CN111738936A - 基于图像处理的多株水稻穗长的测量方法 - Google Patents
基于图像处理的多株水稻穗长的测量方法 Download PDFInfo
- Publication number
- CN111738936A CN111738936A CN202010420982.5A CN202010420982A CN111738936A CN 111738936 A CN111738936 A CN 111738936A CN 202010420982 A CN202010420982 A CN 202010420982A CN 111738936 A CN111738936 A CN 111738936A
- Authority
- CN
- China
- Prior art keywords
- image
- graph
- rice
- recording
- map
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 80
- 235000009566 rice Nutrition 0.000 title claims abstract description 80
- 238000012545 processing Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 26
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 107
- 238000012937 correction Methods 0.000 claims abstract description 17
- 238000005516 engineering process Methods 0.000 claims abstract description 12
- 238000005286 illumination Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000000877 morphologic effect Effects 0.000 claims abstract description 8
- 238000003709 image segmentation Methods 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims description 11
- 238000007670 refining Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 230000010339 dilation Effects 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 2
- 238000000691 measurement method Methods 0.000 claims 8
- 238000005259 measurement Methods 0.000 abstract description 14
- 238000004458 analytical method Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 210000005069 ears Anatomy 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 240000003433 Miscanthus floridulus Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/30—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)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像处理的多株水稻穗长的测量方法，包括以下步骤：S1、拍摄待测水稻以获得水稻图，图像记录为图jpg1；S2、对图jpg1进行图像几何校正处理，获得图jpg2；S3、对图步骤S2获得的图jpg2进行光照补偿处理，然后利用大津法OTSU对图像进行二值化，利用图像分割技术将单株水稻从二值图中分割成两部分，保留含有水稻穗长的部分，获得图jpg3；S4、将图jpg3进行形态学膨胀处理，然后进行轮廓提取，利用Zhang骨架快速并行细化算法计算，将结果图记录为图jpg4。本发明将数字处理技术应用于农业领域的自动水稻穗长测量，取代了人工测量和笨重的仪器分析，节省了人力成本和设备成本，大幅的提高了工作效率。
Description
技术领域
本发明涉及计算机图像处理技术领域，具体涉及一种基于图像处理的多株水稻穗长的测量方法。
背景技术
水稻穗的长度决定了它能容纳的谷粒数目，从而决定水稻的产量。因此，水稻穗的长度是水稻产量相关研究中作为评估的最重要参数之一；穗长的定义是穗颈节至穗尖(不连芒)的长度。但是，传统的测量穗长的方法仍然是人工来测量，测量的时候，要先将水稻拉直，然后再利用尺子测量，由于人长时间的测量会出现疲劳，导致测量的结果不准确，而且长时间的测量很慢，耗费了大量的人力物力。国外主要有德国的LemnaTec公司在自动测量穗长方面做了一些工作，但他们的方法中并未进行穗颈节的识别，因此测得的并非传统意义上的穗长，国内做的比较好的有华中科技大学的刘谦教授在2013年研制的利用双相机成像技术自动获取水稻穗长，该系统由成像暗室、日光灯管，变焦CCD相机(一个长焦镜头，一个短焦镜头)组成，设备十分的庞大，操作不方便，安装也不方便，测量的效率也不是很高，为了解决上述现有的技术的不足，本发明专注于研究如何将图像处理技术更好的应用于水稻的穗长测量中，现在已经在安卓手机中得以应用，手机拍照非常的方便，只需要提供一个特制的背景板就可以通过手机拍照识别水稻穗长，一次可以处理5株水稻穗长，一次处理5株只需要3秒。因此本方法简单、易操作、高效、处理速度快，解决了设备笨重，成本高维护困难等问题。
发明内容
本发明为了克服现有技术的不足，提供了一种基于图像处理的多株水稻穗长的测量方法。
为了实现上述目的，本发明采用以下技术方案：一种基于图像处理的多株水稻穗长的测量方法，包括以下步骤：
S1、拍摄待测水稻以获得水稻图，图像记录为图jpg1；
S2、对图jpg1进行图像几何校正处理，获得图jpg2；
S3、对步骤S2获得的图jpg2进行光照补偿处理，然后利用大津法OTSU对图像进行二值化，利用图像分割技术将单株水稻从二值图中分割出来，并将其分成两部分，保留含有水稻穗长的部分，获得图jpg3；
S4、将图jpg3进行形态学膨胀处理，然后进行轮廓提取，利用Zhang骨架快速并行细化算法计算，将结果图记录为图jpg4；
S5、获取步骤S4中的图jpg4，计算骨架图中的最短路径图，从最短路径图的最底部往上每隔n个像素打一个点，得到穗长路径点，计算单株水稻的穗长，其中所述n＝20；
S6、重复步骤S1-S5以计算图中的所有水稻的穗长，最后显示保存。
本发明通过采用图像处理的方式对水稻进行拍照，然后进行分析处理，采用该方式可以节省工作人员手工操作的步骤，直接采用手机处理即可，其对水稻穗长进行测量更加简便，并且该处理方式下，可以同时处理多株水稻，其测量效率高。
优选的，所述步骤S1包括以下具体步骤：
S1.1、选取特定背景板，并将水稻按要求放入背景板；
S1.2、对位于背景板上的水稻拍照取图，图像记录为图jpg1，并将图像传递给步骤S2。
优选的，所述步骤S2包括以下具体步骤：
S2.1、获取步骤S1处理后的图jpg1，并对图jpg1进行灰度化和滤波去噪处理；
S2.2、获取S2.1处理后的图jpg1，利用霍夫圆检测算法对图像进行圆形检测，记录下圆心的位置；
S2.3、获取S2.2处理的圆心位置，获取原图jpg1，利用透视变化对图jpg1进行几何校正，其结果记录为图jpg2；将图jpg2传递给步骤S3。
优选的，所述步骤S3包括以下具体的步骤：
S3.1、获取步骤S2处理后的图jpg2，将彩色图输入光照补偿算法中，将光照补偿之后的图记录为图img31；
S3.2、获取S3.1处理后的结果图img31，利用大津法OTSU全局阈值化方法对图像进行二值化处理，再删除面积很小的连通区域部分，保留只剩下水稻的二值图，记录为图img32；
S3.3、获取S3.2处理后的图img32，再将单株水稻二值图分割为两部分，留下水稻穗长的那部分图记录为图jpg3；将图jpg3传递给步骤S4。
优选的，所述步骤S4包括：
S4.1、获取步骤S3处理后的图jpg3，对图jpg3进行一次的形态学膨胀处理之后再进行一次的轮廓提取；重复两次，再重新画在新的二值图中，记录为图img41；
S4.2、获取S4.1处理后的图img41，利用Zhang骨架细化算法对图img41进行细化，将结果图记录为图jpg4，将图jpg4传递给步骤S5。
优选的，所述步骤S5包括：
S5.1、获取步骤S4处理后的图jpg4，计算图jpg4中从最底部到最上面的最短路径图，将最短路径图记录为图img51；
S5.2、获取步骤S5.1处理后的图img51，从最底部往上每隔n个像素打一个点，得到穗长的路径点，最后将所有的点显示在图jpg2中，其中所述n＝20；
S5.3、将单株水稻的所有的穗长的路径点计算两点之间的距离，然后加起来得到单株水稻的穗长。
优选的，所述背景板的底色为黑色，该背景板四角分别画有白色圆，且所述背景板上画有至少五条白线；水稻摆放在四个白色圆内，并将水稻的穗颈节的位置放在白线上。
优选的，所述白色圆的直径为1.5-2.5cm；所述白线的长为1.5-2.5cm，宽为1.5-2.5mm。
优选的，步骤S2中所述几何校正处理包括：图jpg2中四个点的位置是四个圆的圆心的位置，透视变换后的四个点的位置是原图像四个圆心的外接矩形的四个顶点。
综上所述，本发明具有以下优点：
1)可以对水稻的穗长进行便捷、高效、准确的测量。克服了传统的笨重、效率低、误差大、维护困难等问题。将图像处理技术更好的应用于农业信息化当中，为水稻穗长的测量提供了有力的技术支持。
2)将数字图像处理技术应用于农业领域的自动水稻穗长测量，取代了人工测量和笨重的仪器分析，节省了人力成本和设备成本，大幅的提高了工作效率；
3)目前基于图像处理的水稻穗长测量的设备十分庞大，价格昂贵，安装复杂，操作不方便，而且一次只能测量一株水稻穗长，本发明只需要一个手机加一个特制的背景板就可以一次测量最多5株水稻穗长，达到了准确度高，稳定性强，高效等优点；
4)本发明可在安卓手机上进行应用，手机携带性和拍照的方便性，和背景板携带的便携性，提高了该方法的测量便携性；一次可以最多分析5株水稻穗长，测量的效率高。
附图说明
图1算法处理流程图，图中展示了图像的处理过程中的五个模块和各个模块的处理结构；
图2安卓手机相机获取的水稻图，图中展示了背景板，四个圆的位置，水稻摆放位置要求等。
图3几何校正后的图，此图与图2对比，由于拍照角度偏差等使图2产生畸变，此图为几何校正后的图；
图4单株二值水稻分割图，按照水稻穗颈节的位置将水稻分割成两部分，图4保留的是水稻穗长的部分；
图5骨架细化图，图中展示了水稻穗长部分二值图的骨架细化后的图；
图6android上展示结果图，将每一株水稻的路径点打出显示在图3中，显示了在android上的应用效果；
图7为将点打在原图中的效果图。
具体实施方式
为了使本技术领域的人员更好的理解本发明方案，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整的描述。
一种基于图像处理的多株水稻穗长的测量方法，其对多株水稻穗长图像的处理主要分成五个模块，第一个模块是图像获取模块，主要内容是图像获取方式；第二个模块是图像的几何校正模块，主要分为灰度化、滤波去噪、圆形检测、透视变化等方法；第三个模块是水稻分割模块，主要是将彩色图像进行光照补偿处理之后，利用大津法OTSU对图像进行二值化，利用图像分割技术将单株水稻从二值图中分割出来，最后从白线的位置将单株水稻二值图分割成两部分；第四模块是骨架细化模块，主要是先将水稻穗长部分的二值图进行一次的形态学膨胀处理再进行一次的轮廓提取，重复两次操作之后将其利用Zhang骨架快速并行细化算法细化；第五模块是计算穗长模块，主要是计算骨架图的最短路径图，然后每隔20个像素打一个点，得到穗长路径点，最后计算水稻穗长参数；下面对这五部分进行详细描述。
(一)获取水稻图像
获取水稻图像为模块S1，获取的图像记录为图jpg1，其参见图2。
下面对获取水稻图像模块进行详细的描述：
S1.1、选取特定背景板，并将水稻按要求放入背景板；
1)背景板要求：背景板底色是黑色，四角分布四个直径为2cm的白色圆；
2)水稻摆放要求：水稻的穗颈节放在白线上，并且不要超出圆的范围；
S1.2、利用手机相机进行拍照取图，图像记录为图jpg1，并将图像传递给下一步S2。
拍照要求：可以用Android手机进行拍照，像素大于800万最佳，取图时要将背景板的四个圆拍进去，并且不要超出背景板范围，照片要清晰，图像均为彩图。
(二)图像几何校正
图像几何校正为模块S2，获取S1处理结果图jpg1，主要分为图像预处理，圆形检测、透视变化等方法对图像进行处理，图像几何校正后的图像记录为图jpg2，其参见图3。
下面对图像几何校正进行详细描述，如下：
S2.1、获取S1处理后的图jpg1，对其进行预处理，主要包括灰度化和滤波去噪处理，其处理后的结果图记录为图img21；
1)灰度化转化公式为：
Gray(x,y)＝0.299×R(x,y)+0.587×G(x,y)+0.114×B(x,y) (1)
2)滤波去噪；采用3×3的高斯滤波，滤波一次。
S2.2、获取S2.1处理后的图img21，利用霍夫圆检测算法对图像进行圆形检测，记录下圆心的位置；
1)圆形检测：利用Hough圆检测算法对圆进行检测，检测时圆的半径大小控制在44-57像素范围内，圆心之间最小距离为600像素，这一步会检测出包括四周的四个圆之外的其他圆，需要进一步的筛选；
2)圆形筛选：利用圆心到图像的四个角的距离，例如：左上角第一个圆心到左边界的距离是262个像素，到上边界个333像素，再一次的判断筛选圆，这样过滤之后就剩下我们需要的四个圆形。
S2.3、获取S2.2处理的四个圆心位置，获取图jpg1，利用透视变化对图jpg1进行几何校正，其结果记录为图img23，同时记录下校正后的四个圆心位置；
1)透视变换：透视变换是根据变换前图像中四个圆的圆心位置与变换后的四个圆的圆心的位置对应关系进行全图映射的，我们只需要给出原图中四个圆的圆心位置和变换后的四个点的位置，利用此方法就可以对整幅图进行几何校正。将校正后的图记录为图jpg2，将图jpg2传递给下一步S3；
2)原图中四个点的位置是四个圆的圆心的位置，变换后的四个点的位置是原图像四个圆心的外接矩形的四个顶点；
(三)水稻分割
水稻分割为模块S3，获取S2的处理结果图jpg2，利用光照补偿算法调整图像的亮度的分布，利用大津法OTSU对图像进行二值化，利用图像分割技术将水稻图中的第一株水稻从二值图中分割出来，最后从白线的位置将单株水稻二值图分割成两部分，保留水稻穗长的部分记录为图jpg3，其参见图4。
水稻分割详细步骤如下：
S3.1、获取S2的处理结果图jpg2，利用光照补偿算法对明暗不均的图jpg2进行亮度调整，其结果记录为图img31；
其主要思路为：
1)求取源图I的平均灰度，并记录rows和cols；
2)按照一定大小，分为N×M个方块，求出每块的平均值，得到子块的亮度矩阵D；
3)用矩阵D的每个元素减去源图的平均灰度，得到子块的亮度差值矩阵E；
4)用双立方差值法，将矩阵E差值成与源图一样大小的亮度分布矩阵R；
5)得到矫正后的图像result＝I-R；
S3.2、获取S3.1处理后的图img31，利用大津法OTSU对图像进行二值化，利用图像分割技术将单株水稻从二值图中分割出来，将分割出来的水稻图记录为图jpg3，将图jpg3传递给S4；
1)大津法OTSU全局二值化：首先任意选取一个灰度值t，则可以将这个图中的亮度直方图分成前后两部分。我们称这两部分分别为A和B。对应的就是前景色和背景色。这两部分各自的平均值记为MA和MB。A部分里的像素数占总像素数的比例记作PA，B部分里的像素数占总像素数的比例记作PB。
那么otsu算法可以用下面的公式计算：
PA×PB×(PA×PB)2 (2)
2)分割出每一株水稻二值图：提取出每一株水稻的外接矩形，然后切割出来；
(四)骨架细化
骨架细化为模块S4，获取S3的处理结果图jpg3，先将图jpg3进行一次形态学膨胀处理再进行一次的轮廓提取，重复两次操作之后将其利用Zhang骨架快速并行细化算法细化，将细化之后骨架图记录为图jpg4，其参见图5。
骨架细化的具体步骤：
S4.1、获取S3处理之后的图jpg3，进行一次的3×3形态学膨胀再进行一次的轮廓提取，重复两次，再重新画在另一张二值图中，将结果记录为图img41；
S4.2、获取S4.1处理后的图img41，利用Zhang骨架快速并行细化算法细化，将结果记录为图jpg4，将图jpg4传递给S5。
Zhang骨架快速并行细化算法细化步骤如下：
参见图6，P1为中心的8邻域图，P2-P9代表与P1相邻的8个像素点。
1)删除同时满足下列条件的边界点：
2≤N(P1)≤6 (3)
S(P1)＝1 (4)
P2×P4×P6＝0 (5)
P4×P6×P8＝0 (6)
其中：N(P1)是P1的非邻点的个数，S(P1)是以P2，P3，...，P9，P2为序时这些点的值从0到1变化的次数。
2)删除同时满足下列条件的边界点：
2≤N(P1)≤6 (7)
S(P1)＝1 (8)
P2×P4×P8＝0 (9)
P2×P6×P8＝0 (10)
以上两步操作构成一次迭代，直至没有点再满足标记条件，这时剩下的点组成区域就是细化后的骨架。将结果记录为图jpg4，将图jpg4传递给S5。
(五)计算穗长
计算穗长为模块S5，获取S4的处理结果图jpg4，计算骨架图中的最短路径图，从最短路径图的最底部往上每隔20个像素打一个点，得到穗长路径点，再计算单株水稻的穗长，再循环操作计算图中的所有水稻的穗长，最后显示保存。
S5.1、获取S4处理之后的图jpg4，计算骨架图中的最短路径图，将结果记录为图img51；
1)骨架最短路径：利用数据结构中的图中的最短路径算法：迪杰斯特拉(Dijkstra)算法对骨架图中的求的骨架的最短路径图。
2)计算穗长：从最短路径图中的最底部往上每隔20个像素打一个点，计算两两点之间的距离，再将所有距离求和就是单株水稻的穗长，最后循环计算每株水稻的穗长和路径点，将点打在jpg2中，保留结果见图7。
显然，所描述的实施例仅仅是本发明的一部分实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
Claims (9)
1.一种基于图像处理的多株水稻穗长的测量方法，其特征在于：包括以下步骤：
S1、拍摄待测水稻以获得水稻图，图像记录为图jpg1；
S2、对图jpg1进行图像几何校正处理，获得图jpg2；
S3、对图步骤S2获得的图jpg2进行光照补偿处理，然后利用大津法OTSU对图像进行二值化，利用图像分割技术将单株水稻从二值图中分割成两部分，保留含有水稻穗长的部分，获得图jpg3；
S4、将图jpg3进行形态学膨胀处理，然后进行轮廓提取，利用Zhang骨架快速并行细化算法计算，将结果图记录为图jpg4；
S5、获取步骤S4中的图jpg4，计算骨架图中的最短路径图，从最短路径图的最底部往上每隔n个像素打一个点，得到穗长路径点，计算单株水稻的穗长；
S6、重复步骤S1-S5以计算图中的所有水稻的穗长，最后显示保存。
2.根据权利要求1所述的基于图像处理的多株水稻穗长的测量方法，其特征在于：所述步骤S1包括以下具体步骤：
S1.1、选取特定背景板，并将水稻按要求放入背景板；
S1.2、对位于背景板上的水稻牌照取图，图像记录为图jpg1，并将图像传递给步骤S2。
3.根据权利要求1所述的基于图像处理的多株水稻穗长的测量方法，其特征在于：所述步骤S2包括以下具体步骤：
S2.1、获取的步骤S1处理后的图jpg1，并对图jpg1进行灰度化和滤波去噪处理；
S2.2、获取S2.1处理后的图jpg1，利用霍夫圆检测算法对图像进行圆形检测，记录下圆心的位置；
S2.3、获取S2.2处理的圆心特征，获取原图jpg1，利用透视变化对图jpg1进行几何校正，其结果记录为图jpg2；将图jpg2传递给步骤S3。
4.根据权利要求1所述的基于图像处理的多株水稻穗长的测量方法，其特征在于：所述步骤S3包括以下具体的步骤：
S3.1、获取步骤S2处理后的图jpg2，将彩色图输入光照补偿算法中，将光照补偿之后的图记录为图img31；
S3.2、获取S3.1处理后的结果图img31，利用大津法OTSU全局阈值化方法对图像进行二值化处理，再删除面积很小的连通区域部分，保留只剩水稻的二值图，记录为图img32；
S3.3、获取S3.2处理后的图img32，再单株水稻二值图分割为两部分，留下水稻穗长的那部分图记录为图jpg3；将图jpg3传递给步骤S4。
5.根据权利要求1所述的基于图像处理的多株水稻穗长的测量方法，其特征在于：所述步骤S4包括：
S4.1、获取步骤S3处理后的图jpg3，对图jpg3进行一次的形态学膨胀处理之后再进行一次的轮廓提取；重复两次，再重新画在新的二值图中，记录为图img41；
S4.2、获取S4.1处理后的图img41，利用Zhang骨架细化算法对图img41进行细化，将结果图记录为图jpg4，将图jpg4传递给步骤S5。
6.根据权利要求1所述的基于图像处理的多株水稻穗长的测量方法，其特征在于：所述步骤S5包括：
S5.1、获取步骤S4处理后的图jpg4，计算图jpg4中从最底部到最上面的最短路径图，将最短路径图记录为图img51；
S5.2、获取步骤S5.1处理后的图img51，从最底部往上每隔n个像素打一个点，得到穗长的路径点，最后将所有的点显示在图jpg1中，其中所述n≥20；
S5.3、将单株水稻的所有的穗长的路径点计算两点之间的距离，然后加起来得到单株的水稻的穗长。
7.根据权利要求2所述的基于图像处理的多株水稻穗长的测量方法，其特征在于：所述背景板的底色为黑色，该背景板四角分别画有白色圆，且所述背景板的上画有至少五条白线；水稻摆放在四个白色圆内，并将水稻的穗颈节的位置放在白线上。
8.根据权利要求7所述的基于图像处理的多株水稻穗长的测量方法，其特征在于：所述白色圆的直径为1.5-2.5cm；所述白线的长为1.5-2.5cm，宽为1.5-2.5mm。
9.根据权利要求7所述的基于图像处理的多株水稻穗长的测量方法，其特征在于：步骤S2中所述几何校正处理包括：图jpg2中四个点的位置是四个圆的圆心的位置，变换后的四个点的位置是原图像四个圆心的外接矩形的四个顶点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010420982.5A CN111738936A (zh) | 2020-05-18 | 2020-05-18 | 基于图像处理的多株水稻穗长的测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010420982.5A CN111738936A (zh) | 2020-05-18 | 2020-05-18 | 基于图像处理的多株水稻穗长的测量方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111738936A true CN111738936A (zh) | 2020-10-02 |
Family
ID=72647391
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010420982.5A Pending CN111738936A (zh) | 2020-05-18 | 2020-05-18 | 基于图像处理的多株水稻穗长的测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111738936A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114140466A (zh) * | 2022-02-07 | 2022-03-04 | 浙江托普云农科技股份有限公司 | 基于图像处理的植物根系测量方法、系统及装置 |
| CN115375694A (zh) * | 2022-10-27 | 2022-11-22 | 浙江托普云农科技股份有限公司 | 便捷式的基于图像识别的水稻整穗测量方法及其应用 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020028027A1 (en) * | 2000-09-07 | 2002-03-07 | Fuji Xerox Co., Ltd. | Image processing device, image processing method, and recording medium storing image processing program |
| CN106468543A (zh) * | 2015-08-21 | 2017-03-01 | 浙江托普云农科技股份有限公司 | 一种基于图像处理的叶片面积测量方法 |
| US20170109893A1 (en) * | 2015-10-19 | 2017-04-20 | Shanghai United Imaging Healthcare Co., Ltd. | Method and system for image segmentation |
| CN107194402A (zh) * | 2017-04-02 | 2017-09-22 | 南京汇川图像视觉技术有限公司 | 一种并行细化骨架提取方法 |
| CN109712147A (zh) * | 2018-12-19 | 2019-05-03 | 广东工业大学 | 一种基于Zhang-Suen图像骨架提取的干涉条纹中心线拟合方法 |
| CN109886921A (zh) * | 2019-01-16 | 2019-06-14 | 新而锐电子科技(上海)有限公司 | 基于数字图像的裂纹尺寸度量方法、装置和电子设备 |
-
2020
- 2020-05-18 CN CN202010420982.5A patent/CN111738936A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020028027A1 (en) * | 2000-09-07 | 2002-03-07 | Fuji Xerox Co., Ltd. | Image processing device, image processing method, and recording medium storing image processing program |
| CN106468543A (zh) * | 2015-08-21 | 2017-03-01 | 浙江托普云农科技股份有限公司 | 一种基于图像处理的叶片面积测量方法 |
| US20170109893A1 (en) * | 2015-10-19 | 2017-04-20 | Shanghai United Imaging Healthcare Co., Ltd. | Method and system for image segmentation |
| CN107194402A (zh) * | 2017-04-02 | 2017-09-22 | 南京汇川图像视觉技术有限公司 | 一种并行细化骨架提取方法 |
| CN109712147A (zh) * | 2018-12-19 | 2019-05-03 | 广东工业大学 | 一种基于Zhang-Suen图像骨架提取的干涉条纹中心线拟合方法 |
| CN109886921A (zh) * | 2019-01-16 | 2019-06-14 | 新而锐电子科技(上海)有限公司 | 基于数字图像的裂纹尺寸度量方法、装置和电子设备 |
Non-Patent Citations (4)
| Title |
|---|
| WEI CHEN等: "Improved Zhang-Suen thinning algorithm in binary line drawing applications" * |
| 唐钱龙等: "基于数字图像技术的隧道衬砌裂缝识别方法研究", vol. 16, no. 12 * |
| 熊雄: "基于深度学习的大田水稻稻穗分割及无损产量预估研究", vol. 2019, no. 2019, pages 24 - 25 * |
| 黄善国 尹珊编著: "《多维光网络规划与优化技术》", 北京交通大学出版社, pages: 201 - 208 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114140466A (zh) * | 2022-02-07 | 2022-03-04 | 浙江托普云农科技股份有限公司 | 基于图像处理的植物根系测量方法、系统及装置 |
| CN115375694A (zh) * | 2022-10-27 | 2022-11-22 | 浙江托普云农科技股份有限公司 | 便捷式的基于图像识别的水稻整穗测量方法及其应用 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
| Graham et al. | Automated sizing of coarse-grained sediments: image-processing procedures | |
| CN108629775B (zh) | 一种热态高速线材表面图像处理方法 | |
| CN110263717B (zh) | 一种融入街景影像的土地利用类别确定方法 | |
| CN106468543B (zh) | 一种基于图像处理的叶片面积测量方法 | |
| CN108364280A (zh) | 结构裂缝自动化描绘及宽度精准测量方法与设备 | |
| CN113240626B (zh) | 一种基于神经网络的玻璃盖板凹凸型瑕疵检测与分类方法 | |
| CN111724354B (zh) | 一种基于图像处理的多株小麦穗长与小穗数的测量方法 | |
| CN107784669A (zh) | 一种光斑提取及其质心确定的方法 | |
| CN110473221B (zh) | 一种目标物体自动扫描系统及方法 | |
| CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
| CN110909640A (zh) | 水位线的确定方法及装置、存储介质、电子装置 | |
| CN114241326B (zh) | 一种渐进式遥感影像地物要素智能生产方法及系统 | |
| CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
| Grigillo et al. | Automated building extraction from IKONOS images in suburban areas | |
| CN111738936A (zh) | 基于图像处理的多株水稻穗长的测量方法 | |
| CN115880288B (zh) | 电子元件焊接的检测方法、系统及计算机设备 | |
| CN109190434B (zh) | 一种基于亚像素级角点检测的条码识别算法 | |
| CN112700488A (zh) | 基于图像拼接的活体长叶片叶面积分析方法、系统及装置 | |
| CN111652844B (zh) | 一种基于数字图像区域增长的x射线缺陷检测方法及系统 | |
| CN202267464U (zh) | 一种基于手机的快速检测叶片面积的装置 | |
| CN106558044A (zh) | 影像模组的解像力测量方法 | |
| CN112686872B (zh) | 基于深度学习的木材计数方法 | |
| CN107239761B (zh) | 基于骨架角点检测的果树拉枝效果评价方法 | |
| CN115690107B (zh) | 基于图像处理的豆荚果粒高通量计数方法、系统及装置 |
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: 20201002 |
|
| RJ01 | Rejection of invention patent application after publication |