理想图像之间的差分矩阵；通过采集未放置待测量叶片的白色标定板的空白背景图像，再与未受到光照干扰的理想全白背景图像进行色彩标定，可获得空白背景图像与理想全白背景图像之间的背景差分矩阵，而未受到光照干扰的理想全白背景图像的灰度值已知，理想全白背景图像的像素矩阵为
由于背景差分矩阵的影响，实际采集的空白背景图像的像素矩阵实际要低于理想全白背景图像的像素矩阵，因此通过
减去空白背景图像的像素矩阵，即可得背景差分矩阵，此背景差分矩阵即可等效为当前光照环境下的测量区域图像与理想图像之间的差分矩阵；
由于光照的影响，初始像素矩阵实际要低于理想图像的像素矩阵，因此初始像素矩阵加上差分矩阵可还原为理想图像的像素矩阵，且由于测量区域图像实际包括初始叶片图像和初始背景图像，则初始像素矩阵包含了初始背景像素矩阵和初始叶片像素矩阵，可等效为初始背景像素矩阵和初始叶片像素矩阵的并集，因此初始像素矩阵与差分矩阵融合，相当于初始背景像素矩阵和初始叶片像素矩阵分别与差分矩阵进行融合后的并集，初始背景像素矩阵与差分矩阵融合后相当于还原为理想全白背景图像，初始叶片像素矩阵与差分矩阵融合后即相当于理想图像中的叶片图像，理想全白背景图像和理想图像中的叶片图像的并集即为理想图像；
基于空白背景进行色彩标定，排除环境光照因素的干扰，便于获得高精度的理想图像，可适用于不同的环境下的植物叶面积测量，稳定性高、精度高。
进一步：所述步骤3具体包括：
步骤31：将所述理想图像的颜色分量由RGB颜色空间模型转换为HSV颜色空间模型，并将所述HSV颜色空间模型中的饱和度分量作为颜色特征向量，采用饱和度分量滤波公式
对所述理想图像进行初次滤波处理，得到所述理想图像中叶片图像的初次处理像素点；
其中，所述叶片图像的初次处理像素点对应的像素值Mf的具体公式为：
H(M)为所述叶片图像的初次处理像素值的函数，
为所述叶片图像的初次处理像素值，S为所述饱和度分量，
为所述饱和度分量范围为S∈[31,255]对应的像素值；
步骤32：对所述叶片图像的所述初次处理像素点进行高斯滤波处理，得到所述叶片图像的像素点。
上述进一步方案的有益效果是：由于不同光照强度下，图像在HSI、HSV、RGB颜色空间模型中，不同的颜色分量对光照强度的敏感性不同，其中饱和度分量(S分量)对光照强度的敏感性最强，因此利用HSV颜色空间模型中的饱和度分量作为叶片的颜色特征向量，来对理想图像进行初次滤波，以区分理想图像中的叶片图像和理想背景图像；由HSV与RGB转换表可知，对于白色的饱和度分量有S∈[0,30]，对于叶片来说，大部分颜色为绿色，部分颜色为红色、黄色等，这些颜色的饱和度分量范围为[43,255]；因此，当饱和度分量小于30，可认为是白色背景，将像素值赋值为0，当饱和度分量大于30，则保留原像素值
通过饱和度分量滤波公式
可以将理想图像中的理想背景像素进一步剔除，同时还可以将理想图像中叶片图像内部饱和度分量为[31,42]的像素点进行保留，而此类像素点不为白色背景，也非绿色、红色和黄色，通常为叶片内部的坏点等，将此类像素点保留而非剔除，则相当于对叶片进行修复，因此通过第一次滤波便于进一步获取高精度的完整的叶片图像；再通过高斯滤波处理，有助于获得平滑的叶片图像的像素点，提高测量精度。
进一步：所述步骤4中所述待测量叶片的面积的具体公式为：
其中，SL为所述待测量叶片的面积，Sall为所述测量区域图像在所述白色标定板上的实际面积，PL为所述叶片图像的像素点的数量，Pall＝W×H为所述测量区域图像的像素点的总数，W为所述测量区域图像的长边对应的像素点的数量，H为所述测量区域图像的宽边对应的像素点的数量。
上述进一步方案的有益效果是：根据测量区域图像的长边及宽边对应的像素点的数量，可求得测量区域图像的像素点的总和，通过步骤32获得的叶片图像的像素点的数量与测量区域图像的像素点的总和之比，可获得白色标定板上的待测量叶片的面积与测量区域图像在白色标定板上的实际面积之比，而第一矩形的面积Sall即为测量区域图像在白色标定板上的实际面积，根据白色标定板上的待测量叶片的面积与测量区域图像在白色标定板上的实际面积之比以及测量区域图像在白色标定板上的实际面积，可得待测量叶片的面积。
进一步：还包括对所述理想叶片图像进行边缘误差校正，具体包括：
步骤51：根据所述第一矩形的面积和所述测量区域图像的长边及宽边对应的像素点的数量，获取每个所述叶片图像的像素点在所述白色标定板中对应的像素实际边长Lpixel，所述像素实际边长Lpixel具体公式为：
步骤52：选取所述理想叶片图像边缘的外接矩形，并根据所述像素实际边长Lpixel、所述叶片图像边缘的像素点的数量和所述外接矩形在所述白色标定板中对应的外接周长获取所述叶片图像边缘的像素点在所述白色标定板中对应增加的校正面积ΔSL；所述校正面积ΔSL的具体公式为：
其中，N为所述叶片图像边缘的像素点的数量，N×Lpixel为所述叶片图像边缘的像素点在所述白色标定板上对应的总边缘周长，C为所述外接矩形在所述白色标定板上对应的外接周长，a为所述总边缘周长N×Lpixel与所述外接周长C的关系系数，且a为已知；
步骤53：根据所述校正面积和所述待测量叶片的面积，计算出所述待测量叶片的精确面积Sperfect，所述精确面积Sperfect具体公式为：
Sperfect＝SL-ΔSL。
上述进一步方案的有益效果是：由于叶片的边缘会因光学扩散而变模糊，当叶片越大，即叶片的周长越长，被光学扩散模糊的像素就越多，影响理想图像中叶片图像和理想背景图像的像素点的判断，致使靠近叶片边缘外侧的理想背景像素点也被计入叶片图像的像素点，进而造成叶片图像的像素点数量统计出现偏大的误差，测量的待测量叶片的面积会偏大，因此需要做边缘误差校正；
根据光学知识，可将每个理想图像的像素点设为正方形，根据每个理想图像的像素点在所述白色标定板中对应的边长Lpixel，则可得每个理想叶片图像的像素点在所述白色标定板中对应的面积，该面积与测量区域图像的像素点的总和Pall＝W×H相乘即为第一矩形的面积Sall，通过上述关系可求得每个理想图像的像素点在所述白色标定板中对应的边长Lpixel；
根据数学知识，光学扩散造成模糊的像素可近似均匀环绕分布在叶片图像的边缘一圈，而这些造成模糊的像素点在白色标定板上的面积即为校正面积，通过叶片图像边缘的像素点的数量N以及每个像素点在所述白色标定板中对应的面积
可求得校正面积；由于外接矩形为规则图形，通过图像处理和数学方法等方法很容易求得，因此为了方便计算，通过设定叶片图像的边缘像素点在所述白色标定板上对应的总边缘周长N×Lpixel与外接矩形在白色标定板上对应的外接周长C之间的关系系数a，再通过公式变换即可获得校正面积；
其中，所述关系系数a可通过有限的实验获得，例如，可通过基于深度学习的深度卷积神经网络模型的机器学习方法，通过采集大量总边缘周长和外接周长，制作数据集进行训练，建立深度卷积神经网络模型，从而检测出总边缘周长和外接周长的关系系数；还可以通过采用本发明同样的边缘误差校正方法对多个已知的标准矩形块进行边缘误差校正，由于标准矩形块为规则矩形，其理想图像的边缘周长和外接矩形的周长都很容易通过有限的实验获得，因此可通过多次边缘误差校正而获得关系系数的经验值；
最终通过步骤3中求得的待测量叶片的面积与校正面积之差，可获得精度更高的待测量叶片的精确面积Sperfect，通过边缘误差校正，可进一步提高检测精度，可靠性高。
为了解决本发明的技术问题，还提供了一种基于色彩标定的植物叶面积测量系统，包括图像采集单元、图像提取单元、色彩标定单元、图像处理单元和运算单元；
所述图像采集单元，用于采集白色标定板上待测量叶片的初始图像；
所述图像提取单元，用于根据所述初始图像提取测量区域图像；
所述色彩标定单元，用于对所述测量区域图像进行色彩标定，得到所述测量区域图像与所述待测量叶片的理想图像的差分矩阵，并根据所述差分矩阵得到所述待测量叶片的理想图像；
所述图像处理单元，用于对所述理想图像进行图像处理，获取所述理想图像中叶片图像的像素点；
所述运算单元，用于根据所述叶片图像的像素点和所述测量区域在所述白色标定板上的实际面积，计算所述待测量叶片的面积。
本发明的有益效果是：通过本发明的图像采集单元、图像提取单元和色彩标定单元，对采集的初始图像提取测量区域图像后，对测量区域图像进行色彩标定，再通过图像处理单元和运算单元，对理想图像进行图像处理和测量，获得待测量叶片的面积，整个系统适合于不同环境的植物叶面积测量，排除了环境光照的干扰，特别适合于室外环境，且方法简单、稳定性高、测量精度高。其中，理想图像包括测量区域图像中的理想背景图像和叶片图像；白色标定板用作待测量叶片的背景，可以是白色底板，例如白色A4纸，但不局限于白色底板，也可以是专门用作标定且已知刻度的白色标定板。
进一步：还包括畸变校正单元和边缘误差校正单元；
所述畸变校正单元，用于采用张正友标定校正法对所述摄像机进行畸变校正，获得所述摄像机的畸变参数，并根据所述畸变参数对所述初始图像进行畸变校正；
所述边缘误差校正单元，用于获取每个所述叶片图像的像素点在所述白色标定板中对应的像素实际边长；还用于选取所述理想叶片图像边缘的外接矩形，根据所述像素实际边长、所述叶片图像边缘增加的像素点的数量和所述外接矩形在所述白色标定板中对应的外接周长，获取所述叶片图像边缘的像素点在所述白色标定板中对应增加的校正面积；还用于根据所述校正面积和所述待测量叶片的面积，计算出所述待测量叶片的精确面积。
上述进一步方案的有益效果是：通过畸变校正单元对摄像机进行畸变校正，从而实现对初始图像的畸变校正，克服摄像机的畸变问题，保证获得高精度的图像，进一步保证后续获得待测量叶片的理想图像，保证得到高精度的植物叶面积的测量结果；通过边缘误差校正单元，可克服光学扩散带来的图像模糊的问题，可进一步提高检测精度，可靠性高。
为了解决本发明的技术问题，还提供了一种基于色彩标定的植物叶面积测量系统，包括采集设备和测量设备；
所述采集设备，用于采集白色标定板上待测量叶片的初始图像；
所述测量设备，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现本发明中基于色彩标定的植物叶面积测量方法中的步骤。
本发明的有益效果是：通过存储在存储器上的计算机程序，并运行在处理器上，实现本发明的基于色彩标定的植物叶面积测量方法的测量系统，排除了光照等环境因素的干扰，得到了接近光电扫描法采集的高质量图像，获得了高精度的植物叶面积测量结果，适合于不同环境的植物叶面积测量，特别适合于室外环境，且方法简单、稳定性高、测量精度高。
附图说明
图1为本发明一种基于色彩标定的植物叶面积测量方法的流程示意图；
图2为本发明一种基于色彩标定的植物叶面积测量方法的棋格标定板示意图；
图3为本发明一种基于色彩标定的植物叶面积测量方法的提取测量区域图像的示意图；
图4为本发明一种基于色彩标定的植物叶面积测量系统的实施例二的结构示意图；
图5为本发明一种基于色彩标定的植物叶面积测量系统的实施例二的另一结构示意图；
图6为本发明一种基于色彩标定的植物叶面积测量系统的实施例三的结构示意图；
图7为本发明一种基于色彩标定的植物叶面积测量系统的实施例三中测量设备的结构示意图。
附图中，各标号所代表的部件列表如下：
1、采集设备，2、测量设备，10、标定板槽，101、标定板，102、支撑杆，11、透明展平板，111、第一连接件，12、采集支架，121、第二连接件，122、图像采集装置，123、照明装置，21、处理器,22、存储器，23、计算机程序。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
下面结合附图，对本发明进行说明。
实施例一、如图1-3所示，图1为本发明的一种基于色彩标定的植物叶面积测量方法的流程示意图，图2为本发明一种基于色彩标定的植物叶面积测量方法的棋格标定板示意图，图3为本发明一种基于色彩标定的植物叶面积测量方法的提取测量区域图像的示意图。
一种基于色彩标定的植物叶面积测量方法，包括以下步骤：
S1：采用摄像机采集白色标定板上待测量叶片的初始图像，并根据所述初始图像提取测量区域图像；
S2：对所述测量区域图像进行色彩标定，得到所述测量区域图像与所述待测量叶片的理想图像的差分矩阵，并根据所述差分矩阵得到所述理想图像；
S3：对所述理想图像进行图像处理，获取所述理想图像中叶片图像的像素点；
S4：根据所述叶片图像的像素点和所述测量区域图像在所述白色标定板上的实际面积，计算所述待测量叶片的面积。
由于摄像机采集图像，对图像数据进行数字化处理的图像测量法，易受光照等环境因素的干扰，而光电扫描法采集的图像背景为纯白色，得到的图像数据质量较高，测量的结果精度高，因此通过对采集的初始图像提取测量区域图像后，对测量区域图像进行色彩标定，得到测量区域图像与待测量叶片的理想图像的差分矩阵，并根据差分矩阵得到待测量叶片的理想图像，再对理想图像进行图像处理和测量，获得待测量叶片的面积，排除了光照等环境因素的干扰，得到了接近光电扫描法采集的高质量图像，获得了高精度的植物叶面积测量结果，适合于不同环境的植物叶面积测量，特别适合于室外环境，且方法简单、稳定性高、测量精度高。其中，理想图像包括测量区域图像中的理想背景图像和叶片图像；白色标定板用作待测量叶片的背景，可以是白色底板，例如白色A4纸，但不局限于白色底板，也可以是专门用作标定且已知刻度的白色标定板。
本实施例在学校林荫道旁的绿化带中，采摘小号女贞叶、大号女贞叶和梧桐叶各一片，并在当前室外环境下对叶片面积进行测量，测量时将每片叶子按每45°旋转一次进行拍照，共旋转8次，以9种不同角度摆放，其中0°和360°是同一个位置测量的两次，三种叶子共计采集27张图片。
优选地，S1之前还包括采用张正友标定校正法对所述摄像机进行畸变校正，获得所述摄像机的畸变参数，并在S1中根据所述畸变参数对所述初始图像进行畸变校正。
由于采用摄像机进行图像采集，存在摄像机镜头的畸变等问题，需要进行高精度畸变校正，通过畸变校正确定物理尺寸和像素间的换算关系，采用棋格标定板对初始图像进行畸变校正，从而保证获得高精度的图像，进一步保证后续获得待测量叶片的理想图像，保证得到高精度的植物叶面积的测量结果。
本实施例中的标定板采用两种规格，一种为如图2所示的棋格标定板，用于张正友标定校正法对所述摄像机进行畸变校正，获得所述摄像机的畸变参数，并根据所述畸变参数对所述初始图像进行畸变校正，另一种为白色标定板，本实施例采用白色A4纸，用于除了畸变校正以外的步骤。本实施例首先采集20张不同方向的棋格标定板图片，运用张正友标定校正法求得摄像机的参数和畸变参数，并分别对采集的小号女贞叶、大号女贞叶和梧桐叶的初始图像进行畸变校正，张正友标定校正法为现有技术，具体不再赘述。
优选地，S1中根据对所述初始图像测量区域图像具体包括：
S11：在所述白色标定板上随机选取一个大于所述待测量叶片的第一矩形，测量所述第一矩形的面积Sall，并将所述第一矩形的面积Sall确定为所述测量区域图像在所述白色标定板上的实际面积；
S12：在所述初始图像中，以所述第一矩形的一个角为起始点，沿着所述第一矩形的对角线方向对所述初始图像进行截取，确定所述测量区域图像，并分别记录所述测量区域图像的长边和宽边对应的像素点的数量。
如图3所示，图3为本发明一种基于色彩标定的植物叶面积测量方法的提取测量区域图像的示意图，通过在白色标定板上选取待测量叶片的第一矩形作为实际测量区域，并测量第一矩形的面积作为实际测量区域的面积，即为测量区域图像在白色标定板上的实际面积，为后续计算待测量叶片的面积做准备，而在初始图像上按照第一矩形进行截取初始图像的测量区域图像，与实际测量区域一一对应，保证测量的准确性和精度，同时通过选取实际测量区域和提取初始图像的测量区域图像，缩小后续色彩标定、图像处理和图像测量的范围，保证测量精度的同时减小工作量，速度快，提高测量效率。
优选地，S2具体包括：
S21：采用所述摄像机获取未放置所述待测量叶片的所述白色标定板的空白背景图像，对所述空白背景图像与理想全白背景图像进行差分，获取所述空白背景图像与所述理想全白背景图像之间的背景差分矩阵，并将所述背景差分矩阵确定为所述差分矩阵；其中，所述空白背景图像与所述理想全白背景图像的像素矩阵关系为：
BR＝BI-N
得到所述差分矩阵D为：
S22：将所述差分矩阵与所述测量区域图像的初始像素矩阵进行融合，得到所述理想图像；其中，所述理想图像对应的融合矩阵
具体公式为：
MR为所述初始像素矩阵，B′R为所述初始像素矩阵中的初始背景像素矩阵，LR所述初始像素矩阵中的初始叶片像素矩阵，B′I为灰度值为255的所述理想背景像素矩阵。
由于环境光照的影响，测量区域图像会受到光照的干扰，为消除光照干扰，需要获取测量区域图像与未受到光照干扰的理想图像之间的差分矩阵；通过采集未放置待测量叶片的白色标定板的空白背景图像，再与未受到光照干扰的理想全白背景图像进行色彩标定，可获得空白背景图像与理想全白背景图像之间的背景差分矩阵；而未受到光照干扰的理想全白背景图像的灰度值已知，理想全白背景图像的像素矩阵为
由于背景差分矩阵的影响，实际采集的空白背景图像的像素矩阵实际要低于理想全白背景图像的像素矩阵，因此通过
减去空白背景图像的像素矩阵，即可得背景差分矩阵，此背景差分矩阵即可等效为当前光照环境下的测量区域图像与理想图像之间的差分矩阵；
由于测量区域图像实际包括初始叶片图像和初始背景图像，因此初始像素矩阵包含了初始背景像素矩阵和初始叶片像素矩阵，可等效为初始背景像素矩阵和初始叶片像素矩阵的并集，因此初始像素矩阵与差分矩阵融合，相当于初始背景像素矩阵和初始叶片像素矩阵分别与差分矩阵进行融合后的并集，初始背景像素矩阵与差分矩阵融合后相当于还原为理想全白背景图像，初始叶片像素矩阵与差分矩阵融合后即相当于理想图像中的叶片图像，理想全白背景图像和理想图像中的叶片图像的并集即为理想图像；
基于空白背景进行色彩标定，排除环境光照因素的干扰，便于获得高精度的理想图像，可适用于不同的环境下的植物叶面积测量，稳定性高、精度高。
优选地，S3具体包括：
S31：将所述理想图像的颜色分量由RGB颜色空间模型转换为HSV颜色空间模型，并将所述HSV颜色空间模型中的饱和度分量作为颜色特征向量，采用饱和度分量滤波公式
对所述理想图像进行初次滤波处理，得到所述理想图像中的叶片图像的初次处理像素点；
其中，所述叶片图像的初次处理像素点对应的像素值Mf的具体公式为：
H(M)为所述理想叶片图像的初次处理像素值的函数，
为所述叶片图像的初次处理像素值，S为所述饱和度分量，
为所述饱和度色量范围为S∈[31,255]对应的像素值；
S32：对所述叶片图像的所述初次处理像素点进行高斯滤波处理，得到所述叶片图像的像素点。
由于不同光照强度下，图像在HSI、HSV、RGB颜色空间模型中，不同的颜色分量对光照强度的敏感性不同，其中饱和度分量(S分量)对光照强度的敏感性最强，因此利用HSV颜色空间模型中的饱和度分量作为叶片的颜色特征向量，来对理想图像进行初次滤波，以区分理想图像中的叶片图像和理想背景图像；由HSV与RGB转换表可知，对于白色的饱和度分量有S∈[0,30]，对于叶片来说，大部分颜色为绿色，部分颜色为红色、黄色等，这些颜色的饱和度颜色分量范围为[43,255]；因此，当饱和度分量小于30，可认为是白色背景，将像素值赋值为0，当饱和度分量大于30，则保留原像素值
通过饱和度分量滤波公式
可以将理想图像中的理想背景像素进一步剔除，同时还可以将叶片图像内部饱和度颜色分量为[31,42]的像素点进行保留，而此类像素点不为白色背景，也非绿色、红色和黄色，通常为叶片内部的坏点等，将此类像素点保留而非剔除，则相当于对叶片进行修复，因此通过第一次滤波便于进一步获取高精度的完整的叶片图像；再通过高斯滤波处理，有助于获得平滑的叶片图像的像素点，提高测量精度。
优选地，S4中所述待测量叶片的面积的具体公式为：
其中，SL为所述待测量叶片的面积，Sall为所述测量区域图像在所述白色标定板上的实际面积，PL为所述叶片图像的像素点的数量，Pall＝W×H为所述测量区域图像的像素点的总数，W为所述测量区域图像的长边对应的像素点的数量，H为所述测量区域图像的宽边对应的像素点的数量。
根据测量区域图像的长边及宽边对应的像素点的数量，可求得测量区域图像的像素点的总和，通过S32获得的叶片图像的像素点的数量与测量区域图像的像素点的总和之比，可获得白色标定板上的待测量叶片的面积与测量区域图像在白色标定板上的实际面积之比，而第一矩形的面积Sall即为测量区域图像在白色标定板上的实际面积，根据白色标定板上的待测量叶片的面积与测量区域图像在白色标定板上的实际面积以及测量区域图像在白色标定板上的实际面积，可得待测量叶片的面积。
优选地，还包括对所述理想叶片图像进行边缘误差校正，具体包括：
S51：根据所述第一矩形的面积和所述测量区域图像的长边及宽边对应的像素点的数量，获取每个所述叶片图像的像素点在所述白色标定板中对应的像素实际边长Lpixel，所述像素实际边长Lpixel具体公式为：
S52：选取所述理想叶片图像边缘的外接矩形，并根据所述叶片图像的像素点实际边长Lpixel、所述叶片图像边缘的像素点的数量和所述外接矩形在所述白色标定板中对应的外接周长，获取所述叶片图像边缘的像素点在所述白色标定板中对应增加的校正面积ΔSL；所述校正面积ΔSL的具体公式为：
其中，N为所述叶片图像边缘的像素点的数量，N×Lpixel为所述叶片图像边缘的像素点在所述白色标定板上对应的总边缘周长，C为所述外接矩形在所述白色标定板上的外接周长，a为所述总边缘周长N×Lpixel与所述外接周长C的关系系数，且a为已知；
S53：根据所述校正面积和所述待测量叶片的面积，计算出所述待测量叶片的精确面积Sperfect，所述精确面积Sperfect具体公式为：
Sperfect＝SL-ΔSL
由于叶片的边缘会因光学扩散而变模糊，当叶片越大，即叶片的周长越长，被光学扩散模糊的像素就越多，影响理想图像中叶片图像和理想背景图像的像素点的判断，致使靠近叶片边缘外侧的理想背景像素点也被计入叶片图像的像素点，进而造成叶片图像的像素点数量统计出现偏大的误差，测量的待测量叶片的面积会偏大，因此需要做边缘误差校正；
将每个理想图像的像素点设为正方形，根据每个理想图像的像素点在所述白色标定板中对应的边长Lpixel，则可得每个理想叶片图像的像素点在所述白色标定板中对应的面积，该面积与测量区域图像的像素点的总和Pall＝W×H相乘即为第一矩形的面积Sall，通过上述关系可求得每个理想图像的像素点在所述白色标定板中对应的边长Lpixel；
根据数学知识，光学扩散造成模糊的像素可近似均匀环绕分布在叶片图像的边缘一圈，而这些造成模糊的像素点在白色标定板上的面积即为校正面积，通过叶片图像边缘的像素点的数量N以及每个像素点在所述白色标定板中对应的面积
可求得校正面积，为了方便计算，通过设定理想叶片图像的像素点在白色标定板上对应的总边缘周长N×Lpixel与所述外接矩形在白色标定板上对应的外接周长C之间的关系系数a，再通过公式变换即可获得校正面积；其中，所述关系系数可通过有限的实验获得，例如，可通过基于深度学习的深度卷积神经网络模型的机器学习方法，通过采集大量总边缘周长和外接周长，制作数据集进行训练，建立深度卷积神经网络模型，从而检测出总边缘周长和外接周长的关系系数；还可以通过采用本发明同样的边缘误差校正方法对多个已知的标准矩形块进行边缘误差校正，由于标准矩形块为规则矩形，其理想图像的边缘周长和外接矩形的周长都很容易通过有限的实验获得，因此可通过多次边缘误差校正而获得关系系数的经验值。
本实施例通过采用绿色标准矩形块用本实施例同样的方法进行边缘误差校正，采用的绿色标准矩形块如表1所示。
表1本实施例求解关系系数a所采用的绿色标准矩形块
绿色矩形块的理想图像在白色标定板上的总边缘周长N×Lpixel相当于绿色矩形块的周长，由于绿色标准矩形块的面积、长和宽均已知，且其理想图像边缘的外接矩形在白色标定板上的外接周长也很容易获得，经过多次测量，获得关系系数的经验值为：
其中，l1和l2分别为外接矩形在白色标定板上对应的长和宽。
通过S3中求得的待测量叶片的面积与边缘误差校正求得的校正面积之差，可获得精度更高的待测量叶片的精确面积Sperfect，通过边缘误差校正，可进一步提高检测精度，可靠性高。
本实施例整个测试过程操作系统为windows1064bit，开发软件为Visual Studio2015和OPENCV 3.4.0。计算机搭载Intel(R)Core(TM)i3-8100CPU@CPU 3.60GHz处理器，内存8GB。本实施例采摘的小号女贞叶、大号女贞叶和梧桐叶三种叶片的叶面积测量结果如表2所示。
表2本实施例小号女贞叶、大号女贞叶和梧桐叶叶面积测量结果
本实施例的叶面积测量方法，可在室外农田使用，方便快捷，预先进行了畸变校正，测量精度较高，采用先色彩标定、后测量的方式，且为在线标定形式，实际使用中稳定性较好，通过边缘误差校正获得高精度的叶片边缘轮廓，以此为边界计算内部的像素点数量，克服叶片边缘因光学扩散而变模糊的影响，提高测量精度，这个方法稳定性高、精度高、适应性高，适合普遍推广。
实施例二、如图4-5所示，图4为本发明一种基于色彩标定的植物叶面积测量系统的实施例二的结构示意图，图5为本发明一种基于色彩标定的植物叶面积测量系统的实施例二的另一结构示意图。
如图4所示，一种基于色彩标定的植物叶面积测量系统，包括图像采集单元、图像提取单元、色彩标定单元、图像处理单元和运算单元；
所述图像采集单元，用于采集白色标定板上待测量叶片的初始图像；
所述图像提取单元，用于根据所述初始图像提取测量区域图像；
所述色彩标定单元，用于对所述测量区域图像进行色彩标定，得到所述测量区域图像与所述待测量叶片的理想图像的差分矩阵，并根据所述差分矩阵得到所述待测量叶片的理想图像；
所述图像处理单元，用于对所述理想图像进行图像处理，获取所述理想图像中叶片图像的像素点；
所述运算单元，用于根据所述叶片图像的像素点和所述测量区域图像在所述白色标定板上的实际面积，计算所述待测量叶片的面积。
通过本发明的图像采集单元、图像提取单元和色彩标定单元，对采集的初始图像提取测量区域图像后，对测量区域图像进行色彩标定，再通过图像处理单元和运算单元，对理想图像进行图像处理和测量，获得待测量叶片的面积，整个系统适合于不同环境的植物叶面积测量，排除了环境光照的干扰，特别适合于室外环境，且方法简单、稳定性高、测量精度高。其中，理想图像包括测量区域图像中的理想背景图像和叶片图像；白色标定板用作待测量叶片的背景，可以是白色底板，例如白色A4纸，但不局限于白色底板，也可以是专门用作标定且已知刻度的白色标定板。本实施例采用白色A4纸作为白色标定板。
优选地，如图5所示，还包括畸变校正单元和边缘误差校正单元；
所述畸变校正单元，用于采用张正友标定校正法对所述摄像机进行畸变校正，获得所述摄像机的畸变参数，并根据所述畸变参数对所述初始图像进行畸变校正；
所述边缘误差校正单元，用于获取每个所述叶片图像的像素点在所述白色标定板中对应的像素实际边长；还用于选取所述理想叶片图像边缘的外接矩形，根据所述像素实际边长、所述叶片图像边缘增加的像素点的数量和所述外接矩形在所述白色标定板中对应的外接周长，获取所述叶片图像边缘的像素点在所述白色标定板中对应增加的校正面积；还用于根据所述校正面积和所述待测量叶片的面积，计算出所述待测量叶片的精确面积。
通过畸变校正单元对摄像机进行畸变校正，从而实现对初始图像的畸变校正，克服摄像机的畸变问题，保证获得高精度的图像，进一步保证后续获得待测量叶片的理想图像，保证得到高精度的植物叶面积的测量结果；通过边缘误差校正单元，可克服光学扩散带来的图像模糊的问题，可进一步提高检测精度，可靠性高。
实施例三、如图6-7所示，图6为本发明基于色彩标定的植物叶面积测量系统的实施例三的结构示意图，图7为本发明基于色彩标定的植物叶面积测量系统的实施例三中测量设备的结构示意图。
如图6-7所示，一种基于色彩标定的植物叶面积测量系统，包括采集设备1和测量设备2；
所述采集设备1，用于采集白色标定板上待测量叶片的初始图像；
所述测量设备2，如图7所示，包括处理器21、存储器22和存储在所述存储器中且可运行在所述处理器上的计算机程序23，所述计算机程序运行时实现以下步骤：
S1：采用摄像机采集白色标定板上待测量叶片的初始图像，并根据所述初始图像提取测量区域图像；
S2：对所述测量区域图像进行色彩标定，得到所述测量区域图像与所述待测量叶片的理想图像的差分矩阵，并根据所述差分矩阵得到所述理想图像；
S3：对所述理想图像进行图像处理，获取所述理想图像中叶片图像的像素点；
S4：根据所述叶片图像的像素点和所述测量区域图像在所述白色标定板上的实际面积，计算所述待测量叶片的面积。
通过存储在存储器上的计算机程序，并运行在处理器上，实现本发明的基于色彩标定的植物叶面积测量方法的测量系统，排除了光照等环境因素的干扰，得到了接近光电扫描法采集的高质量图像，获得了高精度的植物叶面积测量结果，适合于不同环境的植物叶面积测量，特别适合于室外环境，且方法简单、稳定性高、测量精度高。
优选地，如图6所示，所述采集设备1包括水平设置的标定板槽10和水平设置的透明展平板11，且所述透明展平板11位于所述标定板槽10的上方，所述标定板槽10上设有标定板101，所述标定板槽10上竖向平行间隔设有两个支撑杆102，两个所述支撑杆102上均套设有一个可上下移动的第一连接件111，所述透明展平板11分别与两个所述第一连接件111固定连接，且所述透明展平板11可随着所述第一连接件111一起沿着所述支撑杆102上下移动，两个所述支撑杆102的上端均垂直设有一个第二连接件121，所述支撑杆102的上端还设有采集支架12，所述采集支架12分别与两个所述第二连接件121固定连接，所述采集支架12上设有图像采集装置122；所述图像采集装置122与所述处理器21和所述存储器22均无线连接。
本实施例通过透明展平板将待检测叶片展平在标定板上，通过图像采集装置与处理器和存储器均无线连接，将采集的待检测叶片的初始图像上传到处理器中，再通过存储器中存储的计算机程序在处理器上运行包括测量区域图像提取、色彩标定和一系列图像处理等步骤，以及在计算出待测量叶片的面积后，再进行边缘误差校正，得出高精度的植物叶面积测量结果，并可将采集的图像和测量结果存储在存储器中，使用简单、性能可靠、测量精度高、成本低，且易携带，非常适合于室外环境下测定叶面积，可实现实时实地测量植物叶面积，可广泛用于农业科研领域。
优选地，如图6所示，所述采集支架12上还设有照明装置123。
当图像采集装置在采集待检测植物的叶片和棋格标定板的图像时，光线不佳，可通过采集支架上的照明装置进行照明，保证采集到的叶片和棋格标定板的图像更清晰，提高检测精度。
优选地，所述照明装置123为设有内置电池的LED灯。
采用设有内置电池的LED灯，无需连接电源，增加叶面积仪的便携性，能广泛适用于不同的测量环境，特别适合于户外环境下测量叶面积，实现实时实地测量叶面积。本实施例设有内置电池的LED灯采用毕亚兹(BIAZE)的LED补光灯BG2，材质为PC材料，尺寸小，厚度17mm，重量12g，照明范围为145°，内置150mAh的电池，补光效果好，非常适合于本实用新型的照明装置。
本实施例，图像采集装置采用海康威视的网络摄像机DS-2CD2410FD-IW，该网络摄像机采用高效红外灯，使用寿命长，红外照射距离可达10米，支持wifi功能，可上传采集到的图像，同时还支持Micro SD卡等本地存储，可存储采集到的图像，并可实现日夜模式自动切换，支持背光补偿，适应不同的监控环境，重量为300g，功耗为4W，易于携带，适合不同环境下的监控，因此非常适合于本实施例的图像采集装置；照明装置采用毕亚兹(BIAZE)的LED补光灯BG2，材质为PC材料，尺寸小，厚度17mm，重量12g，照明范围为145°，内置150mAh的电池，补光效果好，非常适合于本实施例的照明装置。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于色彩标定的植物叶面积测量方法，其特征在于，包括以下步骤：
步骤1：采用摄像机采集白色标定板上待测量叶片的初始图像，并根据所述初始图像提取测量区域图像；
步骤2：对所述测量区域图像进行色彩标定，得到所述测量区域图像与所述待测量叶片的理想图像的差分矩阵，并根据所述差分矩阵得到所述理想图像；
步骤3：对所述理想图像进行图像处理，获取所述理想图像中叶片图像的像素点；
步骤4：根据所述叶片图像的像素点和所述测量区域图像在所述白色标定板上的实际面积，计算所述待测量叶片的面积；
所述步骤1中所述根据所述初始图像提取测量区域图像具体包括：
步骤11：在所述白色标定板上随机选取一个大于所述待测量叶片的第一矩形，测量所述第一矩形的面积Sall，并将所述第一矩形的面积Sall确定为所述测量区域图像在所述白色标定板上的实际面积；
步骤12：在所述初始图像中，以所述第一矩形的一个角为起始点，沿着所述第一矩形的对角线方向对所述初始图像进行截取，确定所述测量区域图像，并分别记录所述测量区域图像的长边和宽边对应的像素点的数量；
所述步骤2具体包括：
步骤21：采用所述摄像机获取未放置所述待测量叶片的所述白色标定板的空白背景图像，对所述空白背景图像与理想全白背景图像进行差分，获取所述空白背景图像与所述理想全白背景图像之间的背景差分矩阵，并将所述背景差分矩阵确定为所述测量区域图像与所述待测量叶片的理想图像的差分矩阵；
其中，所述空白背景图像与所述理想全白背景图像的像素矩阵关系为：
BR＝BI-N
得到所述差分矩阵D为：
步骤22：将所述差分矩阵与所述测量区域图像的初始像素矩阵进行融合，得到所述理想图像；其中，所述理想图像对应的融合矩阵
具体公式为：
MR为所述初始像素矩阵，B′R为所述初始像素矩阵中的初始背景像素矩阵，LR所述初始像素矩阵中的初始叶片像素矩阵，B′I为灰度值为255的理想背景像素矩阵。
2.根据权利要求1所述的一种基于色彩标定的植物叶面积测量方法，其特征在于，所述步骤1之前还包括采用张正友标定校正法对所述摄像机进行畸变校正，获得所述摄像机的畸变参数，并在所述步骤1中根据所述畸变参数对所述初始图像进行畸变校正。
3.根据权利要求1所述的一种基于色彩标定的植物叶面积测量方法，其特征在于，所述步骤3具体包括：
步骤31：将所述理想图像的颜色分量由RGB颜色空间模型转换为HSV颜色空间模型，并将所述HSV颜色空间模型中的饱和度分量作为颜色特征向量，采用饱和度分量滤波公式
对所述理想图像进行初次滤波处理，得到所述理想图像中叶片图像的初次处理像素点；
其中，所述叶片图像的初次处理像素点对应的像素值Mf的具体公式为：
H(M)为所述叶片图像的初次处理像素值的函数，
为所述叶片图像的初次处理像素值，S为所述饱和度分量，
为所述饱和度分量范围为S∈[31,255]对应的像素值；
步骤32：对所述叶片图像的所述初次处理像素点进行高斯滤波处理，得到所述叶片图像的像素点。
4.根据权利要求3所述的一种基于色彩标定的植物叶面积测量方法，其特征在于，所述步骤4中所述待测量叶片的面积的具体公式为：
其中，SL为所述待测量叶片的面积，Sall为所述测量区域图像在所述白色标定板上的实际面积，PL为所述叶片图像的像素点的数量，Pall＝W×H为所述测量区域图像的像素点的总数，W为所述测量区域图像的长边对应的像素点的数量，H为所述测量区域图像的宽边对应的像素点的数量。
5.根据权利要求4所述的一种基于色彩标定的植物叶面积测量方法，其特征在于，还包括：
步骤5：对所述叶片图像进行边缘误差校正，具体包括：
步骤51：根据所述第一矩形的面积和所述测量区域图像的长边及宽边对应的像素点的数量，获取每个所述叶片图像的像素点在所述白色标定板中对应的像素实际边长Lpixel，所述像素实际边长Lpixel具体公式为：
步骤52：选取所述叶片图像边缘的外接矩形，并根据所述像素实际边长Lpixel、所述叶片图像边缘的像素点的数量和所述外接矩形在所述白色标定板中对应的外接周长，获取所述叶片图像边缘的像素点在所述白色标定板中对应增加的校正面积ΔSL；所述校正面积ΔSL的具体公式为：
其中，N为所述叶片图像边缘的像素点的数量，N×Lpixel为所述叶片图像边缘像素点在所述白色标定板上对应的总边缘周长，C为所述外接矩形在所述白色标定板中对应的外接周长，a为所述总边缘周长N×Lpixel与所述外接周长C的关系系数，且a为已知；
步骤53：根据所述校正面积和所述待测量叶片的面积，计算出所述待测量叶片的精确面积Sperfect，所述精确面积Sperfect具体公式为：
Sperfect＝SL-ΔSL。
6.一种基于色彩标定的植物叶面积测量系统，其特征在于，包括图像采集单元、图像提取单元、色彩标定单元、图像处理单元和运算单元；
所述图像采集单元，用于采集白色标定板上待测量叶片的初始图像；
所述图像提取单元，用于根据所述初始图像提取测量区域图像；
所述色彩标定单元，用于对所述测量区域图像进行色彩标定，得到所述测量区域图像与所述待测量叶片的理想图像的差分矩阵，并根据所述差分矩阵得到所述待测量叶片的理想图像；
所述图像处理单元，用于对所述理想图像进行图像处理，获取所述理想图像中叶片图像的像素点；
所述运算单元，用于根据所述叶片图像的像素点和所述测量区域图像在所述白色标定板上的实际面积，计算所述待测量叶片的面积；
所述图像提取单元具体用于：
在所述白色标定板上随机选取一个大于所述待测量叶片的第一矩形，测量所述第一矩形的面积Sall，并将所述第一矩形的面积Sall确定为所述测量区域图像在所述白色标定板上的实际面积；
在所述初始图像中，以所述第一矩形的一个角为起始点，沿着所述第一矩形的对角线方向对所述初始图像进行截取，确定所述测量区域图像，并分别记录所述测量区域图像的长边和宽边对应的像素点的数量；
所述色彩标定单元具体用于：
采用摄像机获取未放置所述待测量叶片的所述白色标定板的空白背景图像，对所述空白背景图像与理想全白背景图像进行差分，获取所述空白背景图像与所述理想全白背景图像之间的背景差分矩阵，并将所述背景差分矩阵确定为所述测量区域图像与所述待测量叶片的理想图像的差分矩阵；
其中，所述空白背景图像与所述理想全白背景图像的像素矩阵关系为：
BR＝BI-N
得到所述差分矩阵D为：
将所述差分矩阵与所述测量区域图像的初始像素矩阵进行融合，得到所述理想图像；其中，所述理想图像对应的融合矩阵
具体公式为：
MR为所述初始像素矩阵，B′R为所述初始像素矩阵中的初始背景像素矩阵，LR所述初始像素矩阵中的初始叶片像素矩阵，B′I为灰度值为255的理想背景像素矩阵。
7.根据权利要求6所述的一种基于色彩标定的植物叶面积测量系统，其特征在于，还包括畸变校正单元和边缘误差校正单元；
所述畸变校正单元，用于采用张正友标定校正法对摄像机进行畸变校正，获得所述摄像机的畸变参数，并根据所述畸变参数对所述初始图像进行畸变校正；
所述边缘误差校正单元，用于获取每个所述叶片图像的像素点在所述白色标定板中对应的像素实际边长；还用于选取所述叶片图像边缘的外接矩形，根据所述像素实际边长、所述叶片图像边缘增加的像素点的数量和所述外接矩形在所述白色标定板中对应的外接周长，获取所述叶片图像边缘的像素点在所述白色标定板中对应增加的校正面积；还用于根据所述校正面积和所述待测量叶片的面积，计算出所述待测量叶片的精确面积。
8.一种基于色彩标定的植物叶面积测量系统，其特征在于，包括采集设备和测量设备；
所述采集设备，用于采集白色标定板上待测量叶片的初始图像；
所述测量设备，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现如权利要求1-5中任一项权利要求所述的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811158065.3A CN109191520B (zh) | 2018-09-30 | 2018-09-30 | 一种基于色彩标定的植物叶面积测量方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811158065.3A CN109191520B (zh) | 2018-09-30 | 2018-09-30 | 一种基于色彩标定的植物叶面积测量方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109191520A CN109191520A (zh) | 2019-01-11 |
| CN109191520B true CN109191520B (zh) | 2020-08-04 |
Family
ID=64946781
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811158065.3A Active CN109191520B (zh) | 2018-09-30 | 2018-09-30 | 一种基于色彩标定的植物叶面积测量方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109191520B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110070507B (zh) * | 2019-04-17 | 2021-03-02 | 安徽科朗电子科技有限公司 | 一种视频图像的抠图方法、装置、存储介质及抠图设备 |
| 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 |
| TWI736227B (zh) * | 2020-04-21 | 2021-08-11 | 明谷農業生技股份有限公司 | 植物生長辨識方法及其系統 |
| CN111626268A (zh) * | 2020-07-07 | 2020-09-04 | 山东农业大学 | 一种基于机器视觉的便携式叶片信息实时采集装置及方法 |
| CN111862194B (zh) * | 2020-08-04 | 2022-06-03 | 江苏云脑数据科技有限公司 | 基于计算机视觉的深度学习植物生长模型分析方法及系统 |
| CN112435290B (zh) * | 2020-09-29 | 2024-09-27 | 南京林业大学 | 基于饱和度分割的叶面积图像测量方法 |
| CN116862456B (zh) * | 2023-09-04 | 2023-12-19 | 山东一方制药有限公司 | 一种基于图像处理的中药生产监视控制系统及方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010033209A (ko) * | 1997-12-19 | 2001-04-25 | 크로매틱스 칼라 사이언시스 인터내셔널 인코퍼레이티드 | 색채 검정 방법 및 장치 |
| CN102103751B (zh) * | 2009-12-18 | 2012-12-19 | 华为技术有限公司 | 前景图像提取方法及装置 |
| CN202267464U (zh) * | 2011-11-01 | 2012-06-06 | 西北农林科技大学 | 一种基于手机的快速检测叶片面积的装置 |
| CN103630091B (zh) * | 2013-11-05 | 2017-02-08 | 河南理工大学 | 一种基于激光与图像处理技术的叶面积测量方法 |
| CN104463858A (zh) * | 2014-11-28 | 2015-03-25 | 中国航空无线电电子研究所 | 一种投影颜色自适应校正方法 |
-
2018
- 2018-09-30 CN CN201811158065.3A patent/CN109191520B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109191520A (zh) | 2019-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109191520B (zh) | 一种基于色彩标定的植物叶面积测量方法及系统 | |
| CN111260788B (zh) | 一种基于双目视觉的配电柜开关状态识别方法 | |
| CN109816680B (zh) | 一种农作物株高的高通量计算方法 | |
| CN108776980A (zh) | 一种面向微透镜光场相机的标定方法 | |
| CN107869954B (zh) | 一种双目视觉体积重量测量系统及其实现方法 | |
| CN108765433A (zh) | 一种用于提高精度的多叶面积测量方法 | |
| CN104408709B (zh) | 一种线阵ccd相机图像灰度不匀快速矫正方法 | |
| US9064314B2 (en) | Robust automatic determination and location of MacBeth color checker charts | |
| CN112435290B (zh) | 基于饱和度分割的叶面积图像测量方法 | |
| CN202393697U (zh) | 一种基于机器视觉的农产品检测的图像采集装置 | |
| CN110769229A (zh) | 投影画面颜色亮度的检测方法、装置及系统 | |
| CN108088381A (zh) | 一种基于图像处理的非接触式微小间隙宽度测量方法 | |
| CN112465893A (zh) | 一种植被叶片面积测量方法、装置、终端及存储介质 | |
| CN108010071B (zh) | 一种利用3d深度测量的亮度分布测量系统及方法 | |
| CN204202563U (zh) | 鱼类形态参数自动测量装置 | |
| CN109118484A (zh) | 一种基于机器视觉的获取植被覆盖度和叶面积指数的方法 | |
| CN104165892A (zh) | 土壤裂纹参数在线测量系统及采用该系统实现土壤裂纹参数提取方法 | |
| CN105628192A (zh) | 隧道洞外环境亮度检测系统及使用此检测系统的检测方法 | |
| CN102419861A (zh) | 基于均匀色空间拓扑剖分的彩色图像校正方法 | |
| CN108303427B (zh) | 基于图像处理的家居破损程度检测系统 | |
| Tu et al. | 2D in situ method for measuring plant leaf area with camera correction and background color calibration | |
| CN103091332B (zh) | 一种基于机器视觉的u型粉管的检测方法及其检测系统 | |
| CN112098415A (zh) | 一种杨梅品质无损检测方法 | |
| CN111784779A (zh) | 基于卷积神经网络和嵌套轮廓识别的棋盘格图像识别定位系统及方法 | |
| CN205301075U (zh) | 一种测定冲击试样断口纤维断面率系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |