CN110288594A - 一种植物冠层结构性状分析方法 - Google Patents

一种植物冠层结构性状分析方法 Download PDF

Info

Publication number
CN110288594A
CN110288594A CN201910588033.5A CN201910588033A CN110288594A CN 110288594 A CN110288594 A CN 110288594A CN 201910588033 A CN201910588033 A CN 201910588033A CN 110288594 A CN110288594 A CN 110288594A
Authority
CN
China
Prior art keywords
canopy
value
image
gray level
level image
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
Application number
CN201910588033.5A
Other languages
English (en)
Other versions
CN110288594B (zh
Inventor
程曼
袁洪波
蔡振江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei Agricultural University
Original Assignee
Hebei Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hebei Agricultural University filed Critical Hebei Agricultural University
Priority to CN201910588033.5A priority Critical patent/CN110288594B/zh
Publication of CN110288594A publication Critical patent/CN110288594A/zh
Application granted granted Critical
Publication of CN110288594B publication Critical patent/CN110288594B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种植物冠层结构性状分析方法，包括以下步骤A、根据植物冠层高度信息，得到三维点云数据，然后根据三维点云数据将目标植株有效冠层高度值构建成一个冠层高度矩阵，冠层高度矩阵中每一行代表一条直线上冠层的高度数据；B、将冠层高度矩阵数据生成灰度图像，灰度图像取值范围为0～255；C、计算灰度图像的熵，并进行边缘提取；D、计算二值图像转换阈值；E、根据计算得到的转换阈值对灰度图像进行转换，灰度图像中大于阈值的像素点数值转换为1，否则转换为0；F、以二值图像为基础，对冠层结构性状的表型信息特征指数进行分析。本发明能够改进现有技术的不足，便于对植物冠层结构性状的提取和分析。

Description

一种植物冠层结构性状分析方法
技术领域
本发明涉及图像处理技术领域，尤其是一种植物冠层结构性状分析方法。
背景技术
冠层结构对于植物的健康生长有着重要的影响，冠层结构直接影响其对于太阳辐射的拦截程度、生长状况，以及与杂草竞争的能力；同时，冠层的叶片密度能够极大地影响冠层区域的小气候，特别是冠层内部的小气候，而冠层内部小气候环境对于疾病的发生有着直接的影响，在植物正常生长中，冠层温度及湿度是致病的主要因素。冠层的轮廓表达了植物植株的向外延展性，延展性不但同样会影响到冠层内部小气候，而且决定了植物植株是否能够有减少和土壤接触的机会，植株和土壤接触越少，感染病原菌的机会也相对越少。对于这些冠层表型信息的提取和分析方法的研究，是表型研究的一个重要内容，但是现在还没有一种统一的分析方法和分析指标。
发明内容
本发明要解决的技术问题是提供一种植物冠层结构性状分析方法，能够解决现有技术的不足，便于对植物冠层结构性状的提取和分析。
为解决上述技术问题，本发明所采取的技术方案如下。
一种植物冠层结构性状分析方法，包括以下步骤：
A、根据植物冠层高度信息，得到三维点云数据，然后根据三维点云数据将目标植株有效冠层高度值构建成一个冠层高度矩阵，冠层高度矩阵中每一行代表一条直线上冠层的高度数据，即一个扫描平面上或冠层深度图像中一行的高度值；
B、将冠层高度矩阵数据生成灰度图像，灰度图像取值范围为0～255；
C、计算灰度图像的熵，并进行边缘提取；
D、计算二值图像转换阈值；
E、根据计算得到的转换阈值对灰度图像进行转换，灰度图像中大于阈值的像素点数值转换为1，否则转换为0；
F、以二值图像为基础，对冠层结构性状的表型信息特征指数进行分析。
作为优选，步骤B中，在生成灰度图像前，首先将冠层高度矩阵进行归一化处理，处理方法为，
其中，Valuenormal为冠层高度值归一化之后的值，Valueorgin为冠层高度原始值，Valuemin、Valuemax分别为冠层高度矩阵中最小和最大值。
作为优选，步骤B中，对灰度图像进行去噪处理，包括以下步骤，
B1、对灰度图像进行小波分解，得到n层图像分量；
B2、对第一层图像分量进行聚类分析，使用得到的第一层图像分量的聚类中心集合对第二层图像分量进行聚类分析，然后根据第二层图像分量的聚类结果对第二层图像分量的聚类中心集合进行修正，使用修正后的第二层图像分量的聚类中心集合对第三层图像分量进行聚类分析，以此类推，直至全部n层图像分量均完成聚类分析处理；将修正前后的聚类中心定义为相关聚类中心；
B3、将不同图像分量层中相关聚类中心对应的聚类集合进行正则化处理；
B4、对n层图像分量进行小波重构，得到处理后的灰度图像。
作为优选，步骤C中，灰度图像熵的计算方法为，
其中，i代表像素灰度值大小，j代表邻域灰度平均值，Pij代表邻域灰度平均值为j的灰度值i出现的概率，f(i，j)代表特征二元组(i，j)出现的频数，N代表图像的尺度，H就是所求的熵。
作为优选，步骤D中，转换阈值的计算方法为，
其中，n和l分别代表冠层高度矩阵的列数量和行数量，Graypixeli,j表示第j行第i列中的像素值，Threshold即为所求转换阈值。
作为优选，步骤F中，
熵值越大，灰度值越丰富，即冠层的高度值变化趋势越缓慢，波峰和波谷越不明显，高度分布越平衡；熵值越大，边缘相对越明显；
二值图像连通区域的数量少且平均面积大说明冠层的叶片分布密度大且高度变化平缓；欧拉数越大图像中孔洞数越小，由冠层高度矩阵转换过来的冠层图像的边缘相对平滑且锯齿越少。
采用上述技术方案所带来的有益效果在于：本发明对于植物冠层结构性状的分析过程简单、快捷，适用范围广。
附图说明
图1是本发明的原理图。
图2是SWR品种花生七月份冠层结构外形轮廓。
图3是MCD品种花生七月份冠层结构外形轮廓。
图4是GA04S品种花生七月份冠层结构外形轮廓。
图5是SWR品种花生八月份冠层结构外形轮廓。
图6是MCD品种花生八月份冠层结构外形轮廓。
图7是GA04S品种花生八月份冠层结构外形轮廓。
图8是SWR品种花生九月份冠层结构外形轮廓。
图9是MCD品种花生九月份冠层结构外形轮廓。
图10是GA04S品种花生九月份冠层结构外形轮廓。
具体实施方式
参照图1，本发明一个具体实施方式包括以下步骤：
根据植物冠层高度信息，得到三维点云数据，然后根据三维点云数据生成冠层高度矩阵CHM，即将目标植株有效冠层高度值构建成一个冠层高度矩阵(Canopy heightmatrix，CHM)，CHM中每一行代表一条直线上冠层的高度数据，也就是一个扫描平面(冠层剖面)上或冠层深度图像中一行的高度值。
将CHM数据生成灰度图像，灰度图像取值范围为0～255，所以CHM要根据公式(1)首先进行归一化处理。
上式中，Valuenormal为冠层高度值CHM归一化之后的值，Valueorgin为冠层高度原始值，Valuemin、Valuemax分别为CHM矩阵中最小和最大值。
根据公式(2)计算灰度图像的熵，并进行边缘提取。熵代表图像中灰度值的集中度，熵值越大说明灰度值越丰富，这就意味着冠层的高度值变化趋势缓慢，没有较大和明显的波峰和波谷出现，高度分布较为平衡；熵值大小也和冠层轮廓的边缘是否明显有较大的关系，熵值越大，边缘相对越明显。
上式中，i代表像素灰度值大小，j代表邻域灰度平均值，Pij代表邻域灰度平均值为j的灰度值i出现的概率，f(i，j)代表特征二元组(i，j)出现的频数，N代表图像的尺度，H就是所求的熵。
二值图像转换阈值的求解。本方法的算法中最关键的就是二值图像转换阈值的确定，如果阈值取值较小则不同品种之间特征不突出、区别不明显，取值较大则会丢失一部分信息，转换阈值可以通过公式(3)来确定。
上式中，n和l分别代表CHM的列数量和行数量，Graypixeli,j表示第j行第i列中的像素值。Threshold即为所求转换阈值。
根据计算得到的转换阈值对灰度图像进行转换，灰度图像中大于阈值的像素点数值转换为1，反之转换为0。
以二值图像为基础，对冠层结构性状的表型信息特征指数进行分析。根据CHM转换而来的二值图像中，连通区域的大小和面积可以反映出冠层密度和高度的分布情况，连通区域的数量较少且平均面积较大说明冠层的叶片分布密度较大且高度变化比较平缓，因为如果冠层叶片密度较为稀疏或高度变化剧烈，则在扫描时会出现一些孔洞，经过变换后连通区域的数量就会增多，连通区域平均面积就会变小；欧拉数代表者图像中连通区域与孔洞之间的差值，欧拉数越大则说明图像中孔洞数越小，这就意味着由CHM转换过来的冠层图像的边缘相对平滑且锯齿较少。
下表为三个品种花生冠层结构特征指数随时间变化情况。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.一种植物冠层结构性状分析方法，其特征在于包括以下步骤：
A、根据植物冠层高度信息，得到三维点云数据，然后根据三维点云数据将目标植株有效冠层高度值构建成一个冠层高度矩阵，冠层高度矩阵中每一行代表一条直线上冠层的高度数据，即一个扫描平面上或冠层深度图像中一行的高度值；
B、将冠层高度矩阵数据生成灰度图像，灰度图像取值范围为0～255；
C、计算灰度图像的熵，并进行边缘提取；
D、计算二值图像转换阈值；
E、根据计算得到的转换阈值对灰度图像进行转换，灰度图像中大于阈值的像素点数值转换为1，否则转换为0；
F、以二值图像为基础，对冠层结构性状的表型信息特征指数进行分析。
2.根据权利要求1所述的植物冠层结构性状分析方法，其特征在于：步骤B中，在生成灰度图像前，首先将冠层高度矩阵进行归一化处理，处理方法为，
其中，Valuenormal为冠层高度值归一化之后的值，Valueorgin为冠层高度原始值，Valuemin、Valuemax分别为冠层高度矩阵中最小和最大值。
3.根据权利要求2所述的植物冠层结构性状分析方法，其特征在于：步骤B中，对灰度图像进行去噪处理，包括以下步骤，
B1、对灰度图像进行小波分解，得到n层图像分量；
B2、对第一层图像分量进行聚类分析，使用得到的第一层图像分量的聚类中心集合对第二层图像分量进行聚类分析，然后根据第二层图像分量的聚类结果对第二层图像分量的聚类中心集合进行修正，使用修正后的第二层图像分量的聚类中心集合对第三层图像分量进行聚类分析，以此类推，直至全部n层图像分量均完成聚类分析处理；将修正前后的聚类中心定义为相关聚类中心；
B3、将不同图像分量层中相关聚类中心对应的聚类集合进行正则化处理；
B4、对n层图像分量进行小波重构，得到处理后的灰度图像。
4.根据权利要求3所述的植物冠层结构性状分析方法，其特征在于：步骤C中，灰度图像熵的计算方法为，
其中，i代表像素灰度值大小，j代表邻域灰度平均值，Pij代表邻域灰度平均值为j的灰度值i出现的概率，f(i，j)代表特征二元组(i，j)出现的频数，N代表图像的尺度，H就是所求的熵。
5.根据权利要求4所述的植物冠层结构性状分析方法，其特征在于：步骤D中，转换阈值的计算方法为，
其中，n和l分别代表冠层高度矩阵的列数量和行数量，Graypixeli,j表示第j行第i列中的像素值，Threshold即为所求转换阈值。
6.根据权利要求5所述的植物冠层结构性状分析方法，其特征在于：步骤F中，
熵值越大，灰度值越丰富，即冠层的高度值变化趋势越缓慢，波峰和波谷越不明显，高度分布越平衡；熵值越大，边缘相对越明显；
二值图像连通区域的数量少且平均面积大说明冠层的叶片分布密度大且高度变化平缓；欧拉数越大图像中孔洞数越小，由冠层高度矩阵转换过来的冠层图像的边缘相对平滑且锯齿越少。
CN201910588033.5A 2019-07-02 2019-07-02 一种植物冠层结构性状分析方法 Active CN110288594B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910588033.5A CN110288594B (zh) 2019-07-02 2019-07-02 一种植物冠层结构性状分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910588033.5A CN110288594B (zh) 2019-07-02 2019-07-02 一种植物冠层结构性状分析方法

Publications (2)

Publication Number Publication Date
CN110288594A true CN110288594A (zh) 2019-09-27
CN110288594B CN110288594B (zh) 2021-06-04

Family

ID=68021652

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910588033.5A Active CN110288594B (zh) 2019-07-02 2019-07-02 一种植物冠层结构性状分析方法

Country Status (1)

Country Link
CN (1) CN110288594B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111091114A (zh) * 2019-12-30 2020-05-01 滁州学院 一种基于高分辨率遥感图片的单木树冠提取方法
CN112329856A (zh) * 2020-11-06 2021-02-05 神农智慧农业研究院南京有限公司 一种基于光谱与rgb-d融合图像的小麦氮积累量预测方法
CN113222917A (zh) * 2021-04-29 2021-08-06 桂林理工大学 机载激光雷达点云数据chm的dbi树顶点探测方法
CN113469112A (zh) * 2021-07-19 2021-10-01 三门峡市扶贫开发办公室 农作物生长状况图像识别方法及系统
CN113822839A (zh) * 2020-06-18 2021-12-21 飞依诺科技(苏州)有限公司 医学图像的处理方法、装置、计算机设备和存储介质
CN113947729A (zh) * 2021-11-12 2022-01-18 华南农业大学 基于竞争网络的植株点云数据深度图像处理方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100080439A1 (en) * 2008-04-04 2010-04-01 Lina Jamil Karam Automatic Cell Migration and Proliferation Analysis
CN102360494A (zh) * 2011-10-18 2012-02-22 中国科学院自动化研究所 一种多前景目标交互式图像分割方法
CN103440648A (zh) * 2013-08-22 2013-12-11 北京农业信息技术研究中心 农作物冠层整齐度的自动测量方法及装置
CN104914053A (zh) * 2015-05-15 2015-09-16 中国农业大学 构建树木冠层光合性状预测模型及检测光合性状
CN106971409A (zh) * 2017-02-23 2017-07-21 北京农业信息技术研究中心 玉米冠层叶色建模系统及方法
CN107610066A (zh) * 2017-09-21 2018-01-19 电子科技大学 一种叶面积指数测量方法
CN107767383A (zh) * 2017-11-01 2018-03-06 太原理工大学 一种基于超像素的道路图像分割方法
CN109166158A (zh) * 2018-08-24 2019-01-08 中国电建集团华东勘测设计研究院有限公司 一种林地郁闭度确定方法、装置及系统
CN109632799A (zh) * 2019-01-23 2019-04-16 湖北大学 基于机器视觉的水稻叶片氮含量移动检测分级方法、系统和计算机可读存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100080439A1 (en) * 2008-04-04 2010-04-01 Lina Jamil Karam Automatic Cell Migration and Proliferation Analysis
CN102360494A (zh) * 2011-10-18 2012-02-22 中国科学院自动化研究所 一种多前景目标交互式图像分割方法
CN103440648A (zh) * 2013-08-22 2013-12-11 北京农业信息技术研究中心 农作物冠层整齐度的自动测量方法及装置
CN104914053A (zh) * 2015-05-15 2015-09-16 中国农业大学 构建树木冠层光合性状预测模型及检测光合性状
CN106971409A (zh) * 2017-02-23 2017-07-21 北京农业信息技术研究中心 玉米冠层叶色建模系统及方法
CN107610066A (zh) * 2017-09-21 2018-01-19 电子科技大学 一种叶面积指数测量方法
CN107767383A (zh) * 2017-11-01 2018-03-06 太原理工大学 一种基于超像素的道路图像分割方法
CN109166158A (zh) * 2018-08-24 2019-01-08 中国电建集团华东勘测设计研究院有限公司 一种林地郁闭度确定方法、装置及系统
CN109632799A (zh) * 2019-01-23 2019-04-16 湖北大学 基于机器视觉的水稻叶片氮含量移动检测分级方法、系统和计算机可读存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HONGBO YUAN ET AL.: "Development of a Peanut Canopy Measurement System Using a Ground-Based LiDAR Sensor", 《 FRONTIERS IN PLANT SCIENCE》 *
WEI CHEN , HUI SONG: "Automatic noise attenuation based on clustering and empirical wavelet transform", 《JOURNAL OF APPLIED GEOPHYSICS》 *
周俊 等: "基于K-均值聚类与小波分析的声发射信号去噪", 《石油化工高等学校学报》 *
曹祥红: "基于小波去噪和互谱估计的基因表达数据分析", 《中国优秀博硕士学位论文全文数据库 (硕士) 基础科学辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111091114A (zh) * 2019-12-30 2020-05-01 滁州学院 一种基于高分辨率遥感图片的单木树冠提取方法
CN113822839A (zh) * 2020-06-18 2021-12-21 飞依诺科技(苏州)有限公司 医学图像的处理方法、装置、计算机设备和存储介质
CN113822839B (zh) * 2020-06-18 2024-01-23 飞依诺科技股份有限公司 医学图像的处理方法、装置、计算机设备和存储介质
CN112329856A (zh) * 2020-11-06 2021-02-05 神农智慧农业研究院南京有限公司 一种基于光谱与rgb-d融合图像的小麦氮积累量预测方法
CN112329856B (zh) * 2020-11-06 2024-05-14 神农智慧农业研究院南京有限公司 一种基于光谱与rgb-d融合图像的小麦氮积累量预测方法
CN113222917A (zh) * 2021-04-29 2021-08-06 桂林理工大学 机载激光雷达点云数据chm的dbi树顶点探测方法
CN113469112A (zh) * 2021-07-19 2021-10-01 三门峡市扶贫开发办公室 农作物生长状况图像识别方法及系统
CN113947729A (zh) * 2021-11-12 2022-01-18 华南农业大学 基于竞争网络的植株点云数据深度图像处理方法及系统

Also Published As

Publication number Publication date
CN110288594B (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN110288594A (zh) 一种植物冠层结构性状分析方法
CN106778687B (zh) 基于局部评估和全局优化的注视点检测方法
CN101430759B (zh) 优化的人脸识别预处理方法
CN109800754A (zh) 一种基于卷积神经网络的古字体分类方法
CN105740773A (zh) 基于深度学习和多尺度信息的行为识别方法
CN107871316B (zh) 基于深度神经网络的x光片手骨兴趣区域自动提取方法
CN106780498A (zh) 基于逐像素点深度卷积网络上皮和基质组织自动分割方法
CN111046964A (zh) 一种基于卷积神经网络的人和车辆红外热图像识别方法
Huang et al. AF-SENet: Classification of cancer in cervical tissue pathological images based on fusing deep convolution features
CN109635726B (zh) 一种基于对称式深度网络结合多尺度池化的滑坡识别方法
CN112766155A (zh) 一种基于深度学习的海水养殖区提取方法
CN107133558A (zh) 一种基于概率传播的红外行人显著性检测方法
Wang et al. Human peripheral blood leukocyte classification method based on convolutional neural network and data augmentation
CN109165658A (zh) 一种基于Faster-RCNN的强负样本水下目标检测方法
CN114821069A (zh) 融合富尺度特征的双分支网络遥感图像建筑语义分割方法
Wang et al. Xiaomila green pepper target detection method under complex environment based on improved YOLOv5s
Gao et al. Apple leaf disease identification in complex background based on BAM-net
Cheng et al. Inshore ship detection in large-scale SAR images based on saliency enhancement and Bhattacharyya-like distance
CN117765252A (zh) 一种基于Swin Transformer和对比学习的乳腺癌识别系统及方法
CN112232403A (zh) 一种红外图像与可见光图像的融合方法
CN116993639A (zh) 基于结构重参数化的可见光与红外图像融合方法
Gao et al. Image Segmentation of Retinal Blood Vessels Based on Dual‐Attention Multiscale Feature Fusion
Zhang et al. Surface defect detection of navel orange based on region adaptive brightness correction algorithm.
Guo et al. Automatic Rock Classification Algorithm Based on Ensemble Residual Network and Merged Region Extraction
CN116258973A (zh) 一种多尺度特征联合的遥感影像场景分类方法

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