CN110674453B - 一种获取棉花叶片丛聚指数的数字图像方法及系统 - Google Patents

一种获取棉花叶片丛聚指数的数字图像方法及系统 Download PDF

Info

Publication number
CN110674453B
CN110674453B CN201911001192.7A CN201911001192A CN110674453B CN 110674453 B CN110674453 B CN 110674453B CN 201911001192 A CN201911001192 A CN 201911001192A CN 110674453 B CN110674453 B CN 110674453B
Authority
CN
China
Prior art keywords
canopy
small rectangular
cotton
image
porosity
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
Application number
CN201911001192.7A
Other languages
English (en)
Other versions
CN110674453A (zh
Inventor
王方永
韩焕勇
余渝
林海
孔宪辉
王旭文
肖春华
陈兵
王琼
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.)
Xinjiang Academy of Agricultural and Reclamation Sciences
Original Assignee
Xinjiang Academy of Agricultural and Reclamation Sciences
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 Xinjiang Academy of Agricultural and Reclamation Sciences filed Critical Xinjiang Academy of Agricultural and Reclamation Sciences
Priority to CN201911001192.7A priority Critical patent/CN110674453B/zh
Publication of CN110674453A publication Critical patent/CN110674453A/zh
Application granted granted Critical
Publication of CN110674453B publication Critical patent/CN110674453B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Geometry (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明属于图像处理技术领域，公开了一种获取棉花叶片丛聚指数的数字图像方法及系统，在无风或风速较小的光照充足的天气条件下，使用普通数码相机垂直拍摄棉花冠层图像；利用数字图像技术处理将一幅冠层图像等分成6×6个大小相同的小矩形区域，统计各小矩形区域的总像素数，并提取每个像素的R、G、B值，根据背景像素特征统计各小矩形区域的背景像素数，计算各小矩形区域的孔隙率；利用孔隙率对数平均法进行棉花冠层图像的丛聚指数(CI)的获取。本发明利用普通数码相机拍摄棉花冠层数字图像，通过图像处理技术提取冠层孔隙度，根据孔隙度计算冠层叶片丛聚指数，是一种价格低廉、简便易行、快速准确的方法。

Description

一种获取棉花叶片丛聚指数的数字图像方法及系统
技术领域
本发明属于图像处理技术领域，尤其涉及一种获取棉花叶片丛聚指数的数字图像方法及系统。
背景技术
丛聚指数CI(Clumping Index)，是一个重要的植被结构参数，表征冠层叶片的空间分布集聚特征，是对相对于随机分布的植被冠层叶片丛聚水平进行量化的指标。当植被冠层叶片空间分布为随机分布时，CI为1；当冠层叶片是丛聚分布(非随机分布)时，CI小于1，且CI越小叶片越丛聚。
目前获取丛聚指数(CI)主要有两种方法。一种方法是间接法，用半球摄影、TRAC等光学仪器，通过测量冠层孔隙度、孔隙大小分布来计算CI。另一种方法是半直接法，用破坏性取样方法测定LAI真实值(LAIt)，用光学仪器测量有效叶面积指数(LAIe)，进而计算出CI。
棉花是我国重要的经济作物，叶面积指数(LAI)是描述棉花冠层结构和功能、评价棉花长势的重要参数。利用基于冠层孔隙度模型的各种商业仪器间接、非接触性测量叶面积指数是目前普遍采用的快速、有效的方法。此类间接方法假设冠层叶片的空间分布符合泊松模型，即假设冠层叶片大小均一且在空间上随机排列分布，但实际上冠层叶片几乎不可能随机分布，而是存在不同程度的丛聚状况，是此类仪器获取的LAI(有效叶面积指数，LAIe)与LAI真实值(LAIt)相比存在偏差的主要因素之一。
有学者提出用丛聚指数(CI)校正有效叶面积指数(LAIe)以获得LAI真实值(LAIt)，即LAIt＝LAIe/CI。因此，研发一种方便、可靠、快速获取冠层叶片丛聚指数的方法对准确获取棉花叶面积指数和指导棉花田间管理工作是十分必要的。
综上所述，现有技术存在的问题是：
现有技术的破坏性取样方法费工费时且影响田间冠层结构，不适于实时、连续、大量、快速测定。光学仪器方法需要使用价格相对昂贵的专业仪器，测量成本相对较高；此外，半球摄影方法对摄影时的曝光量比较敏感，如曝光过度会影响图像识别精度。
解决上述技术问题的难度：
研究一种非破坏性、价格低廉、操作简便、快速准确的丛聚指数获取方法具有一定的难度。本发明提出的用普通数码相机获取棉花冠层叶片丛聚指数的数字图像方法，具有图像获取的条件不严格、测量成本低、测定简便易行、数据可靠的优点。由于本方法基于数字图像处理技术提取的孔隙率，因此丛聚指数获取的准确性依赖于对棉花冠层图像中叶片和背景的分类精度，需要从优化图像处理算法、获取清晰图像等方面给予技术保障。
解决上述技术问题的意义：
叶面积指数(LAI)是描述棉花生长发育状况、冠层结构和功能的关键指标。研发一种方便、可靠、快速获取冠层叶片丛聚指数的方法，校正商业仪器获取的有效叶面积指数，提高仪器测定叶面积指数的精度，对于准确评价棉花长势和指导棉花生产具有重要作用。
发明内容
针对现有技术存在的问题，本发明提供了一种获取棉花叶片丛聚指数的数字图像方法及系统。
本发明是这样实现的，一种获取棉花叶片丛聚指数的数字图像方法，包括以下步骤：
第一步，将冠层图像等分成36个大小相同的小矩形区域，获取每个小矩形区域的孔隙率(P0)；
第二步，获取36个小矩形区域孔隙率的均值，再获取孔隙率该均值的自然对数值，得到
Figure BDA0002241372930000031
第三步，分别获取每个小矩形区域孔隙率的自然对数值，再获取所有小矩形区域孔隙率的自然对数值的均值，得到
Figure BDA0002241372930000032
第四步，根据丛聚指数
Figure BDA0002241372930000033
获取此冠层图像对应的棉花冠层叶片的丛聚指数。
进一步，第一步计算36个小矩形区域孔隙率前需进行：
使用普通数码相机拍摄棉花冠层图像后，进行：
利用数字图像技术处理将一幅冠层图像等分成6×6个大小相同的小矩形区域，统计各小矩形区域的总像素数，并提取每个像素的R、G、B值；像素的R、G、B值能同时满足R＜B×2.7、G＞R+5.2、B＜G－5.5三个条件时，此像素被分类识别为冠层叶片，不满足上述条件的则被分类为背景，并统计各小矩形区域的背景像素数。
再用各小矩形区域的背景像素数占总像素数的比例计算每个小矩形区域的孔隙率(P0)。
本发明的另一目的在于提供一种计算机程序产品，用于实现任意一项所述获取棉花叶片丛聚指数的数字图像方法。
本发明的另一目的在于提供一种实现所述获取棉花叶片丛聚指数的数字图像方法的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的获取棉花叶片丛聚指数的数字图像方法。
本发明的另一目的在于提供一种实现所述获取棉花叶片丛聚指数的数字图像方法的获取棉花叶片丛聚指数的数字图像处理系统。
综上所述，本发明的优点及积极效果为：
本发明的棉花叶片从聚指数的数字图像获取方法成本低廉、简便易行、快速准确，工作效率高，实用性强；
本发明的棉花叶片从聚指数的数字图像获取方法图像获取条件局限性小，适用于量化不同棉花品种、不同种植模式、不同生育时期的冠层叶片的从聚特征，识别精度高。
附图说明
图1是本发明实施例提供的获取棉花叶片丛聚指数的数字图像方法的流程图。
图2是本发明实施例提供的验证本方法的可靠性和准确性，用线性拟合的方法，分析现有技术获取的CIcalibration与本发明获取的CIimage之间的关系图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
现有技术获取丛聚指数(CI)的一种方法是用商业仪器测量有效叶面积指数(LAIe)，用破坏性取样的方法测定LAI真实值(LAIt)，进而计算出CI；另一种方法是用TRAC仪器、半球摄影，测量冠层孔隙度及孔隙大小分布以计算CI。上述方法需要使用价格相对昂贵的专业仪器，测量成本高；破坏性取样方法费工费时，不适于连续、大量测定。
针对现有技术存在的问题，本发明提供了一种获取棉花叶片丛聚指数的数字图像方法及系统，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的获取棉花叶片丛聚指数的数字图像方法包括：
S101，在无风或风速较小的光照充足的天气条件下，使用普通数码相机拍摄棉花冠层图像，拍摄时要求镜头光轴线垂直于冠层平面，镜头距冠层约1.6m，以确保拍摄的冠层图像具有空间代表性。
S102，利用数字图像技术处理将一幅冠层图像等分成6×6个大小相同的小矩形区域，统计各小矩形区域的总像素数，并提取每个像素的R、G、B值。如果一个像素的R、G、B值能同时满足R＜B×2.7、G＞R+5.2、B＜G－5.5三个条件时，此像素被分类识别为冠层叶片，不满足上述条件的则被分类为背景，并统计各小矩形区域的背景像素数。之后，用各小矩形区域的背景像素数占总像素数的比例计算每个小矩形区域的孔隙率(P0)。
S103，棉花冠层图像的丛聚指数(CI)的获取。其一，计算36个小矩形区域孔隙率的均值，之后计算ln(36个小矩形区域孔隙率的均值)；其二，先计算每个小矩形区域的ln(小矩形区域孔隙率)，之后计算ln(小矩形区域孔隙率)的均值；最后，根据丛聚指数公式计算出此图像对应的棉花冠层叶片的丛聚指数。
步骤S103中，计算ln(36个小矩形区域孔隙率的均值)，即
Figure BDA0002241372930000051
计算ln(小矩形区域孔隙率)的均值，即
Figure BDA0002241372930000052
根据丛聚指数
Figure BDA0002241372930000053
计算出此图像对应的棉花冠层叶片的丛聚指数。
下面结合具体试验对本发明作一步描述。
本发明实施例基于不同生育期、不同种植模式的棉花试验田。试验地点在新疆农垦科学院棉花研究所试验地(85 59′E，44 18′N)，供试品种为北疆主栽的新陆早45号；种植模式包括常规模式(10cm株距，66cm+10cm宽窄行，种植密度26.3万株hm-2)、等行距密植模式(6cm株距，76cm等行距，种植密度21.9万株hm-2)和等行距稀植模式(10cm株距，76cm等行距，种植密度13.2万株hm-2)3种模式。在关键生育时期使用LAI-2200冠层分析仪、普通数码相机采集棉花冠层结构信息之后破坏性取样测定LAI，测定日期为2016年的6月19日(蕾期)、7月11日(盛花期)、7月25日(盛铃前期)和8月18日(盛铃后期)。
本发明的试验数据获取的时序性、系统性强。由于棉花具有可塑性强、补偿能力强的特性，因此本发明的试验通过调整株行距配置和种植密度可以调控群体大小和个体空间分布，即可以影响冠层叶片的丛聚特征，从而为本发明提供丰富的样本数据，能够有效地验证本发明在获取棉花冠层叶片丛聚指数的准确性和适应性。
试验步骤：
(1)棉花冠层图像采集。在无风或风速较小的光照充足的天气条件下，使用普通数码相机拍摄棉花冠层图像，拍摄时要求镜头光轴线垂直于冠层平面，镜头距冠层约1.6m，以JPEG格式存储。
(2)LAI-2200冠层分析仪测定。在图像采集当天的傍晚(北京时间20﹕30—22﹕00)使用LAI-2200冠层分析仪获取有效LAI(LAIe)。测量时，操作员用背挡住太阳，用270°的视角盖挡住操作员和太阳，调整传感器至水平。
(3)破坏性取样测定。在完成上述测定内容之后立即在每个样点取3株代表性植株，将叶片分离后无重叠的平铺在标有刻度的白纸上，用数码相机垂直拍照后用数字图像处理方法计算叶片面积，计算LAI真实值(LAIt)。
综上，其一，本发明利用数字图像技术处理试验中采集的棉花冠层图像，获取棉花叶片丛聚指数CIimage。其二，依据现有技术中的CI＝LAIe/LAIt公式，用LAI-2200冠层分析仪获取的LAIe和破坏性取样方法测定的LAIt计算基于现有技术的CIcalibration。
为验证本方法的可靠性和准确性，用线性拟合的方法，分析现有技术获取的CIcalibration与本发明获取的CIimage之间的关系，由图2可见二者关系密切，决定系数为0.9104，说明本方法获取的CIimage能准确地度量棉花冠层丛聚状况。
以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种获取棉花叶片丛聚指数的数字图像方法，其特征在于，所述获取棉花叶片丛聚指数的数字图像方法包括以下步骤：
第一步，将冠层图像等分成36个大小相同的小矩形区域，获取每个小矩形区域的孔隙率P0；
第二步，获取36个小矩形区域孔隙率的均值，再获取孔隙率均值的自然对数值，得到
Figure FDA0003960050310000011
第三步，分别获取每个小矩形区域孔隙率的自然对数值，再获取所有小矩形区域孔隙率的自然对数值的均值，得到
Figure FDA0003960050310000012
第四步，根据丛聚指数
Figure FDA0003960050310000013
获取此冠层图像对应的棉花冠层叶片的丛聚指数。
2.如权利要求1所述的获取棉花叶片丛聚指数的数字图像方法，其特征在于，第一步获取36个小矩形区域孔隙率前需进行：
在无风或风速小的光照充足的天气条件下，使用普通数码相机拍摄棉花冠层图像，拍摄时要求镜头光轴线垂直于冠层平面，镜头距冠层1.6m。
3.如权利要求2所述的获取棉花叶片丛聚指数的数字图像方法，其特征在于，使用普通数码相机拍摄棉花冠层图像后，进行：
利用数字图像技术处理将一幅冠层图像等分成6×6个大小相同的小矩形区域，统计各小矩形区域的总像素数，并提取每个像素的R、G、B值；像素的R、G、B值能同时满足R＜B×2.7、G＞R+5.2、B＜G－5.5三个条件时，此像素被分类识别为冠层叶片，不满足上述条件的则被分类为背景，并统计各小矩形区域的背景像素数；
再用各小矩形区域的背景像素数占总像素数的比例计算每个小矩形区域的孔隙率(P0)。
4.一种实现权利要求1～3任意一项所述获取棉花叶片丛聚指数的数字图像方法的信息数据处理终端。
5.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-3任意一项所述的获取棉花叶片丛聚指数的数字图像方法。
6.一种实现权利要求1～3任意一项所述获取棉花叶片丛聚指数的数字图像方法的获取棉花叶片丛聚指数的数字图像处理系统。
CN201911001192.7A 2019-10-21 2019-10-21 一种获取棉花叶片丛聚指数的数字图像方法及系统 Active CN110674453B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911001192.7A CN110674453B (zh) 2019-10-21 2019-10-21 一种获取棉花叶片丛聚指数的数字图像方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911001192.7A CN110674453B (zh) 2019-10-21 2019-10-21 一种获取棉花叶片丛聚指数的数字图像方法及系统

Publications (2)

Publication Number Publication Date
CN110674453A CN110674453A (zh) 2020-01-10
CN110674453B true CN110674453B (zh) 2023-03-14

Family

ID=69083251

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911001192.7A Active CN110674453B (zh) 2019-10-21 2019-10-21 一种获取棉花叶片丛聚指数的数字图像方法及系统

Country Status (1)

Country Link
CN (1) CN110674453B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114973024A (zh) * 2022-04-15 2022-08-30 石河子大学 一种机采棉脱叶效果综合评价指标监测与评价方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102788752A (zh) * 2012-08-08 2012-11-21 江苏大学 基于光谱技术的农作物内部信息无损检测装置及方法
CN102855625A (zh) * 2012-08-02 2013-01-02 浙江大学 一种半球摄影法获取水稻冠层丛生指数的方法
ITMI20130185A1 (it) * 2013-02-08 2014-08-09 Univ Degli Studi Milano Metodo ed apparecchiatura elettronica per la determinazione di indice area fogliare

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855625A (zh) * 2012-08-02 2013-01-02 浙江大学 一种半球摄影法获取水稻冠层丛生指数的方法
CN102788752A (zh) * 2012-08-08 2012-11-21 江苏大学 基于光谱技术的农作物内部信息无损检测装置及方法
ITMI20130185A1 (it) * 2013-02-08 2014-08-09 Univ Degli Studi Milano Metodo ed apparecchiatura elettronica per la determinazione di indice area fogliare

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
利用数字图像估测棉花叶面积指数;王方永等;《生态学报》;20110608(第11期);全文 *
基于红外热图像的棉花冠层水分胁迫指数与光合特性的关系;程麒等;《棉花学报》;20120715(第04期);全文 *

Also Published As

Publication number Publication date
CN110674453A (zh) 2020-01-10

Similar Documents

Publication Publication Date Title
CN109840549B (zh) 一种病虫害识别方法和装置
CN108765433A (zh) 一种用于提高精度的多叶面积测量方法
CN113221765B (zh) 一种基于数字相机影像有效像元的植被物候期提取方法
KR20180057785A (ko) 영상분석을 통한 어류 개체수 측정 시스템 및 그 측정방법
CN111751376B (zh) 一种基于冠层图像特征衍生的水稻氮素营养估算方法
CN109827957B (zh) 一种基于计算机视觉的水稻叶片spad值估测方法及系统
CN113656757A (zh) 一种基于氧气浓度变化规律的林业碳汇量计量方法
CN103778630A (zh) 基于android的田间病害程度图像识别方法
CN111462058A (zh) 一种水稻有效穗快速检测方法
KR20210066036A (ko) 초분광센서와 토양 함수율 센서를 이용한 토양 가뭄 모니터링 방법
CN110674453B (zh) 一种获取棉花叶片丛聚指数的数字图像方法及系统
CN114140695B (zh) 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统
CN115527130A (zh) 草原害鼠鼠密度调查方法及智能评估系统
CN109030488B (zh) 藻类生物量检测方法及装置
CN105574516B (zh) 可见光图像中基于logistic回归的观赏凤梨叶绿素检测方法
CN114782840A (zh) 一种基于无人机rgb影像的小麦物候期实时分类方法
CN104331889A (zh) 基于图像解译技术的水土保持监测方法
CN109960972B (zh) 一种基于中高分辨率时序遥感数据的农林作物识别方法
CN115034693B (zh) 基于物联网的生物信息数据安全管理方法、系统及存储介质
CN116258844A (zh) 一种棉花叶片表型性状快速精准鉴定方法
CN111814585A (zh) 无人机近地空作物苗情遥感监测方法、装置及存储介质
CN111191543A (zh) 油菜产量估测方法
CN113361952B (zh) 一种芦苇生长情况评估方法
Smith et al. A comparison of ground-based methods for obtaining large-scale, high-resolution data on the spring leaf phenology of temperate tree species
Wang et al. Study on estimation method of plant leaf area based on image processing technology

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