CN110349200A - 一种基于单目相机的高精度麦穗长度测量方法 - Google Patents
一种基于单目相机的高精度麦穗长度测量方法 Download PDFInfo
- Publication number
- CN110349200A CN110349200A CN201910583235.0A CN201910583235A CN110349200A CN 110349200 A CN110349200 A CN 110349200A CN 201910583235 A CN201910583235 A CN 201910583235A CN 110349200 A CN110349200 A CN 110349200A
- Authority
- CN
- China
- Prior art keywords
- image
- wheat head
- wheat
- pixel
- follows
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T7/68—Analysis of geometric attributes of symmetry
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30172—Centreline of tubular or elongated structure
Abstract
本发明提供一种基于机器视觉的麦穗长度测量方法,该方法设计了一个150mm×150mm的载物台,载物台的下方安装了一个白色背光源,载物台的上方安装工业相机。测量时,打开背光源,将麦穗以任意方向放置在载物台上,工业相机拍摄麦穗图片,经图像处理计算出麦穗的长度。本发明无需进行相机标定,麦穗可随意放置,测量麦穗长度非常方便。
Description
技术领域
本发明属于计算机信息处理、模式识别领域,尤其涉及一种利用图像测 量种子长度的方法。
背景技术
小麦是我国主要的粮食作物,提高小麦产量是小麦育种的重要目标。 小麦的麦穗长是影响小麦产量的一种重要因素,在小麦生产中,产量的获 得是以单株小麦产量的生产能力来实现的,而单株小麦的生长状况和产量 信息能够直接通过其穗部形态表现出来,而穗长是麦穗形态中非常重要的 一个参数,也是小麦育种、考种、测产环节中育种专家最为关心的重要参 数之一。
目前,测量小麦穗长的主要方法有手工直尺测量和机器视觉测量。直 尺测量穗长的方法虽然操作方便,但是存在测量效率低、测量精度不高的 缺点,且对于弯曲的麦穗容易产生较大的误差。现有基于机器视觉的麦穗 长测量方法在测量时,首先要对机器视觉系统中的相机进行标定,根据标 定的结果进行穗长的测量。
当机器视觉系统发生移动或相机与载物台相对位置发生轻微变化时, 要重新对系统进行标定,所以实际使用起来比较麻烦。另外,现有基于机 器视觉的穗长测量方法,在测量穗长时要把麦穗放在人工标记的固定位置 上,不能随意放置麦穗,造成测量操作不便。
发明内容
本发明的目的在于解决上述现有技术存在的缺陷,提供一种基于单目 相机的高精度麦穗长度测量方法,该方法设计了一个150mm×150mm的载 物台,载物台的下方安装一个白色背光源,载物台的上方安装工业相机。 测量时,打开背光源,将麦穗以任意方向放置在载物台上,工业相机拍摄 麦穗图片,经图像处理计算出麦穗的长度。本发明无需进行相机标定,麦 穗可随意放置,测量麦穗长度非常方便。
本发明采用如下技术方案:
一种基于机器视觉的麦穗长度测量方法,包括以下步骤:
步骤1.拍照准备。将麦穗放置在载物台上,用玻璃盖盖住叶子,接通 载物台下面背光源的电源,整个载物台玻璃面板呈现出白色高亮背景,麦 穗的图像边缘轮廓清晰时止。
步骤2.图像采集。用工业相机正对着载物台面板,使得相机视场能够 覆盖整个载物台,调整好焦距进行拍照,图像要求清晰,不出现抖动模糊。
步骤2.图像分割和二值化。对步骤1中采集的图像进行分割和二值化 处理,使得背景和麦穗目标分离。
步骤3.麦芒去除。对步骤2中二值化后的麦穗图像进行腐蚀运算以去 除麦芒,避免麦芒影响穗长的测量效果。
步骤4.麦穗图像分段求质心。根据小麦的穗上部和穗茎部分的宽度存 在明显的差异,通过图像宽度(像素数)的大小可以将穗茎部分滤除,剩 下小麦的穗上部。将穗上部分成8段,提取求质心。
步骤5.提取麦穗图像的中轴线。将8段图像的质心用直线相连,两头 延伸至麦穗的顶端和底端,提取出麦穗图像的中轴线。
步骤6.测量麦穗长度。计算麦穗中轴线的像素数,计算载物台边缘的 像素数,将两个像素数的比值乘以载物台边缘的长度,就是麦穗的长度。
本发明的有益效果:
(1).不需要对工业相机进行标定,拍摄距离只要满足相机的视场能 够覆盖整个载物台。
(2).麦穗在载物台上可以任意放置;
(3).一次可以测量多个麦穗长度。
(4)传统方法一是通过求取整个麦穗质心和麦穗主轴方向角来获得 麦穗中轴线。由于麦穗通常情况下会有点弯曲,中轴线不是一条直线段, 传统方法一求取的麦穗中轴线是一条直线段,而本发明方法对麦穗进行分 段,分别求取每段的质心,将每段质心相连得到了麦穗的中轴线,本发明 方法获得的中轴线完全切合麦穗的形状,可以获得真实的麦穗长度。
(5)传统方法二是通过获取麦穗外接矩形,通过求取外接矩形长度 来获得麦穗的长度。由于麦穗通常情况下会有点弯曲,麦穗中轴线不是一 条直线段,传统方法二获取的麦穗长度是麦穗顶部顶点和底部端点之间的 直线距离,不是实际意义上麦穗长度。而本发明方法对麦穗进行分段,分 别求取每段的质心,将每段质心相连得到了麦穗的中轴线,本发明方法获 得的中轴线完全切合麦穗的形状,可以获得真实的麦穗长度。
附图说明
图1为本发明的结构示意图;
图2(a)-图2(f)为本发明用于测量麦穗长度的图像处理示意图;
图3(a)-图3(d)为本发明用于测量倾斜放置麦穗长度的示意图;
图4(a)-图4(d)为用于多个麦穗长度测量的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面本发明中的技术 方案进行清楚、完整地描述,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 在没有作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。
一种基于机器视觉的麦穗长度测量方法,包括以下步骤:
(1)图像分割及二值化:
本发明应用基于边缘判断的全局阈值处理技术来进行图像的分割。本 发明的成像方式,使得背景和目标边缘都会形成明显的灰度差,所以应用 基于边缘判断的全局阈值处理技术分割出麦穗,算法具体如下:
设f(x,y)是输入图像,首先使用sobel算子对f(x,y)进行卷积,得到边 缘图像g(x,y)。接着,针对g(x,y),应用Ostu自适应求取阈值T,按照式(1) 得到g(x,y)的二值化图像gT(x,y)。将gT(x,y)作为一个标记图像,以便从 f(x,y)中选取对应于“强”边缘像素的像素。
将gT(x,y)作为参照图像,计算f(x,y)中对应于gT(x,y)中值为1像 素位置的像素直方图,采用Ostu方法来全局地分割图像f(x,y),分割 结果如图1所示。Ostu算法描述如下:
设X是一幅具有L级灰度级图像,其中第i级像素为Ni个,其中i的 值在0~L-1之间,图像的总像素点个数为:
第i级出现的概率为:
在OTSU算法中,以阈值K将所有的像素分为目标C0和背景C1两类。其中, C0类的像素灰度级为0~K-1,C1类的像素灰度级为K~L-1。
图像的总平均灰度级为:
C0类像素所占的总面积的比例为:
C1类像素所占的总面积的比例为:
ω1=1-ω0 (6)
C0类像素的平均灰度级为:
μ0=μ0(k)/ω0 (7)
C1类像素的平均灰度级为:
μ1=μ1(k)/ω1 (8)
其中,
最大类间方差的公式为:
δ2(k)=ω0(μ-μ0)2+ω1(μ-μ1)2 (11)
令k从0~L-1变化,计算在不k值下的类间方差δ2(k),使得δ2(k)最大值 时的那个k值就是所要求的最优阈值。
(2)麦穗中轴线的提取
通过上一步的操作,已经将麦穗图像分割出来,接下来是如何提取麦穗 的中心线。
首先,对图2(a)的二值化麦穗图像进行腐蚀运算,去除麦芒, 如图2(b)所示。根据图2(b)观察到小麦的穗上部和穗茎部分的 宽度存在明显的差异,本发明通过宽度特征将小麦的穗上部和穗茎分 割开。以图像中小麦底部茎的宽度大于10个像素点的位置为分割点, 上部即为麦穗图像,图2(c)为分割结果。
如果将按距离分割后的麦穗上部图像看成是一个二维密度分布的二元有 界函数f(x,y),函数值f(x,y)表示点(x,y)处图像像素的灰度值,如果点(x,y)处 图像像素属于麦穗图像,则f(x,y)=1。小麦图像二维密度分布函数f(x,y)的 (j+k)阶矩表示为Mjk,其计算公式为:
则零阶矩和一阶矩分别计算如下:
于是麦穗的质心位置为:
接着,将图2(c)中的麦穗图像进行分段,本发明将麦穗分成8个段如 图2(d)所示,分别为Li(i=1,2,…,8),对每段图像按照公式(13)求其质心 用直线方程将8个质心连接起来,一直延伸到麦穗图像的 底部和顶部,这样就得到了麦穗图像的中轴线,如图2(e)所示。设第i个质 心坐标为和第i+1个质心的坐标为则这两个质心确定的直线方 程L为:
y=kx+b (14)
式中k是直线斜率,b是直线截距,分别表示如下:
用7个如式(14)表示的直线方程,把8个质点连接起来,就得到了麦 穗图像的中心轴线,如图2(e)所示。
(3)麦穗长度的计算:
本发明设计了一个150mm×150mm的载物台,载物台的面用透明玻璃做 成,载物台的下方安装一个白色背光源,载物台的上方安装工业相机。在拍 照时,白色背光源打开,以便形成高亮的背景,便于区分目标和背景。用sobei 算法对载物台进行滤波,提取载物台四周边缘,用红色对边缘做标记,如图 2(f)所示。
已知载物台的边缘长度l=150mm,统计载物台边缘像素记为s,统计麦穗 中轴线的像素记为s1,则麦穗的长度d为
实施例
为了验证本发明所提的基于单目相机的麦穗长度测量方法的有效性,分 别对倾斜放置的麦穗和放置多个麦穗进行测量,图像处理结果分别如图3(a) -图3(d)、图4(a)-图4(d)所示,穗长测量平均长度为7.43cm。与人 工测量相比,人工测量精度是0.1cm,本发明方法测量精度是0.01cm,同时 本发明方法测量效率是人工测量效率的4倍。所以,与人工测量相比,本发 明方法的测量精度和测量效率比人工测量有了较大提高。人工测量与本发明方法测量效果对比如表1所示。
表1
最后应说明的是:以上实施例仅用以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;而这些修改或者替换,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 (2)
1.一种基于单目相机的高精度麦穗长度测量方法,其特征在于,包括以下步骤:
步骤1.做好拍照准备;
将麦穗放置在载物台上,用玻璃盖板盖住麦穗,接通载物台下面背光源的电源,整个载物台玻璃面板呈现出白色高亮背景,麦穗的图像边缘轮廓清晰;
步骤2.图像采集;
用工业相机正对着载物台面板,使得相机视场能够覆盖整个载物台,调整好焦距进行拍照,图像要求清晰、不出现抖动模糊;
步骤3.图像分割和二值化;
对图像进行分割和二值化处理,使得背景和麦穗目标分离,图像分割和二值化算法如下:
设f(x,y)是输入图像,首先使用sobel算子对f(x,y)进行卷积,得到边缘图像g(x,y),接着,针对g(x,y),应用Ostu算法自适应求取取值T,按照式(1)得到g(x,y)的二值化图像gT(x,y),将gT(x,y)作为一个标记图像,以便从f(x,y)中选取对应于“强”边缘像素的像素;
将gT(x,y)作为参照图像,计算f(x,y)中对应于gT(x,y)中值为1像素位置的像素直方图,采用Ostu方法来全局地分割图像f(x,y);
Ostu算法描述如下:
设X是一幅具有L级灰度级的图像,其中第i级像素为Ni个,其中i的值在0~L-1之间,图像的总像素点个数为:
第i级出现的概率为:
在OTSU算法中,以阈值k将所有的像素分为目标C0和背景C1两类,其中,C0类的像素灰度级为0~k-1,C1类的像素灰度级为k~L-1;
图像的总平均灰度级为:
C0类像素所占的总面积的比例为:
C1类像素所占的总面积的比例为:
ω1=1-ω0 (6)
C0类像素的平均灰度级为:
μ0=μ0(k)/ω0 (7)
C1类像素的平均灰度级为:
μ1=μ1(k)/ω1 (8)
其中,
最大类间方差的公式为:
δ2(k)=ω0(μ-μ0)2+ω1(μ-μ1)2 (11)
令k从0~L-1变化,计算在不同k值下的类间方差δ2(k),使得δ2(k)最大值时的那个k值就是所要求的最优阈值;
步骤4.麦芒去除;
对二值化后的麦芒图像进行腐蚀运算以去除麦芒,避免麦芒影响穗长的测量;
步骤5.麦穗图像分段求质心;
根据小麦的穗上部和穗茎部分的宽度存在明显的差异,通过图像宽度的大小将穗茎部分滤除,剩下小麦的穗上部,将穗上部分成n段,对每段求质心;
将按距离分割后的麦穗上部图像看作一个二维密度分布的二元有界函数f(x,y),函数值f(x,y)表示点(x,y)处图像像素的灰度值,如果点(x,y)处图像像素属于麦穗图像,则f(x,y)=1,小麦图像二维密度分布函数f(x,y)的(j+k)阶矩表示为Mjk,其计算公式为:
则零阶矩和一阶矩分别计算如下:
于是麦穗的质心位置为:
步骤6.提取麦穗图像的中轴线;
将上述n段图像的质心用直线相连,两头延伸至麦穗的顶端和底端,提取出麦穗图像的中轴线;
将图中麦穗图像进行分段,麦穗分成n段,分别为Li(i=1,2,…,n),用直线将质心连接起来,一致延伸到麦穗图像的底部和顶部,这样得到麦穗图像的中轴线,设第i个质心坐标和i+1个质心的坐标为则这两个质心确定的直线方程L为:
y=kx+b (14)
式中k是直线斜率,b是直线截距,分别表示如下:
用n-1个如(14)表示的直线方程,把n个质点连接起来,就得到了麦穗图像的中心轴线;
步骤7.麦穗长度的计算:
载物台的边缘长度为l,统计载物台边缘像素记为s,统计麦穗中轴线的像素记为s1,则麦穗的长度d为:
2.根据权利要求1所述的一种基于机器视觉的麦穗长度测量方法,其特征在于,所述载物台为150mm×150mm的载物台,载物台的面为透明玻璃,载物台的下方安装有一个白色背光源,载物台上方安装有用于拍照的工业相机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910583235.0A CN110349200A (zh) | 2019-07-01 | 2019-07-01 | 一种基于单目相机的高精度麦穗长度测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910583235.0A CN110349200A (zh) | 2019-07-01 | 2019-07-01 | 一种基于单目相机的高精度麦穗长度测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110349200A true CN110349200A (zh) | 2019-10-18 |
Family
ID=68177560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910583235.0A Pending CN110349200A (zh) | 2019-07-01 | 2019-07-01 | 一种基于单目相机的高精度麦穗长度测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110349200A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111521128A (zh) * | 2020-04-15 | 2020-08-11 | 中国科学院海洋研究所 | 一种基于光学投影的贝类外部形态自动测量方法 |
CN111724354A (zh) * | 2020-06-02 | 2020-09-29 | 浙江托普云农科技股份有限公司 | 一种基于图像处理的多株小麦穗长与小穗数的测量方法 |
CN111895916A (zh) * | 2020-07-14 | 2020-11-06 | 华南农业大学 | 水稻穗长测量装置及测量方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101944231A (zh) * | 2010-08-19 | 2011-01-12 | 北京农业智能装备技术研究中心 | 小麦穗部形态参数提取方法 |
CN107886497A (zh) * | 2017-10-05 | 2018-04-06 | 北京林业大学 | 一种基于图像的小麦旗叶无损自动检测及测量方法 |
CN108765433A (zh) * | 2018-05-31 | 2018-11-06 | 西京学院 | 一种用于提高精度的多叶面积测量方法 |
CN109559342A (zh) * | 2018-03-05 | 2019-04-02 | 北京佳格天地科技有限公司 | 动物体长的测量方法和装置 |
-
2019
- 2019-07-01 CN CN201910583235.0A patent/CN110349200A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101944231A (zh) * | 2010-08-19 | 2011-01-12 | 北京农业智能装备技术研究中心 | 小麦穗部形态参数提取方法 |
CN107886497A (zh) * | 2017-10-05 | 2018-04-06 | 北京林业大学 | 一种基于图像的小麦旗叶无损自动检测及测量方法 |
CN109559342A (zh) * | 2018-03-05 | 2019-04-02 | 北京佳格天地科技有限公司 | 动物体长的测量方法和装置 |
CN108765433A (zh) * | 2018-05-31 | 2018-11-06 | 西京学院 | 一种用于提高精度的多叶面积测量方法 |
Non-Patent Citations (1)
Title |
---|
吴良斌: "《SAR图像处理与目标识别》", 31 January 2013 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111521128A (zh) * | 2020-04-15 | 2020-08-11 | 中国科学院海洋研究所 | 一种基于光学投影的贝类外部形态自动测量方法 |
CN111724354A (zh) * | 2020-06-02 | 2020-09-29 | 浙江托普云农科技股份有限公司 | 一种基于图像处理的多株小麦穗长与小穗数的测量方法 |
CN111724354B (zh) * | 2020-06-02 | 2023-05-30 | 浙江托普云农科技股份有限公司 | 一种基于图像处理的多株小麦穗长与小穗数的测量方法 |
CN111895916A (zh) * | 2020-07-14 | 2020-11-06 | 华南农业大学 | 水稻穗长测量装置及测量方法 |
CN111895916B (zh) * | 2020-07-14 | 2021-09-24 | 华南农业大学 | 水稻穗长测量装置及测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256419B (zh) | 一种利用多光谱解译提取港口码头图像的方法 | |
CN110349200A (zh) | 一种基于单目相机的高精度麦穗长度测量方法 | |
CN109146948B (zh) | 基于视觉的作物长势表型参数量化与产量相关性分析方法 | |
CN111724433B (zh) | 一种基于多目视觉的作物表型参数提取方法及系统 | |
Ugelmann | Automatic breakline detection from airborne laser range data | |
CN110443836A (zh) | 一种基于平面特征的点云数据自动配准方法及装置 | |
CN106530281B (zh) | 基于边缘特征的无人机图像模糊判断方法及系统 | |
CN108470338B (zh) | 一种水位监测方法 | |
CN108765433A (zh) | 一种用于提高精度的多叶面积测量方法 | |
CN105844610B (zh) | 基于机器视觉的植物叶片锈斑自动检测系统及方法 | |
CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
CN110988909B (zh) | 基于tls进行高寒脆弱区沙地植被的植被盖度测定方法 | |
CN107392929A (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
CN104318583B (zh) | 一种可见光宽带光谱图像配准方法 | |
CN106294705A (zh) | 一种批量遥感影像预处理方法 | |
CN110400278A (zh) | 一种图像颜色和几何畸变的全自动校正方法、装置及设备 | |
CN108668637A (zh) | 一种机器视觉自然放置葡萄串抓取点定位方法 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN109871900A (zh) | 一种基于图像处理的复杂背景下苹果的识别定位方法 | |
CN114708208B (zh) | 一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法 | |
CN103217108A (zh) | 一种眼镜架几何参数检测方法 | |
CN111199245A (zh) | 油菜害虫识别方法 | |
CN106846343A (zh) | 一种基于聚类超像素分割的病理图像特征提取方法 | |
CN116523898A (zh) | 一种基于三维点云的烟草表型性状提取方法 | |
CN115375842A (zh) | 一种植株三维重建方法、终端及存储介质 |
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 |