CN111292231A - 基于拼接图像的高通量植物表型特征提取方法 - Google Patents
基于拼接图像的高通量植物表型特征提取方法 Download PDFInfo
- Publication number
- CN111292231A CN111292231A CN201811389159.1A CN201811389159A CN111292231A CN 111292231 A CN111292231 A CN 111292231A CN 201811389159 A CN201811389159 A CN 201811389159A CN 111292231 A CN111292231 A CN 111292231A
- Authority
- CN
- China
- Prior art keywords
- image
- soybean
- height
- parameters
- images
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 19
- 244000068988 Glycine max Species 0.000 claims abstract description 49
- 235000010469 Glycine max Nutrition 0.000 claims abstract description 45
- 241000196324 Embryophyta Species 0.000 claims abstract description 15
- 230000015784 hyperosmotic salinity response Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000000877 morphologic effect Effects 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 7
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 3
- 150000003839 salts Chemical class 0.000 abstract description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003976 plant breeding Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06T7/10—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
- G06T7/60—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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于拼接图像的高通量植物表型特征提取方法，包括以下步骤：步骤a：自动采集温室内大豆苗的顶视图，筛选完成图像拼接后生成密度点云文件，然后生成正射投影图像及高度图像；步骤b：对正射投影图进行图像处理，获取大豆的形态参数、颜色参数及耐盐特征；步骤c：对高度图像进行图像处理，获取大豆株高参数；步骤d：采用模糊综合评判方法建立大豆耐盐表型与所提取的图像参数的预测模型；本发明能够实现对大豆苗的外观形态、颜色变化、盐害变化特征的检测与提取，且能够根据结果自动判断大豆耐盐等级。
Description
技术领域
本发明属于植物育种栽培技术领域，更具体地，涉及一种基于拼接图像的高通量植物表型特征提取方法。
背景技术
目前在大豆种植过程，需要依靠人工实验来实现对大豆耐盐等级的判断，这样一来，在大豆耐盐等级判断过程中，存在费时费力的缺点，且存在自动化程度低的缺点。
发明内容
针对上述问题，本发明要解决的技术问题是提供一种基于拼接图像的高通量植物表型特征提取方法，其能够实现对大豆苗的外观形态、颜色变化、盐害变化特征的检测与提取，且能够根据结果自动判断大豆耐盐等级。
本发明的基于拼接图像的高通量植物表型特征提取方法，包括以下步骤：
步骤a：自动采集温室内大豆苗的顶视图，筛选完成图像拼接后生成密度点云文件，然后生成正射投影图像及高度图像；
步骤b：对正射投影图进行图像处理，获取大豆的形态参数、颜色参数及耐盐特征；
步骤c：对高度图像进行图像处理，获取大豆株高参数；
步骤d：采用模糊综合评判方法建立大豆耐盐表型与所提取的图像参数的预测模型。
本发明的基于拼接图像的高通量植物表型特征提取方法，其中，步骤a具体为：相机以合适的速度自动移动，利用图像自动采集系统定期采集温室内大豆苗的顶视图，并使得图像在X方向和Y方向上的重合度在大于50%并小于100%的范围内，对自动采集得到的图像进行筛选，去除拐弯处由于横向移动采集的多余图像，然后根据图像自动采集系统完成对每副图像中心坐标的计算，利用图像拼接软件将图像和坐标文件导入并对齐，接着设置好标记点坐标，生成密度点云文件，最终生成大豆高度图像和正射投影图像。
本发明的基于拼接图像的高通量植物表型特征提取方法，其中，步骤b具体为：在RGB空间，分别利用R、G、B分量组合生成ExG=2G-R-B分量和ExR=1.4*R-G-B分量，然后得到分割图像背景分量ExV=ExG-ExR；接着选择合适的阈值去除背景，并且去除大豆苗周围面积区域，填充大豆苗叶片内部小面积孔洞，并完成分割与标记，最后提取完成分割与标记后的图像中的大豆苗的形态参数、颜色参数和耐盐特征。
本发明的基于拼接图像的高通量植物表型特征提取方法，其中，步骤c具体为：自动分割并标记图像高度，提取图像中每株大豆苗最高点数值与塑料管支架平面高度值并相减，所得差值再减去塑料管高出支架的高度值得到大豆苗高度h。
本发明的基于拼接图像的高通量植物表型特征提取方法，其中，步骤d具体为：利用PCA方法选择与耐盐基因相关的表型特征参数Area、ExV 、Saturation、Ratio、Blue并与大豆耐盐基因表现建立预测模型。
本发明能够实现对大豆苗的外观形态、颜色变化、盐害变化特征的检测与提取，且能够根据结果自动判断大豆耐盐等级。
附图说明
为了易于说明，本发明由下述的具体实施及附图作以详细描述。
图1为本发明的流程图；
图2为图像自动采集系统中的相机移动时的路径图。
具体实施方式
以下将以图式揭露本发明的多个实施方式，为明确说明起见，许多实务上的细节将在以下叙述中一并说明。然而，应了解到，这些实务上的细节不应用以限制本发明。也就是说，在本发明的部分实施方式中，这些实务上的细节是非必要的。此外，为简化图式起见，一些习知惯用的结构与组件在图式中将以简单的示意的方式绘示之。
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，并非特别指称次序或顺位的意思，亦非用以限定本发明，其仅仅是为了区别以相同技术用语描述的组件或操作而已，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本发明的基于拼接图像的高通量植物表型特征提取方法，包括以下步骤：
步骤a：自动采集温室内大豆苗的顶视图，筛选完成图像拼接后生成密度点云文件，然后生成正射投影图像及高度图像；
步骤b：对正射投影图进行图像处理，获取大豆的形态参数、颜色参数及耐盐特征；
步骤c：对高度图像进行图像处理，获取大豆株高参数；
步骤d：采用模糊综合评判方法建立大豆耐盐表型与所提取的图像参数的预测模型。
在上述内容中，步骤a的具体步骤为：如图2所示，相机以合适的速度自动移动，即相机沿如图2所示的路径进行移动，利用图像自动采集系统定期采集温室内大豆苗的顶视图，并使得图像在X方向和Y方向上的重合度在大于50%并小于100%的范围内，对自动采集得到的图像进行筛选，去除拐弯处由于横向移动采集的多余图像，然后根据图像自动采集系统完成对每副图像中心坐标的计算，利用图像拼接软件将图像和坐标文件导入并对齐，接着设置好标记点坐标，生成密度点云文件，最终生成大豆高度图像和正射投影图像。
在上述内容中，步骤b的具体步骤为：在RGB空间，分别利用R、G、B分量组合生成ExG=2G-R-B分量和ExR=1.4*R-G-B分量，然后得到分割图像背景分量ExV=ExG-ExR；接着选择合适的阈值去除背景，并且去除大豆苗周围面积区域，填充大豆苗叶片内部小面积孔洞，并完成分割与标记，最后提取完成分割与标记后的图像中的大豆苗的形态参数、颜色参数和耐盐特征。
在上述内容中，步骤c的具体步骤为：自动分割并标记图像高度，提取图像中每株大豆苗最高点数值与塑料管支架平面高度值并相减，所得差值再减去塑料管高出支架的高度值得到大豆苗高度h。
在上述内容中，步骤d的具体步骤为：利用PCA方法选择与耐盐基因相关的表型特征参数Area、ExV 、Saturation、Ratio、Blue并与大豆耐盐基因表现建立预测模型。
上所述仅为本发明的实施方式而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理的内所作的任何修改、等同替换、改进等，均应包括在本发明的权利要求范围之内。
Claims (5)
1.一种基于拼接图像的高通量植物表型特征提取方法，其特征在于，包括以下步骤：
步骤a：自动采集温室内大豆苗的顶视图，筛选完成图像拼接后生成密度点云文件，然后生成正射投影图像及高度图像；
步骤b：对正射投影图进行图像处理，获取大豆的形态参数、颜色参数及耐盐特征；
步骤c：对高度图像进行图像处理，获取大豆株高参数；
步骤d：采用模糊综合评判方法建立大豆耐盐表型与所提取的图像参数的预测模型。
2.根据权利要求1所述的基于拼接图像的高通量植物表型特征提取方法，其特征在于：所述步骤a具体为：相机以合适的速度自动移动，利用图像自动采集系统定期采集温室内大豆苗的顶视图，并使得图像在X方向和Y方向上的重合度在大于50%并小于100%的范围内，对自动采集得到的图像进行筛选，去除拐弯处由于横向移动采集的多余图像，然后根据图像自动采集系统完成对每副图像中心坐标的计算，利用图像拼接软件将图像和坐标文件导入并对齐，接着设置好标记点坐标，生成密度点云文件，最终生成大豆高度图像和正射投影图像。
3.根据权利要求1所述的基于拼接图像的高通量植物表型特征提取方法，其特征在于：所述步骤b具体为：在RGB空间，分别利用R、G、B分量组合生成ExG=2G-R-B分量和ExR=1.4*R-G-B分量，然后得到分割图像背景分量ExV=ExG-ExR；接着选择合适的阈值去除背景，并且去除大豆苗周围面积区域，填充大豆苗叶片内部小面积孔洞，并完成分割与标记，最后提取完成分割与标记后的图像中的大豆苗的形态参数、颜色参数和耐盐特征。
4.根据权利要求1所述的基于拼接图像的高通量植物表型特征提取方法，其特征在于：所述步骤c具体为：自动分割并标记图像高度，提取图像中每株大豆苗最高点数值与塑料管支架平面高度值并相减，所得差值再减去塑料管高出支架的高度值得到大豆苗高度h。
5.根据权利要求1所述的基于拼接图像的高通量植物表型特征提取方法，其特征在于：所述步骤d具体为：利用PCA方法选择与耐盐基因相关的表型特征参数Area、ExV 、Saturation、Ratio、Blue并与大豆耐盐基因表现建立预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811389159.1A CN111292231A (zh) | 2018-11-21 | 2018-11-21 | 基于拼接图像的高通量植物表型特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811389159.1A CN111292231A (zh) | 2018-11-21 | 2018-11-21 | 基于拼接图像的高通量植物表型特征提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111292231A true CN111292231A (zh) | 2020-06-16 |
Family
ID=71025415
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811389159.1A Pending CN111292231A (zh) | 2018-11-21 | 2018-11-21 | 基于拼接图像的高通量植物表型特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111292231A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101881726A (zh) * | 2010-06-18 | 2010-11-10 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
| CN106651900A (zh) * | 2016-12-27 | 2017-05-10 | 中国农业大学 | 一种基于轮廓分割的高架原位草莓三维建模方法 |
| CN107154049A (zh) * | 2017-05-19 | 2017-09-12 | 中国农业科学院农业环境与可持续发展研究所 | 一种基于颜色信息的蔬菜叶片病斑分割方法及服务器 |
| CN108647652A (zh) * | 2018-05-14 | 2018-10-12 | 北京工业大学 | 一种基于图像分类和目标检测的棉花发育期自动识别方法 |
-
2018
- 2018-11-21 CN CN201811389159.1A patent/CN111292231A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101881726A (zh) * | 2010-06-18 | 2010-11-10 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
| CN106651900A (zh) * | 2016-12-27 | 2017-05-10 | 中国农业大学 | 一种基于轮廓分割的高架原位草莓三维建模方法 |
| CN107154049A (zh) * | 2017-05-19 | 2017-09-12 | 中国农业科学院农业环境与可持续发展研究所 | 一种基于颜色信息的蔬菜叶片病斑分割方法及服务器 |
| CN108647652A (zh) * | 2018-05-14 | 2018-10-12 | 北京工业大学 | 一种基于图像分类和目标检测的棉花发育期自动识别方法 |
Non-Patent Citations (6)
| Title |
|---|
| JIANFENG ZHOU ET AL.: "Development of an automated phenotyping platform for quantifying soybean dynamic responses to salinity stress in greenhouse environment" * |
| JING ZHOU ET AL.: "Evaluation of the performance of machine learning methods in soybean segmentation for image-based high-throughput phenotyping in greenhouse" * |
| 刘翠红;陈丽君;吕长义;任文涛;: "基于图像处理技术的水稻株型参数测量算法" * |
| 汤晓东;刘满华;赵辉;陶卫;: "复杂背景下的大豆叶片识别" * |
| 牛庆林;冯海宽;杨贵军;李长春;杨浩;徐波;赵衍鑫;: "基于无人机数码影像的玉米育种材料株高和LAI监测" * |
| 邹德堂;郭微;孙健;王敬国;刘化龙;郑洪亮;赵宏伟;谢冬微;: "水稻不同基因型耐盐相关性状主成分分析及综合评价" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110807496B (zh) | 一种密集目标检测方法 | |
| US9076219B2 (en) | Space segmentation method for 3D point clouds | |
| CN109767445B (zh) | 一种高精度的pcb缺陷智能检测方法 | |
| CN108257185A (zh) | 多棋盘格角点检测方法及摄像机标定方法 | |
| CN112132153B (zh) | 基于聚类和形态学处理的番茄果实识别方法及系统 | |
| CN103020970A (zh) | 玉米果穗图像籽粒分割方法 | |
| CN103606153B (zh) | 一种从粪便显微图像中提取细胞的方法 | |
| CN105678749B (zh) | 一种基于视觉的鲜鱼方向判别方法 | |
| CN105160682B (zh) | 图像边缘检测方法及装置 | |
| CN104850832B (zh) | 一种基于分级迭代的大规模图像样本标注方法及系统 | |
| CN112861654B (zh) | 一种基于机器视觉的名优茶采摘点位置信息获取方法 | |
| CN102509264B (zh) | 一种基于图像分割的扫描图像去灰尘方法 | |
| CN112395984B (zh) | 一种用于无人驾驶农业机械的苗列导航线检测方法 | |
| CN106780504B (zh) | 一种基于距离保持水平集的牛肉图像中背长肌自动分割方法 | |
| CN102750538A (zh) | 一种基于图像处理技术的围棋比赛结果分析方法 | |
| CN108182707B (zh) | 采集不完整条件下的棋盘格标定模板及其自动识别方法 | |
| CN113313692B (zh) | 一种基于航拍可见光图像的香蕉幼株自动识别与计数方法 | |
| CN110473174B (zh) | 一种基于图像计算铅笔精确数目的方法 | |
| CN114066842A (zh) | 穗头数统计方法、系统、装置及存储介质 | |
| CN106683098B (zh) | 一种重叠叶片图像的分割方法 | |
| CN115880683B (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 | |
| CN102663781A (zh) | 一种基于视觉的亚像素级焊缝中心提取方法 | |
| CN114842187A (zh) | 基于融合热力图像和rgb图像的茶叶嫩芽采摘点定位方法 | |
| CN108256385A (zh) | 基于视觉的前方车辆检测方法 | |
| CN107464214B (zh) | 生成太阳能电站全景图的方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200616 |
|
| RJ01 | Rejection of invention patent application after publication |