CN112069953B - 一种水稻秧苗生长期自动识别方法、装置 - Google Patents

一种水稻秧苗生长期自动识别方法、装置 Download PDF

Info

Publication number
CN112069953B
CN112069953B CN202010869940.XA CN202010869940A CN112069953B CN 112069953 B CN112069953 B CN 112069953B CN 202010869940 A CN202010869940 A CN 202010869940A CN 112069953 B CN112069953 B CN 112069953B
Authority
CN
China
Prior art keywords
seedling
pixel
image
pixels
mnj
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
CN202010869940.XA
Other languages
English (en)
Other versions
CN112069953A (zh
Inventor
薛小松
严方
刘晓宇
余甜甜
吴刚山
冯祥
陈仕雄
范位龙
董志茹
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.)
Jiangsu Polytechnic College of Agriculture and Forestry
Original Assignee
Jiangsu Polytechnic College of Agriculture and Forestry
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 Jiangsu Polytechnic College of Agriculture and Forestry filed Critical Jiangsu Polytechnic College of Agriculture and Forestry
Priority to CN202010869940.XA priority Critical patent/CN112069953B/zh
Publication of CN112069953A publication Critical patent/CN112069953A/zh
Application granted granted Critical
Publication of CN112069953B publication Critical patent/CN112069953B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种水稻秧苗生长期自动识别方法，该方法首先采用图像减法和颜色聚类对待识别秧苗图像进行背景剔除；其次，对背景剔除后的秧苗图像进行图像分割；接着对分割后的图像进行边缘提取，采用四色法对边缘区域进行着色；最后，识别四色域的秧苗生长特征，判断秧苗所处生长期中的阶段。本发明还提供了基于上述自动识别方法的水稻秧苗生长期自动识别装置。本发明解决了传统叶片轮廓特征提取不易、不准的问题，可以准确识别秧苗发育的关键生长期状态，为秧苗的精确水肥控制奠定良好基础。

Description

一种水稻秧苗生长期自动识别方法、装置
技术领域
本发明涉及一种作物生长阶段识别方法，尤其涉及一种水稻秧苗生长期自动识别方法。
背景技术
基于机器视觉的水稻秧苗自动识别方法是水稻秧苗育秧自动化中的关键技术，采用图像分割的水稻秧苗辨识受到光影、基质等影响，提取的图像特征会呈现碎片化特征，从而难以准确地提取秧苗形态特征。通过颜色聚类提取秧苗的先验知识信息，然后对秧苗进行距离判断，从而提取秧苗信息。由于光照的影响，秧苗的先验聚类信息不会随着光照的变化而变化，会出现偏差，尤其当基质出现阴影时，其误差较大，分割的秧苗区域误差较大。同时传统的叶片轮廓提取采用的是叶片轮廓边缘提取算法，由于光照的影响，不同时期的秧苗叶片轮廓边缘提取会出现较多的交叠区域，无法获得准确的秧苗边缘特征。
发明内容
发明目的：本发明提出了一种可以准确提取秧苗的生长期判据从而识别生长期的方法。本发明的另一目的在于提供基于该方法的自动识别装置。
技术方案：本发明所述的水稻秧苗生长期自动识别方法，包括步骤：
(1)采用图像减法和颜色聚类对待识别秧苗图像进行背景剔除；
(2)对背景剔除后的秧苗图像进行图像分割；
(3)对分割后的图像进行边缘提取，采用四色法对边缘区域进行着色；
(4)识别四色域的秧苗生长特征，判断秧苗所处生长期中的阶段。
本发明的水稻秧苗生长期自动识别方法，对水稻秧苗区域进行高精度提取，综合了图像减法、基质颜色聚类分析和秧苗颜色聚类聚类分析，并根据秧苗在不同生长期的叶片交叠图像特征，提取秧苗的生长期判据，无需准确获得秧苗的轮廓边缘，从而避免了光照或秧苗交叠对秧苗特征提取的影响。
进一步地，所述步骤(1)包括步骤：
(11)按照如下公式对待识别秧苗图像的RGB三维度分量同时进行图像减法，得到减法图像：
G(xi,yi)＝f1(xi,yi)-f0(xi,yi)
其中，G(xi,yi)为减法后的图像像素，f1(xi,yi)与f0(xi,yi)分别为对应待识别秧苗图像与基质背景图像的像素，f(xi,yi)＝[xr xg xb]，xr、xg、xb分别表示f1(xi,yi)与f0(xi,yi)像素点红绿蓝颜色分量值，i表示像素序号；
(12)对所述减法图像进行颜色聚类，计算像素距离Do(xi,yi)，将像素距离MAX(Do(xi,yi))-Min(Do(xi,yi))平均分成R个分区，其中MAX表示最大取值，Min表示最小取值；
(13)保留R个分区中阈值距离Do最大的前两个分区内的像素点，剩下的像素点置0，将保留像素点对应于待识别秧苗图像f1形成图像G2；保留阈值距离Do最大的分区内的像素点，剩下的像素点置0，将保留像素点对应于待识别秧苗图像f1形成图像G3；也就是剔除的像素点就是待识别秧苗图像f1当前被识别为基质区域；保留像素点就是待识别秧苗图像f1当前被识别为秧苗区域，分别为图像G2、G3。
(14)分别根据G2和G3对应的像素点进行颜色聚类，对应计算待识别秧苗图像f1内的像素点到秧苗聚类中心、基质聚类中心的像素距离D1(xi,yi)、D2(xi,yi)；根据距离D1(xi,yi)、D2(xi,yi)将待识别秧苗图像f1分区为C个基质子空间和秧苗子空间，计算像素点到对应各分区的秧苗像素聚类中心AmNj、SmNj和基质背景聚类中心AbMj、SbMj的像素距离D1(i,AmNj)与D2(i,AbMj)，判断max(D1(i,AmNj))<min(D2(i,AbMj))对应的像素点是否为基质，若是则将该点像素置0，否则保留像素点，分别得到剔除基质后对应于G2和G3的图像G4、G5；也就是剔除的像素点就是待识别秧苗图像f1当前被识别为基质区域；保留像素点就是待识别秧苗图像f1当前被识别为秧苗区域，分别为图像G4、G5。
(15)将图像G4和G5进行合并得到基质剔除后的秧苗图像G6；也就是剔除的像素点就是待识别秧苗图像f1当前被识别为基质区域；保留像素点就是待识别秧苗图像f1当前被识别为秧苗区域，分别为图像G6。
通过先验的秧苗和基质颜色聚类分析结果，可以对秧苗区域进行粗提取。
进一步地，所述减法图像G(xi,yi)像素距离计算包括步骤：
(121)对图像G(xi,yi)进行聚类分析
Figure BDA0002650740010000021
Figure BDA0002650740010000022
其中，G(xi,yi)＝[xr xg xb]，xr、xg、xb分别表示fy(xi,yi)像素点红绿蓝颜色分量值；A0为G(xi,yi)像素均值，S0为G(xi,yi)像素方差；N为图像G的像素点数，i表示图像从上到下，从左到右的像素序号，(xi,yi)分别代表该像素的坐标；
(122)计算图像G的像素距离Do(xi,yi)：
Figure BDA0002650740010000023
所述秧苗聚类中心、基质聚类中心计算以及像素距离D1(xi,yi)、D2(xi,yi)计算包括步骤：
(141)将G2和G3的图像合并后暂定的秧苗像素区域定义为fy(xi,yi)，fy(xi,yi)基质区域的像素为0，计算fy(xi,yi)的像素均值AN与方差SN，将(AN,SN)作为对应秧苗聚类中心：
Figure BDA0002650740010000031
Figure BDA0002650740010000032
其中，fy(xi,yi)＝[xr xg xb]，xr、xg、xb分别表示fy(xi,yi)像素点红绿蓝颜色分量值；AN为fy(xi,yi)像素均值，SN为fy(xi,yi)像素方差；N为fy的像素点数，i表示图像按行从上到下，从左到右的像素序号，(xi,yi)代表该像素的坐标；
(142)将fy(xi,yi)为0的像素区域所对应的f1基质背景区域图像恢复，秧苗区域像素置零，定义为基质图像fb(xi,yi)，进行像素均值AbM与方差SbM计算，将(AbM,SbM)作为对应基质聚类中心：
Figure BDA0002650740010000033
Figure BDA0002650740010000034
其中，fb(xi,yi)＝[xr xg xb]，xr、xg、xb分别表示fb(xi,yi)像素点红绿蓝颜色分量值；AbM为fb(xi,yi)像素均值，SbM为fb(xi,yi)像素方差，M为fb的像素点数，i表示图像按行从上到下，从左到右的像素序号，(xi,yi)分别代表该像素的坐标；
(143)所述像素距离包括每个像素点(xi,yi)到秧苗聚类中心(AN,SN)的距离D1(xi,yi)、每个像素点(xi,yi)到基质聚类中心(AbM,SbM)的距离D2(xi,yi)，计算公式分别如下：
Figure BDA0002650740010000035
Figure BDA0002650740010000036
其中，f1(xi,yi)＝[xr xg xb]，xr、xg、xb分别表示f1(xi,yi)像素点红绿蓝颜色分量值；AN为fy(xi,yi)像素均值，SN为fy(xi,yi)像素方差，
Figure BDA0002650740010000037
为SN矩阵的逆运算；AbM为fb(xi,yi)像素均值，SbM为fb(xi,yi)像素方差，
Figure BDA0002650740010000038
为SbM矩阵的逆运算；
(144)分别根据D1(xi,yi)、D2(xi,yi)，将G2、G3的颜色空间均分为C个秧苗子空间，G2、G3所剔除的颜色空间均分分为C个基质子空间；计算各分区的秧苗像素聚类中心AmNj、SmNj、基质背景聚类中心AbMj、SbMj，1≤j≤C：
Figure BDA0002650740010000039
Figure BDA0002650740010000041
其中，fy,j(xi,yi)＝[xr xg xb]，xr、xg、xb分别表示fy的第j个秧苗子空间分区内当前已区别为秧苗区域的像素点红绿蓝颜色分量值；AMNj为fy第j个秧苗子空间分区内当前已区别为秧苗区域的像素均值，SmNj为fy第j个秧苗子空间分区内当前已区别为秧苗区域的像素方差，计算所得(AmNj,SmNj)为对应秧苗聚类中心,N表示第j个秧苗子空间分区内像素数量：
Figure BDA0002650740010000042
Figure BDA0002650740010000043
其中，fb,j(xi,yi)＝[xr xg xb]，xr、xg、xb分别表示fb的第j个基质子空间分区内当前已区别为基质区域的像素点红绿蓝颜色分量值；AbMj为fb第j个基质子空间分区内当前已区别为基质区域的像素均值，SbMj为fb第j个基质子空间分区内当前已区别为基质区域的像素方差，计算所得(AbMj,SbMj)为对应基质聚类中心；M表示第j个基质子空间分区内像素数量；
(145)计算像素点到对应各分区的秧苗像素聚类中心AmNj、SmNj、基质背景聚类中心AbMj、SbMj的像素距离D1(i,AmNj)与D2(i,AbMj)，判断max(D1(i,AmNj))<min(D2(i,AbMj))对应的像素点是否为基质，若是则将该点像素置0；将保留像素点对应于待识别秧苗图像f1分别得到G4、G5，即剔除的像素点就是待识别秧苗图像f1当前被识别为基质区域；保留像素点就是待识别秧苗图像f1当前被识别为秧苗区域，分别为图像G4、G5，max代表取最大值，min代表取最小值，其中，
Figure BDA0002650740010000044
其中xi＝[xr xg xb]，xr、xg、xb分别表示f1(xi,yi)当前已区别为秧苗区域的像素点红绿蓝颜色分量值，
Figure BDA0002650740010000045
为SmNj矩阵的逆运算；
Figure BDA0002650740010000046
其中xi＝[xr xg xb]，xr、xg、xb分别表示f1(xi,yi)当前已区别为秧苗区域的像素点红绿蓝颜色分量值，
Figure BDA0002650740010000051
为SbMj矩阵的逆运算。
进一步地，所述步骤(1)还包括：对背景剔除后的G6秧苗图像进行斑点消除与连通域平滑处理，得到图像G7。通过区域的平滑处理，从而获得精确的秧苗区域，从而为进一步秧苗的叶片区域分割打下坚实基础。通过水稻秧苗自身的发育特点，完成秧苗的生长期特征提取，无需通过准确的秧苗边缘提取获得秧苗生长期的图像特征，从而避免了由于光照或叶片交叠等原因导致传统准确的叶片轮廓特征提取不易的缺陷。
进一步地，所述斑点包括在秧苗的像素域内的斑点和在背景域中的斑点，其中，所述秧苗的像素域内的斑点其邻域的面积远大于斑点面积，斑点以像素0的型式存在；所述背景域中的斑点，其邻域的面积远大于斑点面积，斑点以秧苗的像素型式存在；
当斑点在秧苗的像素域内时，定义像素为0的联通区域面积为36像素点以下为斑点，将其恢复为f1原始像素，进行斑点消除；在背景域内，定义像素非0的联通区域面积为100像素点以下为斑点，将该斑点区域像素设置为0，进行斑点消除；
进行斑点背景化处理，得到图像G7。
进一步地，所述步骤(3)中，所述四色法为：对G7图像进行Canny边缘特征提取，秧苗图片已经任意地细分为不相重叠的区域，每一个区域总可以用红黄蓝白四种颜色之一来标记而不会使相邻的两个区域得到相同的颜色，标记好的图像称为四色域。
进一步地，所述步骤(4)包括：
(41)分别计算四色域特征量，包括：
每一行所分割的四色域数NFi，其中i为对背景剔除后的秧苗图像进行平均分割后的行数序号，M为平均分割的总行数，1≤i≤M；
每一行所分割的四色域的直径DFi,j，其中i为对背景剔除后的秧苗图像进行平均分割后的行数序号，其中j为i行所分割的线段序号；ni为i行所分割的线段总数，
Figure BDA0002650740010000052
每一行所分割的四色域的高度HHi,j，其中1≤i≤M，ni为i行所分割的线段总数，
Figure BDA0002650740010000053
摄像头末端的L行每一行所分割的四色域的直径DEFi,j，其中j为i行所分割的线段序号；ni为i行所分割的线段总数，i取值M-L+1≤i≤M；
摄像头末端的8行所切割的当前四色域的高度HEHi,j，K为末端L行四色域的线段统计总数，其中M-L+1≤i≤M；ni为i行所分割的线段总数，
Figure BDA0002650740010000054
摄像头末端的L行每一行所分割的四色域数为NEFi，其中i为对背景剔除后的秧苗图像进行平均分割后的末端L行数序号，即此时M-L+1≤i≤M；
(42)分别求取NFi、DFi,j、HHi、DEFi,j、HEHi、NEFi测量值的均值：
Figure BDA0002650740010000061
Figure BDA0002650740010000062
Figure BDA0002650740010000063
Figure BDA0002650740010000064
Figure BDA0002650740010000065
Figure BDA0002650740010000066
其中，
Figure BDA0002650740010000067
(43)当A(NF)/n以及A(NEF)/n中有一个值<V1，表明秧苗在一叶期；
A(NF)/n<V4以及A(NEF)/n<V2，表明秧苗在两叶期；
若秧苗已进入两叶期且A(NF)/n>V6，A(NEF)/n<V5，A(DF)/A(DEF)>V0，A(HH)/A(HEH)<V0，表明秧苗在三叶初期；
若秧苗已进入三叶初期且A(NF)/n<V5，A(NEF)/n<V5，A(DF)/A(DEF)>V0，A(HH)/A(HEH)>V0，表明秧苗在三叶中期；
若秧苗已进入三叶中期且A(NF)/n<V1，A(NEF)/n<V2，A(DF)/A(DEF)>V3，A(HH)/A(HEH)>V3，表明秧苗在三叶后期；
其中，V0～V6为阈值，与秧苗的生长形态、摄像头的类别以及安装方式相关，需要试验确定。
本发明所述的水稻秧苗生长期自动识别装置，包括：存储器、处理器及在所述存储器上存储并可运行的水稻秧苗生长期自动识别的程序，所述水稻秧苗生长期自动识别的程序被处理器执行时实现所述水稻秧苗生长期自动识别方法的部分或全部步骤。
有益效果：本发明避免了因光照或叶片交叠等原因导致的传统叶片轮廓特征提取不易、不准的缺陷，可以准确识别秧苗发育的关键生长期状态，为秧苗的精确水肥控制奠定良好基础。
附图说明
图1是本发明方法流程图；
图2是本发明步骤(1)流程图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明所述的水稻秧苗生长期自动识别方法，首先采用图像减法和颜色聚类方法，对秧苗进行背景剔除。
1)对辨识区域的图像进行减法，对象为采集图像与背景图像。
G(xi,yi)＝f1(xi,yi)-f0(xi,yi)
其中G(xi,yi)为减法后的图像像素，f1(xi,yi)与f0(xi,yi)分别为对应待识别秧苗图像与基质背景图像的像素，f(xi,yi)＝[xr xg xb]，xr、xg、xb分别表示f1(xi,yi)与f0(xi,yi)像素点红绿蓝颜色分量值。减法是针对RGB三维度分量的减法，形成图像G。
2)对秧苗的颜色进行聚类分析。
对图像G(xi,yi)进行聚类分析：
Figure BDA0002650740010000071
Figure BDA0002650740010000072
其中，G(xi,yi)＝[xr xg xb]，xr、xg、xb分别表示fy(xi,yi)像素点红绿蓝颜色分量值；A0为G(xi,yi)像素均值，S0为G(xi,yi)像素方差；N为图像G的像素点数，i表示图像从上到下，从左到右的像素序号，(xi,yi)分别代表该像素的坐标。
计算图像像素的像素距离Do(xi,yi)。
Figure BDA0002650740010000073
遍历G G(xi,yi)整个辨识区域内的像素距离Do(xi,yi)，按距离平均分成R1,R2,…,R20一共20个区域，统计各个区域内的像素点分布概率，并进行排序。
3)形成初步秧苗图像。
保留20个分区中对应Do(xi,yi)像素距离最大的前两个分区内的像素点，剩下的像素点置0，将保留像素点对应于待识别秧苗图像f1形成图像G2；保留Do(xi,yi)像素距离最大的分区内的像素点，剩下的像素点置0，将保留像素点对应于待识别秧苗图像f1形成图像G3；也就是剔除的像素点就是待识别秧苗图像f1当前被识别为基质区域；保留像素点就是待识别秧苗图像f1当前被识别为秧苗区域，分别为图像G2、G3。
4)分别根据图像G2、G3进行待识别秧苗图像f1颜色聚类，根据颜色得到每幅图中的秧苗聚类中心(AN,SN)和基质背景聚类中心(AbM,SbM)；
Figure BDA0002650740010000074
Figure BDA0002650740010000081
Figure BDA0002650740010000082
Figure BDA0002650740010000083
其中fy(xi,yi)为G2和G3图像合并后暂定的秧苗像素图像，fy(xi,yi)的像素均值AN与方差SN，将(AN,SN)作为对应秧苗聚类中心，在fy(xi,yi)图像中基质部分的像素定义为0。fy(xi,yi)＝[xr xg xb]，xr、xg、xb分别表示fy(xi,yi)像素点红绿蓝颜色分量值；AN为fy(xi,yi)像素均值，SN为fy(xi,yi)像素方差；N为fy的像素点数，i表示图像按行从上到下，从左到右的像素序号，xi,yi分别代表该像素的坐标。
其中fb(xi,yi)图像为fy(xi,yi)为0的像素区域所对应的f1基质背景区域图像恢复，秧苗区域像素置零后的图像。fb(xi,yi)＝[xr xg xb]，xr、xg、xb分别表示fb(xi,yi)像素点红绿蓝颜色分量值；AbM为fb(xi,yi)像素均值，SbM为fb(xi,yi)像素方差。M为fy的像素点数，i表示图像按行从上到下，从左到右的像素序号，xi,yi分别代表该像素的坐标。
对于G2、G3，分别遍历f1图中的每个像素点(xi,yi)到秧苗聚类中心(AN,SN)的距离D1(xi,yi)、每个像素点(xi,yi)到基质聚类中心(AbM,SbM)的距离D2(xi,yi)，按距离平均分成10个分区，统计各分区内的像素点分布概率；
Figure BDA0002650740010000084
Figure BDA0002650740010000085
5)分别对10个统计区域内的像素点进行再次的均值与方差计算，则得到10组像素聚类中心。记为计算各分区的秧苗像素聚类中心AmNj、SmNj、基质背景聚类中心AbMj、SbMj。
这样秧苗和基质的颜色空间分别分为了10个空间。
Figure BDA0002650740010000086
Figure BDA0002650740010000087
Figure BDA0002650740010000088
Figure BDA0002650740010000089
6)计算像素点到对应各分区的秧苗像素聚类中心AmNj、SmNj、基质背景聚类中心AbMj、SbMj的像素距离D1(i,AmNj)与D2(i,AbMj)，判断max(D1(i,AmNj))<min(D2(i,AbNj))对应的像素点是否为基质，若是则将该点像素置0。将保留像素点对应于待识别秧苗图像f1分别得到G4、G5；也就是剔除的像素点就是待识别秧苗图像f1当前被识别为基质区域；保留像素点就是待识别秧苗图像f1当前被识别为秧苗区域，分别为图像G4、G5。max代表取最大值，min代表取最小值。
Figure BDA0002650740010000091
Figure BDA0002650740010000092
将G4和G5的剩余图像进行合并得到G6，即可认为G6就是图像减法后、剔除背景图像后的秧苗图像。
7)对剔除背景后图像进行斑点消除与连通域平滑
斑点为两种，一种是在秧苗的像素域内，其邻域的面积远大于斑点面积，斑点以像素0的型式存在。一种是在背景域，其邻域的面积远大于斑点面积，斑点以秧苗的像素型式存在。在秧苗像素域内对像素为0的联通区域面积为36像素点以下的斑点进行消除，也就是则恢复f1原始像素，进行斑点消除。在像素0区域(又称背景域)内对像素非0的联通区域面积为100像素点以下的斑点进行消除，进行斑点背景化处理。这样保障辨识图的连通域的完整性，从而消除图像噪声斑点，得到图像G7。
8)标尺法的生长期监测
对秧苗的监测区域G7图像进行Canny边缘提取后，进行四色域着色。进行平行尺法，平均分割为200行(秧苗监测区域的行数在80～90行的区域)。
统计每一行所分割的四色域数NFi，其中i为对背景剔除后的秧苗图像进行平均分割后的行数序号，200为平均分割的总行数，1≤i≤200。
统计每一行所分割的四色域的直径DFi,j，其中i为对背景剔除后的秧苗图像进行平均分割后的行数序号，其中j为i行所分割的线段序号；ni为i行所分割的线段总数，
Figure BDA0002650740010000093
统计每一行所分割的四色域的高度HHi,j，其中1≤i≤200，ni为i行所分割的线段总数，
Figure BDA0002650740010000094
统计摄像头末端的8行每一行所分割的四色域的直径DEFi,j，其中j为i行所分割的线段序号；ni为i行所分割的线段总数，i取值193≤i≤200；
统计摄像头末端的8行所切割的当前四色域的高度HEHi,j，K为末端8行四色域的线段统计总数，其中193≤i≤200；ni为i行所分割的线段总数，
Figure BDA0002650740010000095
统计摄像头末端的8行每一行所分割的四色域数为NEFi，其中i为对背景剔除后的秧苗图像进行平均分割后的末端8行数序号，即此时193≤i≤200；
常规的图像计算公式属于通识技术，本发明在此不赘述。
分别求取NFi、DFi,j、HHi、DEFi,j、HEHi、NEFi测量值的均值：
Figure BDA0002650740010000101
Figure BDA0002650740010000102
Figure BDA0002650740010000103
Figure BDA0002650740010000104
Figure BDA0002650740010000105
Figure BDA0002650740010000106
其中，
Figure BDA0002650740010000107
在一叶期，秧苗的重叠度较小，表现出来的特征是平行线分割的有色区域的平均数在一叶期为1.2左右，靠近摄像头端和远摄像头端图像特征都较为接近。
在两叶期，秧苗在远摄像头端分裂较多，而在近摄像头端由于茎的作用，分割域较少，因此采用远摄像头端的分割域表达生长期，而采用近摄像头分割域作为校验。
在三叶初期，秧苗的重叠开始增加，表现出来的特征是远摄像头端平行线分割的有色区域的平均数因为叶片加宽，重叠域开始减少，靠近摄像头端由于茎的作用，重叠域也开始比两叶期减少。三叶初期还有一个变化就是重叠域增加，因此平均宽度远摄像头端高于近摄像头端，而由于交叠产生了重影部分，因此平均有色域高度远摄像头端小于近摄像头端。
在三叶中期，秧苗的重叠继续增加，表现出来的特征是远摄像头端平行线分割的有色区域的平均数因为叶片加宽，重叠域继续减少，靠近摄像头端由于茎的作用，重叠域也开始比两叶期减少。三叶中期的重叠部分交叠更严重，重影部分降低，因此平均有色域高度远摄像头端大于近摄像头端。
在三叶后期，秧苗的重叠继续增加，表现出来的特征是远摄像头端平行线分割的有色区域的平均数因为叶片加宽，重叠域继续减少，靠近摄像头端由于茎的作用，重叠域也开始比两叶期减少。三叶中期的重叠部分交叠更严重，重影部分降低，因此平均有色域高度远摄像头端显著大于近摄像头端，平均有色域宽度远摄像头端显著大于近摄像头端。
初始设定为V0＝1；V1＝1.2；V3＝2；V4＝2.3；V5＝2.5；V6＝2.8；试验的水稻秧苗的种子为水稻秧苗的品种为宁粳4号，摄像头为树莓派4代，摄像头离秧苗盘距离为0.2m，高度为1m,角度与水平夹角为30度。其它安装方式的V0～V5的值域需要试验确定。
数学描述如下:
一叶期判据：A(NF)/n以及A(NEF)/n中有一个值<1.2，即可以表明在一叶期。
两叶期判据：A(NF)/n<2.3以及A(NEF)/n<1.8，即可以表明在两叶期。
三叶初期判据：已进入两叶期且A(NF)/n值>2.8，且A(NEF)/n<2.5。且A(DF)/A(DEF)>1，A(HH)/A(HEH)<1。
三叶中期判据：已进入三叶初期且A(NF)/n值<2.5，且A(NEF)/n<2.5。且A(DF)/A(DEF)>1，A(HH)/A(HEH)>1。
三叶后期判据：已进入三叶中期且A(NF)/n值<1.2，且A(NEF)/n<1.8。且A(DF)/A(DEF)>2，A(HH)/A(HEH)>2。
本发明所述的水稻秧苗生长期自动识别装置，包括：存储器、处理器及在所述存储器上存储并可运行的水稻秧苗生长期自动识别的程序，所述水稻秧苗生长期自动识别的程序被处理器执行时实现所述水稻秧苗生长期自动识别方法的部分或全部步骤。

Claims (7)

1.一种水稻秧苗生长期自动识别方法，其特征在于，包括步骤：
(1)采用图像减法和颜色聚类对待识别秧苗图像进行背景剔除；
(2)对背景剔除后的秧苗图像进行边缘提取，采用四色法对边缘区域进行着色；所述四色法为：对背景剔除后的秧苗图像进行Canny边缘特征提取，对已细分为不相重叠的区域的秧苗图片，利用红黄蓝白四种颜色标记每个区域，且使得相邻的两个区域的颜色标记不同，将标记好的图像称为四色域；
(3)对着色后的四色域图像平均分割为M行；
(4)识别分割后的四色域的秧苗生长特征，判断秧苗所处生长期中的阶段；
所述步骤(4)包括：
(41)分别计算四色域特征量，包括：
每一行所分割的四色域数NFi，其中i为对背景剔除后的秧苗图像进行平均分割后的行数序号，M为平均分割的总行数，1≤i≤M；
每一行所分割的四色域的直径DFi,j，其中i为对背景剔除后的秧苗图像进行平均分割后的行数序号，其中j为i行所分割的线段序号；ni为i行所分割的线段总数，
Figure FDA0003261587080000011
每一行所分割的四色域的高度HHi,j，其中1≤i≤M，ni为i行所分割的线段总数，
Figure FDA0003261587080000012
摄像头末端的L行每一行所分割的四色域的直径DEFi,j，其中j为i行所分割的线段序号；ni为i行所分割的线段总数，i取值M-L+1≤i≤M；
摄像头末端的L行所切割的当前四色域的高度HEHi,j，K为末端L行四色域的线段统计总数,其中M-L+1≤i≤M；ni为i行所分割的线段总数，
Figure FDA0003261587080000013
摄像头末端的L行每一行所分割的四色域数为NEFi，其中i为对背景剔除后的秧苗图像进行平均分割后的末端L行数序号，即此时M-L+1≤i≤M；
(42)分别求取NFi、DFi,j、HHi、DEFi,j、HEHi、NEFi测量值的均值：
Figure FDA0003261587080000014
Figure FDA0003261587080000015
Figure FDA0003261587080000016
Figure FDA0003261587080000021
Figure FDA0003261587080000022
Figure FDA0003261587080000023
(43)当A(NF)/n以及A(NEF)/n中有一个值<V1，表明秧苗在一叶期；
A(NF)/n<V4以及A(NEF)/n<V2，表明秧苗在两叶期；
若秧苗已进入两叶期且A(NF)/n>V6，A(NEF)/n<V5，A(DF)/A(DEF)>V0，A(HH)/A(HEH)<V0，表明秧苗在三叶初期；
若秧苗已进入三叶初期且A(NF)/n<V5，A(NEF)/n<V5，A(DF)/A(DEF)>V0，A(HH)/A(HEH)>V0，表明秧苗在三叶中期；
若秧苗已进入三叶中期且A(NF)/n<V1，A(NEF)/n<V2，A(DF)/A(DEF)>V3，A(HH)/A(HEH)>V3，表明秧苗在三叶后期；
其中，V0、V1、V2、V3、V4、V5、V6为阈值。
2.根据权利要求1所述的水稻秧苗生长期自动识别方法，其特征在于，所述步骤(1)包括步骤：
(11)按照如下公式对待识别秧苗图像的RGB三维度分量同时进行图像减法，得到减法图像：
G(xi,yi)＝f1(xi,yi)-f0(xi,yi)
其中，G(xi,yi)为减法后的图像像素，f1(xi,yi)与f0(xi,yi)分别为对应待识别秧苗图像与基质背景图像的像素，f(xi,yi)＝[xr xg xb]，xr、xg、xb分别表示f1(xi,yi)与f0(xi,yi)像素点红绿蓝颜色分量值，i表示像素序号；
(12)对所述减法图像进行颜色聚类，计算像素距离Do(xi,yi)，将像素距离MAX(Do(xi,yi))-Min(Do(xi,yi))平均分成R个分区，其中MAX表示最大取值，Min表示最小取值；
(13)保留R个分区中阈值距离Do最大的前两个分区内的像素点，剩下的像素点置0，将保留像素点对应于待识别秧苗图像f1形成图像G2；保留阈值距离Do最大的分区内的像素点，剩下的像素点置0，将保留像素点对应于待识别秧苗图像f1形成图像G3；
(14)分别根据G2和G3对应的像素点进行颜色聚类，对应计算待识别秧苗图像f1内的像素点到秧苗聚类中心、基质聚类中心的像素距离D1(xi,yi)、D2(xi,yi)；根据距离D1(xi,yi)、D2(xi,yi)将待识别秧苗图像f1分区为C个基质子空间和秧苗子空间，计算像素点到对应各分区的秧苗像素聚类中心AmNj、SmNj和基质背景聚类中心AbMj、SbMj的像素距离D1(i,AmNj)与D2(i,AbMj)，判断max(D1(i,AmNj))<min(D2(i,AbMj))对应的像素点是否为基质，若是则将该点像素置0，否则保留像素点，分别得到剔除基质后对应于G2和G3的图像G4、G5；
(15)将图像G4和G5进行合并得到基质剔除后的秧苗图像G6。
3.根据权利要求2所述的水稻秧苗生长期自动识别方法，其特征在于，所述减法图像G(xi,yi)像素距离计算包括步骤：
(121)对图像G(xi,yi)进行聚类分析
Figure FDA0003261587080000031
Figure FDA0003261587080000032
其中，G(xi,yi)＝[xr xg xb]，xr、xg、xb分别表示fy(xi,yi)像素点红绿蓝颜色分量值；A0为G(xi,yi)像素均值，S0为G(xi,yi)像素方差；P为图像G的像素点数，i表示图像从上到下，从左到右的像素序号，(xi,yi)分别代表该像素的坐标；
(122)计算图像G的像素距离Do(xi,yi)：
Figure FDA0003261587080000033
4.根据权利要求2所述的水稻秧苗生长期自动识别方法，其特征在于，所述秧苗聚类中心、基质聚类中心计算以及像素距离D1(xi,yi)、D2(xi,yi)计算包括步骤：
(141)将G2和G3的图像合并后暂定的秧苗像素区域定义为fy(xi,yi)，fy(xi,yi)基质区域的像素为0，计算fy(xi,yi)的像素均值AN与方差SN，将(AN,SN)作为对应秧苗聚类中心：
Figure FDA0003261587080000034
Figure FDA0003261587080000035
其中，fy(xi,yi)＝[xr xg xb]，xr、xg、xb分别表示fy(xi,yi)像素点红绿蓝颜色分量值；AN为fy(xi,yi)像素均值，SN为fy(xi,yi)像素方差；Q为fy的像素点数，i表示图像按行从上到下，从左到右的像素序号，(xi,yi)代表该像素的坐标；
(142)将fy(xi,yi)为0的像素区域所对应的f1基质背景区域图像恢复，秧苗区域像素置零，定义为基质图像fb(xi,yi)，进行像素均值AbM与方差SbM计算，将(AbM,SbM)作为对应基质聚类中心：
Figure FDA0003261587080000036
Figure FDA0003261587080000041
其中，fb(xi,yi)＝[xr xg xb]，xr、xg、xb分别表示fb(xi,yi)像素点红绿蓝颜色分量值；AbM为fb(xi,yi)像素均值，SbM为fb(xi,yi)像素方差，R为fb的像素点数，i表示图像按行从上到下，从左到右的像素序号，(xi,yi)分别代表该像素的坐标；
(143)所述像素距离包括每个像素点(xi,yi)到秧苗聚类中心(AN,SN)的距离D1(xi,yi)、每个像素点(xi,yi)到基质聚类中心(AbM,SbM)的距离D2(xi,yi)，计算公式分别如下：
Figure FDA0003261587080000042
Figure FDA0003261587080000043
其中，f1(xi,yi)＝[xr xg xb]，xr、xg、xb分别表示f1(xi,yi)像素点红绿蓝颜色分量值；AN为fy(xi,yi)像素均值，SN为fy(xi,yi)像素方差，
Figure FDA0003261587080000048
为SN矩阵的逆运算；AbM为fb(xi,yi)像素均值，SbM为fb(xi,yi)像素方差，
Figure FDA0003261587080000049
为SbM矩阵的逆运算；
(144)分别根据D1(xi,yi)、D2(xi,yi)，将G2、G3的颜色空间均分为C个秧苗子空间，G2、G3所剔除的颜色空间均分为C个基质子空间；计算各分区的秧苗像素聚类中心AmNj、SmNj、基质背景聚类中心AbMj、SbMj，1≤j≤C：
Figure FDA0003261587080000044
Figure FDA0003261587080000045
其中，fy,j(xi,yi)＝[xr xg xb]，xr、xg、xb分别表示fy的第j个秧苗子空间分区内当前已区别为秧苗区域的像素点红绿蓝颜色分量值；AMNj为fy第j个秧苗子空间分区内当前已区别为秧苗区域的像素均值，SmNj为fy第j个秧苗子空间分区内当前已区别为秧苗区域的像素方差，计算所得(AmNj,SmNj)为对应秧苗聚类中心,NJ表示第j个秧苗子空间分区内像素数量：
Figure FDA0003261587080000046
Figure FDA0003261587080000047
其中，fb,j(xi,yi)＝[xr xg xb]，xr、xg、xb分别表示fb的第j个基质子空间分区内当前已区别为基质区域的像素点红绿蓝颜色分量值；AbMj为fb第j个基质子空间分区内当前已区别为基质区域的像素均值，SbMj为fb第j个基质子空间分区内当前已区别为基质区域的像素方差，计算所得(AbMj,SbMj)为对应基质聚类中心；MJ表示第j个基质子空间分区内像素数量；
(145)计算像素点到对应各分区的秧苗像素聚类中心AmNj、SmNj、基质背景聚类中心AbMj、SbMj的像素距离D1(i,AmNj)与D2(i,AbMj)，判断max(D1(i,AmNj))<min(D2(i,AbMj))对应的像素点是否为基质，若是则将该点像素置0；将保留像素点对应于待识别秧苗图像f1分别得到G4、G5，即剔除的像素点就是待识别秧苗图像f1当前被识别为基质区域；保留像素点就是待识别秧苗图像f1当前被识别为秧苗区域，分别为图像G4、G5，max代表取最大值，min代表取最小值，其中，
Figure FDA0003261587080000051
其中xi＝[xr xg xb]，xr、xg、xb分别表示f1(xi,yi)当前已区别为秧苗区域的像素点红绿蓝颜色分量值，
Figure FDA0003261587080000052
为SmNj矩阵的逆运算；
Figure FDA0003261587080000053
其中xi＝[xr xg xb]，xr、xg、xb分别表示f1(xi,yi)当前已区别为秧苗区域的像素点红绿蓝颜色分量值，
Figure FDA0003261587080000054
为SbMj矩阵的逆运算。
5.根据权利要求1所述的水稻秧苗生长期自动识别方法，其特征在于，所述步骤(1)还包括：对背景剔除后的G6秧苗图像进行斑点消除与连通域平滑处理，得到图像G7。
6.根据权利要求5所述的水稻秧苗生长期自动识别方法，其特征在于，所述斑点包括在秧苗的像素域内的斑点和在背景域中的斑点，其中，所述秧苗的像素域内的斑点其邻域的面积远大于斑点面积，斑点以像素0的型式存在；所述背景域中的斑点，其邻域的面积远大于斑点面积，斑点以秧苗的像素型式存在；
当斑点在秧苗的像素域内时，定义像素为0的联通区域面积为36像素点以下为斑点，将其恢复为f1原始像素，进行斑点消除；在背景域内，定义像素非0的联通区域面积为100像素点以下为斑点，将该斑点区域像素设置为0，进行斑点消除；
进行斑点背景化处理，得到图像G7。
7.一种水稻秧苗生长期自动识别装置，其特征在于，该装置包括：存储器、处理器及在所述存储器上存储并可运行的水稻秧苗生长期自动识别的程序，所述水稻秧苗生长期自动识别的程序被处理器执行时实现如权利要求1至6中任一项所述水稻秧苗生长期自动识别方法的步骤。
CN202010869940.XA 2020-08-26 2020-08-26 一种水稻秧苗生长期自动识别方法、装置 Active CN112069953B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010869940.XA CN112069953B (zh) 2020-08-26 2020-08-26 一种水稻秧苗生长期自动识别方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010869940.XA CN112069953B (zh) 2020-08-26 2020-08-26 一种水稻秧苗生长期自动识别方法、装置

Publications (2)

Publication Number Publication Date
CN112069953A CN112069953A (zh) 2020-12-11
CN112069953B true CN112069953B (zh) 2021-10-29

Family

ID=73660794

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010869940.XA Active CN112069953B (zh) 2020-08-26 2020-08-26 一种水稻秧苗生长期自动识别方法、装置

Country Status (1)

Country Link
CN (1) CN112069953B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114002951B (zh) * 2021-09-16 2023-12-29 江苏农林职业技术学院 一种水稻硬地育秧模糊控制灌溉方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105205777A (zh) * 2015-08-28 2015-12-30 深圳市泰久信息系统股份有限公司 一种隐形图像密码的编码方法
CN107705264A (zh) * 2017-10-10 2018-02-16 深圳市华星光电半导体显示技术有限公司 一种图像处理方法、电子设备以及具有存储功能的装置
CN110766097A (zh) * 2019-11-04 2020-02-07 上海眼控科技股份有限公司 图像处理方法、装置、计算机设备及可读存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU746669B2 (en) * 1998-10-02 2002-05-02 Canon Kabushiki Kaisha Method and apparatus for segmenting images
US8345974B2 (en) * 2009-07-14 2013-01-01 Hewlett-Packard Development Company, L.P. Hierarchical recursive image segmentation
CN102663396B (zh) * 2012-03-09 2013-12-18 华中科技大学 一种水稻乳熟期自动检测的方法
CN104949981A (zh) * 2014-03-24 2015-09-30 华中科技大学 一种棉花五真叶期自动检测方法及系统
CN107833225B (zh) * 2017-10-18 2020-06-16 中南民族大学 基于特征驱动启发式四色标签的图像分割方法及系统
CN108647652B (zh) * 2018-05-14 2022-07-01 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
CN109508633B (zh) * 2018-09-30 2020-10-09 广州地理研究所 一种基于光学遥感数据的甘蔗分布识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105205777A (zh) * 2015-08-28 2015-12-30 深圳市泰久信息系统股份有限公司 一种隐形图像密码的编码方法
CN107705264A (zh) * 2017-10-10 2018-02-16 深圳市华星光电半导体显示技术有限公司 一种图像处理方法、电子设备以及具有存储功能的装置
CN110766097A (zh) * 2019-11-04 2020-02-07 上海眼控科技股份有限公司 图像处理方法、装置、计算机设备及可读存储介质

Also Published As

Publication number Publication date
CN112069953A (zh) 2020-12-11

Similar Documents

Publication Publication Date Title
CN110120042B (zh) 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法
CN110827306B (zh) 基于自适应密度峰值聚类的紫色土图像分割提取方法
CN108596891A (zh) 一种面向多种类混合蚕茧的计数方法
CN101853333A (zh) 医疗机器人导航定位图像中的标记拾取方法
CN111259925B (zh) 基于k均值聚类和宽度突变算法的田间麦穗计数方法
CN108615239B (zh) 基于阈值技术和灰度投影的舌图像分割方法
CN105335749B (zh) 基于灰度共生矩阵的草地未割区域分界线提取方法
CN106803257A (zh) 一种作物病害叶片图像中病斑的分割方法
CN112395984B (zh) 一种用于无人驾驶农业机械的苗列导航线检测方法
CN106503695A (zh) 一种基于航拍图像的烟草植株识别与计数方法
CN110930427A (zh) 一种基于语义轮廓信息的图像分割方法、设备和存储介质
CN111784597A (zh) 一种植保机器人自主导航路径检测方法及服务器、存储介质
CN109859101B (zh) 农作物冠层热红外图像识别方法及系统
CN110455201B (zh) 基于机器视觉的茎秆作物高度测量方法
CN112330561B (zh) 基于交互式前景提取与信息熵分水岭的医学图像分割方法
CN106683098B (zh) 一种重叠叶片图像的分割方法
CN106097354A (zh) 一种结合自适应高斯肤色检测和区域生长的手部图像分割方法
CN109145848A (zh) 一种麦穗计数方法
CN112069953B (zh) 一种水稻秧苗生长期自动识别方法、装置
CN112146646A (zh) 一种作物封垄后田间导航线的检测方法
CN105654099A (zh) 基于改进视觉的甘蔗分割与识别方法
CN111784764A (zh) 一种茶叶嫩芽识别与定位算法
CN115965607A (zh) 一种智能中医舌诊辅助分析系统
CN116523898A (zh) 一种基于三维点云的烟草表型性状提取方法
CN113111892B (zh) 一种基于无人机影像的作物种植行提取方法

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
CB03 Change of inventor or designer information

Inventor after: Xue Xiaosong

Inventor after: Yan Fang

Inventor after: Liu Xiaoyu

Inventor after: Yu Tiantian

Inventor after: Wu Gangshan

Inventor after: Feng Xiang

Inventor after: Chen Shixiong

Inventor after: Fan Weilong

Inventor after: Dong Zhiru

Inventor before: Xue Xiaosong

Inventor before: Yan Fang

Inventor before: Liu Xiaoyu

Inventor before: Yu Tiantian

Inventor before: Wu Gangshan

Inventor before: Feng Xiang

Inventor before: Chen Shixiong

Inventor before: Fan Weilong

Inventor before: Dong Zhiru

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant