CN111639572A - 一种藤本月季高效花量估测的方法 - Google Patents
一种藤本月季高效花量估测的方法 Download PDFInfo
- Publication number
- CN111639572A CN111639572A CN202010442666.8A CN202010442666A CN111639572A CN 111639572 A CN111639572 A CN 111639572A CN 202010442666 A CN202010442666 A CN 202010442666A CN 111639572 A CN111639572 A CN 111639572A
- Authority
- CN
- China
- Prior art keywords
- image
- flower
- pixels
- vine
- pixel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims abstract description 40
- 230000004720 fertilization Effects 0.000 claims abstract description 28
- 241000196324 Embryophyta Species 0.000 claims abstract description 24
- 238000011282 treatment Methods 0.000 claims abstract description 22
- 240000008254 Rosa chinensis Species 0.000 claims abstract description 12
- 235000000664 Rosa chinensis Nutrition 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 238000012423 maintenance Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 39
- 230000000694 effects Effects 0.000 claims description 12
- 241000220317 Rosa Species 0.000 claims description 10
- 241000109329 Rosa xanthina Species 0.000 claims description 9
- 235000004789 Rosa xanthina Nutrition 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 235000000100 Hibiscus rosa sinensis Nutrition 0.000 claims description 4
- 235000016785 Rosa della China Nutrition 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 230000035784 germination Effects 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 240000000233 Melia azedarach Species 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 4
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 10
- 229920000742 Cotton Polymers 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 5
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 5
- 229910052757 nitrogen Inorganic materials 0.000 description 5
- 229910052698 phosphorus Inorganic materials 0.000 description 5
- 239000011574 phosphorus Substances 0.000 description 5
- 239000011591 potassium Substances 0.000 description 5
- 229910052700 potassium Inorganic materials 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 241000919496 Erysimum Species 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 235000013162 Cocos nucifera Nutrition 0.000 description 1
- 244000060011 Cocos nucifera Species 0.000 description 1
- 241000218922 Magnoliophyta Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 239000010903 husk Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000003415 peat Substances 0.000 description 1
- 235000019362 perlite Nutrition 0.000 description 1
- 239000010451 perlite Substances 0.000 description 1
- 108090000765 processed proteins & peptides Proteins 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种藤本月季高效花量估测的方法，所述方法包括：A、选用藤本月季苗，进行常规养护管理；B、在盛花期时对花进行航拍，获得目标图片；C、对目标图片进行等像素切割；D、步骤C处理后的图片的背景进行去噪处理，得到花的彩色图像；E、读取花的彩色图像，存入变量I中；F、对获得的变量I的通道R进行灰度化处理；G、对步骤F处理后的图像进行自动阈值分割为二值化图像T，统计二值化图像T中所有的像素个数中像素为255的个数，并得到花占比。通过采用本发明的花量估计方法，能用于计算不同施肥处理下开花量所占花像素值以及其花占比，与其单株开花量统计的趋势相吻合，可作为判断施肥对花量影响快速诊断方法和辅助指标。
Description
技术领域
本发明属于景观效果评价技术领域，具体涉及一种藤本月季高效花量估测的方法，尤其涉及一种藤本月季‘安吉拉’的高效花量估测的方法。
背景技术
随着目前城市化高度发展，建设用地与绿化用地之间的矛盾日渐明显，而藤本月季耐粗放管理，具有高开花品质等优点，已获得越来越多人们的关注，已成为目前城市垂直绿化中不可或缺的绿化材料。
目前国内对于观赏开花植物的景观评价仍缺乏标准的判断，以往的景观效果评价中，往往通过统计开花枝数、单枝开花数、单花直径以及单株开花数等外观形态数据对其综合进行判断。上述统计方法仅应用于单株的测量中，存在应用范围较小，无法应用至整体的景观效果评价的问题，故需寻找花朵开花量的估测方法对其整体景观效果进行数值化估算，为整体景观效果的评价判断提供依据。
据检索，现有专利文献CN107832655A公开了一种基于无人机近地面成像的航拍系统及其棉花产量估测方法：搭建无人机近地面航拍系统；飞行过程中通过航拍相机采集棉田的高清视频流；采用数字图像处理手段拆分，拼接视频流得到全景图；选取合适的样本区域，截取该样本区域数字图像，并采收该区域棉花，测量实际产量；通过图像训练方法，对该区域的数字图像和棉花实际产量进行分析，得到棉花产量与数字图像的关系。计算出被测棉田的总产量；本发明是一套系统、完整、快速的棉田产量估测方法，相较于传统人工估产方法估测速度和成本上具有明显优势，相较于基于卫星遥感的估测方法，实施成本低，快速灵活，估测更为准确。但是，该方法是利用经过样本训练过的估产模型，得到整个被测区域的棉花产量。而对于观赏园艺植物的开花量计算方法一直未有相关的标准和相关估产模型，故本方法通过阈值分割计算估测其开花值，为进一步观赏园艺植物估计的应用提供一个理论基础。
发明内容
本发明的目的是为了克服现有技术的不足，提供一种藤本月季高效花量估测的方法；该方法提出了有效开花量的估计方法，为整体景观效果的评价判断提供依据。
本发明的目的是通过以下技术方案实现的：
本发明提供了一种藤本月季高效花量估测的方法，所述方法包括以下步骤：
A、选用藤本月季苗，进行常规养护管理；
B、在盛花期时利用无人机对花进行航拍，获得目标图片；
C、对目标图片进行等像素切割；
D、对步骤C处理后的图片的背景进行去噪处理，仅保留叶片和花朵，得到花的彩色图像；
E、读取花的彩色图像，存入变量I中，所述变量I为三维矩阵，I＝[a,b,c]，其中a,b,c分别代表花墙彩色图像的三个通道B、G、R；
F、对步骤E处理后获得的变量I的通道R进行灰度化处理；
G、对步骤F处理后的图像进行自动阈值分割为二值化图像T，统计二值化图像T中所有的像素个数S(总像素值)中像素为255的个数F(花像素值)，并得到花占比F/S。
优选地，步骤A中，所述藤本月季苗为2年生苗，所述藤本月季的品种包括安吉拉；所述常规养护管理中，在早春发芽前将试验植株修剪高度保持在14-16cm。
优选地，步骤B中，所述航拍的拍摄高度为：距盆栽的顶端高度2.8-3.2m处。若距盆栽的顶端高度过小时，可能无法全覆盖开花面积，造成部分地区数据缺失。若距盆栽的顶端高度过大时，则无法进行准确对焦，目标图片模糊，像素较低，影响计算结果。
步骤B中，所述航拍具体是：当盆栽放置在水平面时，航拍的角度为与水平面平行；当盆栽放置在竖直墙面时，航拍的角度为与竖直墙面平行。
优选地，步骤C中，所述等像素切割采用的切割像素值为900×283像素值。
优选地，步骤D中，所述去噪处理的方式为：利用PS软件中的魔棒及橡皮擦工具去除颜色复杂的背景。
优选地，步骤E中，所述读取的方法为：调用OpenCV库的imread函数，读取花墙彩色图像，存入变量I中，I为三维矩阵；并调用OpenCV库中的split函数，将变量I的三通道分离为B(蓝色)，G(绿色)，R(红色)。
优选地，步骤F中，所述灰度化处理为：调用OpenCV库中cvtColor函数，将变量I灰度化。
优选地，步骤G中，所述自动阈值分割为二值化图像T的具体步骤为：针对变量I分离的R(红色)通道进行操作，采用大津算法进行自动阈值分割，即将R(红色)通道的阈值分割为二值图像T，所述二值图像T中矩阵的值为0或255，其中像素值为0时图片呈黑色，像素值为255时图片呈白色。
优选地，所述大津算法的具体步骤为：
S1、计算所述R(红色)通道图像的直方图，即将图像所有的像素值按照0-255共
256个bin，统计落在每个bin的像素点数量；
S2、归一化步骤S1的直方图，即通过将每个bin中像素点数量除以总的像素点数量
获得；
S3、通过归一化的直方图，统计0～i灰度级的像素(假设像素值在此范围的像素叫做
前景像素)所占整幅图像的比例w0，并统计前景像素的平均灰度u0；统计i～255灰
度级的像素(假设像素值在此范围的像素叫做背景像素)所占整幅图像的比例w1，
并统计背景像素的平均灰度u1，所述背景像素为在i～255灰度级的像素范围内的像
素；其中i表示分类的阈值，即一个灰度级，i取值为1～255；
S4、计算前景像素和背景像素的方差g＝w0*w1*(u0-u1)(u0-u1)；
S5、i++；转到S4，直到i为256时结束迭代；即当i为0灰度级进行计算获得g后，
再启动i为1灰度级进行计算获得g，以此类推，直至i为255；
S6、将最大g相应的i值作为图像的全局阈值，然后确定图像中每个像素点应该属
于目标区域还是背景区域，从而产生相应的二值图像T，然后进行阈值分割，获得
花像素值F和总像素值S。阈值分割后只剩下两种像素值，0和255。255为白色，
即为花；0为黑色即为背景，总像素值S是分割后二值图像T的总像素和。
一种根据前述的方法在评估藤本月季施肥效果中的应用，所述方法包括以下步骤：
A1、选用藤本月季苗，进行常规养护管理，并进行不同施肥处理；
B1、对不同施肥处理的藤本月季进行权利要求1所述的步骤B-G的处理；
C1、对比各施肥处理通过步骤B1获得的像素为255的个数F，从而得到最佳施肥处理的方法。
现有技术相比，本发明具有如下的有益效果：
1、本方法提出了一种对藤本月季尤其是‘安吉拉’开花量快速估测方法，在自然环境下采集盛开期图像，根据图像对复杂背景区域剔除，在对不同区域的色彩特征选定不同阈值，获得花朵开花量数据，完成快速准确的开花量估测。
2、本发明提供了一种藤本月季‘安吉拉’高效花量估测的方法，相比较于传统的景观效果统计数据，能够对整体开花进行开花量的估计，同时通过计算机计算提高统计效率并节省统计时间。
3、本发明方法通过计算不同施肥处理下其开花量所占花像素值以及其花占比，其结果与其单株开花量统计的趋势相吻合，其估测结果可作为判断不同施肥对花量影响的快速诊断方法的辅助指标，为整体景观效果的评价判断提供依据。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为盛花期航拍下不同施肥处理下景观效果；
图2为灰度化处理后不同施肥处理下景观效果；
图3为对照组归一化后的直方图；
图4为实验组归一化后的直方图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
实施例1
本实施例涉及一种藤本月季‘安吉拉’高效花量评估方法，所述方法包括以下步骤：
A.选用藤本月季‘安吉拉’2年生扦插苗，种植于泥炭：椰糠：珍珠岩＝2:1:1的混合基质中，栽培容器统一选用26×28cm塑料花盆，每盆1株。早春发芽前将试验植株修剪高度保持15cm；
B.设置试验组和对照组两组施肥处理，试验组施肥处理为单盆施氮2.7g，磷1.05g和钾7.2g，对照组为不施肥。
C.盛花期时在距盆栽高度约3m处利用无人机对花进行航拍，获得试验组和对照组的目标图片；
D.对试验组和对照组的目标图片分别采用像素值900×283进行等像素切割，其目的是保证图片间总像素值相同；
E.利用PS软件中的魔棒及橡皮擦工具对等像素切割后的图片的背景进行去噪处理处理。用于去除土壤，地面以及花盆等颜色较为复杂背景精细抠图处理，仅保留叶片和花朵部分的颜色；所得的精细抠图处理后的试验组和对照组的图片如图1所示；
F.调用OpenCV库的imread函数，分别读取步骤E所得试验组和对照组精细抠图处理后的图片的花墙彩色图像，存入变量I中，所述I为三维矩阵，I＝[a,b,c]，其中a,b,c分别代表花墙彩色图像的三个通道B(蓝色)、G(绿色)、R(红色)；
G.调用OpenCV库中的split函数，将一个多通道数组分离成几个单通道数组。故将试验组和对照组的变量I各分离为B，G，R三个单通量数据；
H.调用OpenCV库中cvtColor函数，将变量I灰度化。由于藤本月季‘安吉拉’花色属红色，故将变量I灰度化的操作具体为仅对试验组和对照组的图像中R(红色)通道进行灰度化操作；处理后的图片如图2所示；
I.采用大津算法(OSTU)进行自动阈值分割，具体为将步骤H灰度化后获得的R阈值分割为二值化图像T(即图像像素值为0或255，背景的像素值为“0”时—图片呈黑色，前景的像素值为“255”时—图片呈白色)；
所述OSTU算法的步骤具体为：
a)先计算图像的直方图，即将图像所有的像素值按照0-255共256个bin，统计落在每个bin的像素点数量；
b)将每个bin的像素点数量除以总的像素点数量，即得归一化后的直方图，如图3和图4所示；
c)通过归一化的直方图，统计0～i灰度级的像素(假设在S1中得到像素值在R通道的像素叫做前景像素)所占整幅图像的比例w0，并统计前景像素的平均灰度u0；统计i～255灰度级的像素(假设像素值在此范围的像素叫做背景像素)所占整幅图像的比例w1，并统计背景像素的平均灰度u1；所述背景像素为在i～255灰度级的像素范围内的像素；其中i表示分类的阈值，即一个灰度级，i取值为1～255；
d)计算前景像素和背景像素的方差g＝w0*w1*(u0-u1)(u0-u1)；
e)i++；转到4)，直到i为256时结束迭代；
f)将对照组最大g相应的i＝101作为该图像的全局阈值；试验组组最大g相应的i＝105作为该图像的全局阈值，获得全局阈值后，以确定图像中每个像素点应该属于目标区域还是背景区域，从而产生相应的二值图像T，然后进行阈值分割后只剩下两种像素值，0和255。255为白色，即为花；0为黑色即为背景，总像素值S是分割后T的总像素和。由此获得花像素值F和总像素值S。
J.统计二值化图像T中所有的像素个数S(即图3和图4所示矩阵行列的乘积)，像素值为255(即花墙图像中的花)的个数F，F/S即为花墙所占比重数，具体结果如表1所示。
K.于同一时期对随机取对照和实验组月季10株，对其植株所有开花花朵进行计数，计算平均值。
表1二值化后盛花期航拍下不同施肥处理开花量
结合图1，图2可看出，本试验中对照组开花数、开花直径及叶片数等均极显著低于试验组，并由表1可以看出，对照组花像素为121388pixel，花占比为36.56％，试验组花像素为240597pixel，花占比为49.66％，试验组较对照组开花量有效提升185％，花占比较对照有效提升149％。由于受到拍摄角度以及花朵间的相互叠加等因素的影响，图片所呈现的仅为同一平面上开花量大小，但是该结果仍可作为判断施肥对开花量影响的快速诊断方法和指标。
实施例2
本实施例涉及一种藤本月季‘安吉拉’高效花量评估方法，采用与实施例1基本相同的步骤进行，不同之处仅在于：本实施例中，步骤B为：设置试验组施肥处理为以下方案：
试验组A：单盆施氮5.4g，磷2.10g。
试验组B：单盆施氮5.4g，钾7.2g。
试验组C：单盆施磷2.10g，钾7.2g。
试验组D：单盆施氮8.1g，磷2.10g和钾7.2g。
试验组E：单盆施氮5.4g，磷2.10g和钾10.8g。
由此获得各试验组的开花量数据如表2所示。同时通过对样本进行计数，获得的不同试验组的单株开花数结果如表3所示。
表2二值化后盛花期航拍下不同施肥处理开花量
表3盛花期下不同施肥处理单株开花数
由上述的表2可见，不同施肥试验组均出现不同开花量计算，该实施例中有试验组出现部分样本死亡现象，故各试验组中所除以样本数N不一，因此用平均单盆花像素进行对比计算。其中试验组A样本数为17株，试验组B样本数为16株，试验组C样本数为20株，试验组D样本数为14株，试验组E样本数为16株。其中不同施肥试验处理中：试验组A平均单盆花像素为4803.1pixel；试验组B平均单盆花像素为5082.5pixel，试验组C平均单盆花像素为6873.7pixel，试验组D平均单盆花像素为7056.8pixel，试验组E平均单盆花像素为9267.6pixel。
由上述的表3可见，不同施肥试验组其平均单株开花数不同，其中不同施肥试验处理中：试验组A单株开花数为76.3朵；试验组B单株开花数为90.4朵，试验组C单株开花数为101.1朵，试验组D单株开花数为111.6朵，试验组E单株开花数为262.1朵。
结合表2，表3可看出，本实施例中不同施肥处理下其开花数不同，所对应花像素也不同，且开花数和花像素之间均呈对应关系，故本结果可证明本方法可作为判断不同施肥对开花量影响的快速诊断方法和辅助指标。
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式。应当指出，以上实施例仅用于说明本发明，而并不用于限制本发明的保护范围。对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进，这些改进也应视为本发明的保护范围。
Claims (10)
1.一种藤本月季高效花量估测的方法，其特征在于，所述方法包括以下步骤：
A、选用藤本月季苗，进行常规养护管理；
B、在盛花期时对花进行航拍，获得目标图片；
C、对目标图片进行等像素切割；
D、对步骤C处理后的图片的背景进行去噪处理，仅保留叶片和花朵，得到花的彩色图像；
E、读取花的彩色图像，存入变量I中，所述变量I为三维矩阵，I＝[a,b,c]，其中a,b,c分别代表花墙彩色图像的三个通道B、G、R；
F、对步骤E处理后获得的变量I的通道R进行灰度化处理；
G、对步骤F处理后的图像进行自动阈值分割为二值化图像T，统计二值化图像T中所有的像素个数S中像素为255的个数F，并得到花占比F/S。
2.根据权利要求1所述的藤本月季高效花量估测的方法，其特征在于，步骤A中，所述藤本月季苗为2年生苗，所述藤本月季的品种包括安吉拉；所述常规养护管理中，在早春发芽前将试验植株修剪高度保持在14-16cm。
3.根据权利要求1所述的藤本月季高效花量估测的方法，其特征在于，步骤B中，所述航拍的拍摄高度为：距盆栽的顶端高度2.8-3.2m处。
4.根据权利要求1所述的藤本月季高效花量估测的方法，其特征在于，步骤C中，所述等像素切割采用的切割像素值为900×283像素值。
5.根据权利要求1所述的藤本月季高效花量估测的方法，其特征在于，步骤D中，所述去噪处理的方式为：利用PS软件中的魔棒及橡皮擦工具去除颜色复杂的背景。
6.根据权利要求1所述的藤本月季高效花量估测的方法，其特征在于，步骤E中，所述读取的方法为：调用OpenCV库的imread函数，读取花墙彩色图像，存入变量I中，I为三维矩阵；并调用OpenCV库中的split函数，将变量I分离为三通道：B，G，R。
7.根据权利要求1所述的藤本月季高效花量估测的方法，其特征在于，步骤F中，所述灰度化处理为：调用OpenCV库中cvtColor函数，将变量I中的R通道进行灰度化处理。
8.根据权利要求1所述的藤本月季高效花量估测的方法，其特征在于，步骤G中，所述自动阈值分割为二值化图像T的具体步骤为：针对变量I中的R通道进行操作，采用大津算法进行自动阈值分割，即将R通道的阈值分割为二值图像T，所述二值图像T中矩阵的值为0或255，其中像素值为0时图片呈黑色，像素值为255时图片呈白色。
9.根据权利要求8所述的藤本月季高效花量估测的方法，其特征在于，所述大津算法的具体步骤为：
S1、计算所述R(红色)通道图像的直方图，即将图像所有的像素值按照0-255共256个bin，统计落在每个bin的像素点数量；
S2、归一化步骤S1的直方图，即通过将每个bin中像素点数量除以总的像素点数量获得；
S3、通过归一化的直方图，统计0～i灰度级的像素所占整幅图像的比例w0，并统计前景像素的平均灰度u0；统计i～255灰度级的像素所占整幅图像的比例w1，并统计背景像素的平均灰度u1，所述背景像素为在i～255灰度级的像素范围内的像素；
其中i表示分类的阈值，即一个灰度级，i取值为1～255；
S4、计算前景像素和背景像素的方差g＝w0*w1*(u0-u1)(u0-u1)；
S5、i++；转到S4，直到i为256时结束迭代；
S6、将最大g相应的i值作为图像的全局阈值，并获得相应的二值图像T，然后进行阈值分割，获得花像素值F和总像素值S。
10.一种根据权利要求1所述的方法在评估藤本月季施肥效果中的应用，其特征在于，所述方法包括以下步骤：
A1、选用藤本月季苗，进行常规养护管理，并进行不同施肥处理；
B1、对不同施肥处理的藤本月季进行权利要求1所述的步骤B-G的处理；
C1、对比各施肥处理通过步骤B1获得的像素为255的个数F，从而得到最佳施肥处理的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010442666.8A CN111639572A (zh) | 2020-05-22 | 2020-05-22 | 一种藤本月季高效花量估测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010442666.8A CN111639572A (zh) | 2020-05-22 | 2020-05-22 | 一种藤本月季高效花量估测的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111639572A true CN111639572A (zh) | 2020-09-08 |
Family
ID=72331577
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010442666.8A Pending CN111639572A (zh) | 2020-05-22 | 2020-05-22 | 一种藤本月季高效花量估测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111639572A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101320476A (zh) * | 2008-07-04 | 2008-12-10 | 中国农业大学 | 一种棉花异性纤维图像处理系统及方法 |
| WO2017121018A1 (zh) * | 2016-01-11 | 2017-07-20 | 中兴通讯股份有限公司 | 二维码图像处理的方法和装置、终端、存储介质 |
| CN107016674A (zh) * | 2017-02-28 | 2017-08-04 | 中国农业大学 | 一种基于无人机遥感影像的玉米出苗率计算方法及装置 |
| CN107832655A (zh) * | 2017-02-21 | 2018-03-23 | 石河子大学 | 一种基于无人机近地面成像的航拍系统及棉花产量估测方法 |
| CN108305270A (zh) * | 2018-03-19 | 2018-07-20 | 河南工业大学 | 一种基于手机拍照的仓储粮虫计数系统及方法 |
| CN110310291A (zh) * | 2019-06-25 | 2019-10-08 | 四川省农业科学院农业信息与农村经济研究所 | 一种稻瘟病分级系统及其方法 |
-
2020
- 2020-05-22 CN CN202010442666.8A patent/CN111639572A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101320476A (zh) * | 2008-07-04 | 2008-12-10 | 中国农业大学 | 一种棉花异性纤维图像处理系统及方法 |
| WO2017121018A1 (zh) * | 2016-01-11 | 2017-07-20 | 中兴通讯股份有限公司 | 二维码图像处理的方法和装置、终端、存储介质 |
| CN107832655A (zh) * | 2017-02-21 | 2018-03-23 | 石河子大学 | 一种基于无人机近地面成像的航拍系统及棉花产量估测方法 |
| CN107016674A (zh) * | 2017-02-28 | 2017-08-04 | 中国农业大学 | 一种基于无人机遥感影像的玉米出苗率计算方法及装置 |
| CN108305270A (zh) * | 2018-03-19 | 2018-07-20 | 河南工业大学 | 一种基于手机拍照的仓储粮虫计数系统及方法 |
| CN110310291A (zh) * | 2019-06-25 | 2019-10-08 | 四川省农业科学院农业信息与农村经济研究所 | 一种稻瘟病分级系统及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Johnson et al. | Remote sensing of vineyard management zones: Implications for wine quality | |
| CN106372592B (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
| GB2618896A (en) | System and method for crop monitoring | |
| CN110598532B (zh) | 一种树木病虫害监控系统及方法 | |
| CN111462223B (zh) | 基于Sentinel-2影像的江淮地区大豆和玉米种植面积识别方法 | |
| CN114067207A (zh) | 一种基于深度学习和图像处理的蔬菜苗田杂草检测方法 | |
| CN113011221A (zh) | 作物分布信息的获取方法、装置及测量系统 | |
| CN112668404B (zh) | 一种大豆病虫害的有效鉴定方法 | |
| CN111798433A (zh) | 基于无人机遥感的高原山区成熟火龙果实识别与计数方法 | |
| Ouyang et al. | Assessment of canopy size using UAV-based point cloud analysis to detect the severity and spatial distribution of canopy decline | |
| CN110610438A (zh) | 一种农作物冠层叶柄夹角计算方法及系统 | |
| KR20180096966A (ko) | 형태적 연산과 연결 연산을 이용한 벼 모종 자동 개수 세는 방법 | |
| CN106683092A (zh) | 测算蓝莓树冠郁闭度的装置、系统和方法 | |
| Piani et al. | Apple orchard flower clusters density mapping by unmanned aerial vehicle RGB acquisitions | |
| CN111639572A (zh) | 一种藤本月季高效花量估测的方法 | |
| Kurata et al. | Water stress estimation of tomato canopy based on machine vision | |
| Vandermaesen et al. | Evaluation and demonstration of precision management practices in pear orchards | |
| CN111428990A (zh) | 一种基于深度神经网络的水培花卉开花期花卉等级评估方法 | |
| Vellidis et al. | Predicting cotton lint yield maps from aerial photographs | |
| CN117036926A (zh) | 一种融合深度学习与图像处理的杂草识别方法 | |
| Yihang et al. | Automatic recognition of rape seeding emergence stage based on computer vision technology | |
| CN113554675A (zh) | 一种基于无人机可见光遥感的食用菌产量估算方法 | |
| Sarron et al. | Is machine learning efficient for mango yield estimation when used under heterogeneous field conditions? | |
| Barnard | The use of technology to improve current precision viticulture practices: predicting vineyard performance | |
| CN116052141B (zh) | 作物生育期的识别方法、装置、设备及介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200908 |