CN112131952A - 基于无人机遥感影像的玉米苗期株数信息提取 - Google Patents
基于无人机遥感影像的玉米苗期株数信息提取 Download PDFInfo
- Publication number
- CN112131952A CN112131952A CN202010872017.1A CN202010872017A CN112131952A CN 112131952 A CN112131952 A CN 112131952A CN 202010872017 A CN202010872017 A CN 202010872017A CN 112131952 A CN112131952 A CN 112131952A
- Authority
- CN
- China
- Prior art keywords
- image
- aerial vehicle
- unmanned aerial
- remote sensing
- vehicle remote
- 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
- 240000008042 Zea mays Species 0.000 title claims abstract description 39
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 39
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 30
- 235000005822 corn Nutrition 0.000 title claims abstract description 30
- 238000000605 extraction Methods 0.000 title claims abstract description 10
- 241000196324 Embryophyta Species 0.000 title claims abstract description 8
- 230000009466 transformation Effects 0.000 claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims abstract 3
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 claims description 9
- 235000009973 maize Nutrition 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000009395 breeding Methods 0.000 claims description 4
- 230000001488 breeding effect Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 239000000463 material Substances 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000000926 separation method Methods 0.000 abstract description 2
- 238000005381 potential energy Methods 0.000 description 4
- 229920006395 saturated elastomer Polymers 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于无人机遥感影像的玉米苗期株数信息提取，属于涉及无人机遥感图像技术领域，本利用无人机遥感技术以及计算机图像处理技术，对玉米苗的分叶特征进行提取，即通过阈值分割得到的二值图，从RGB影像中直接分离出玉米苗期形态信息，利用影像尺度缩放变换，去除材料小区中大部分的噪声点及骨架分叉，相比现有的采用人力进行识别，自动化程度高，识别出的玉米苗形态精度大大提高，不但节省了人力物力，还为田间大面积测定出苗率及最终估产提供了有力的支持。
Description
技术领域
本发明属无人机遥感图像技术领域，尤其涉及一种基于无人机遥感影像的玉米苗期株数信息提取。
背景技术
玉米的产量不仅受遗传因素的影响，还受到栽培方式与生长环境等因素综合影响。研究玉米苗期出苗株数对育种早期决策，研究不同品种出苗率，以及在空缺土地及时补种作物，提高产量起着重要作用。
虽然现代的农业机械化水平不断地提高，但是传统的生物量、叶面积指数和产量等表型参数大多还停留在人工操作阶段，耗时耗力，效率低且精度较低，因此需要采集高分辨率的影像，对作物表型进行研究。
近年来，无人机遥感凭借其平台易建性、成本低、操作简单、时空分辨率高等优势，已经成为农业定量遥感研究中快速、准确获取作物信息的主要工具，是当前研究的热点和趋势。但目前鲜有基于无人机遥感影像对玉米苗期株数信息提取进行研究。
发明内容
本发明要解决的技术问题是提供一种精度可靠，效果好，节省人力物力，为大面积测定出苗率及最终估产提供参考的基于无人机遥感影像的玉米苗期株数信息提取。
为了解决上述技术问题，本发明采用的技术方案是：一种基于无人机遥感影像的玉米苗期株数信息提取，包括以下步骤：
步骤一，获取玉米育种基地的无人机遥感影像；
步骤二，对所述无人机遥感影像的待分析区域进行RGB到HSV的色彩空间变换，进行颜色分析；
步骤三，通过变换得到的HSV色彩空间影像，对玉米苗期影像进行识别及形态拾取；
步骤四，根据玉米苗分叶特征集建立规则集，并根据不同类别的玉米苗分叶特征集，采用不同的影响缩放系数、分类处理；
步骤五，根据作物色彩特性，通过阈值分割进行边缘信息提取，得到作物土壤分离后的二值图，在作物分割二值图的基础上进行骨架提取，识别作物形态结构，得到玉米苗形态图。
在步骤三中，玉米苗期影像识别及形态拾取的具体步骤包括：数码影像获取、影像拼接与几何校正、影像色彩空间变换、数学形态学原理和影像尺度变换。
在步骤三中，HSV是RGB模式的非线性变换，其中H(色相)红色为0，绿色为120°，蓝色为240°；S(饱和度)0为灰色，100％达到完全饱和，取值范围为0～1.0，值越大颜色越饱和；V(明度)取值范围为0～255，取值为0时为黑色，255时达到最大亮度为白色。
在步骤四中，将玉米苗分叶特征集包括两类，一类为为窄叶-叶小，二类为宽叶-叶大。
由于采用上述技术方案，本发明利用无人机遥感技术以及计算机图像处理技术，对玉米苗的分叶特征进行提取，即通过阈值分割得到的二值图，从RGB影像中直接分离出玉米苗期形态信息，利用影像尺度缩放变换，去除材料小区中大部分的噪声点及骨架分叉，相比现有的采用人力进行识别，自动化程度高，识别出的玉米苗形态精度大大提高，不但节省了人力物力，还为田间大面积测定出苗率及最终估产提供了有力的支持。
具体实施方式
下面结合实施例进一步叙述本发明：
一种基于无人机遥感影像的玉米苗期株数信息提取，包括以下步骤：
步骤一，获取玉米育种基地的无人机遥感影像；
步骤二，对所述无人机遥感影像的待分析区域进行RGB到HSV的色彩空间变换，进行颜色分析；
步骤三，通过变换得到的HSV色彩空间影像(HSV是RGB模式的非线性变换，其中H(色相)红色为0，绿色为120°，蓝色为240°；S(饱和度)0为灰色，100％达到完全饱和，取值范围为0～1.0，值越大颜色越饱和；V(明度)取值范围为0～255，取值为0时为黑色，255时达到最大亮度为白色)，对玉米苗期影像进行识别及形态拾取；玉米苗期影像识别及形态拾取的具体步骤包括：依次进行数码影像获取、影像拼接与几何校正、影像色彩空间变换、数学形态学原理、影像尺度变换；
步骤四，根据玉米苗分叶特征集建立规则集，并根据不同类别的玉米苗分叶特征集，将玉米苗分叶特征集包括两类，一类为为窄叶-叶小，二类为宽叶-叶大，采用不同的影响缩放系数、分类处理，影像尺度缩放系数为0.05与0.07；
步骤五，根据作物色彩特性，通过阈值分割进行边缘信息提取，得到作物土壤分离后的二值图，在作物分割二值图的基础上进行骨架提取，识别作物形态结构，得到玉米苗形态图，
设原始影像中的像素点p(i，j)，(i、j为格网坐标数值，m、n为像素点临近格网坐标数值)，当p(i，j)＝0时，响应点为黑点；当值为1时，为白色背景点。其中q(i，j)为：
若q(i，j)<9，且不为0，则说明该背景像素点周围至少临近了一个黑点，此时该点被标注为边界点x(i，j)，所有的边界点x(i，j)的集合为X。在求取像素点势能时，只计算以像素点为中心半径为r的范围内各边界点对该点的影响。以窗口中间像素为中心，考察其对邻近点的势能矢量对，若两者角为钝角，则可以认为当前点在该对称方向的势能为0。若所有4对对称邻近点在当前点上形成的势能矢量都为0，则该像素点为基本骨架。
以上对本发明的实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明范围所作的均等变化与改进等，均应仍归属于本专利涵盖范围之内。
Claims (3)
1.一种基于无人机遥感影像的玉米苗期株数信息提取，其特征在于：包括以下步骤：
步骤一，获取玉米育种基地的无人机遥感影像；
步骤二，对所述无人机遥感影像的待分析区域进行RGB到HSV的色彩空间变换，进行颜色分析；
步骤三，通过变换得到的HSV色彩空间影像，对玉米苗期影像进行识别及形态拾取；
步骤四，根据玉米苗分叶特征集建立规则集，并根据不同类别的玉米苗分叶特征集，采用不同的影响缩放系数、分类处理；
步骤五，根据作物色彩特性，通过阈值分割进行边缘信息提取，得到作物土壤分离后的二值图，在作物分割二值图的基础上进行骨架提取，识别作物形态结构，得到玉米苗形态图。
2.根据权利要求1所述的基于无人机遥感影像的玉米苗期株数信息提取，其特征在于：在步骤三中，玉米苗期影像识别及形态拾取的具体步骤包括：数码影像获取、影像拼接与几何校正、影像色彩空间变换、数学形态学原理和影像尺度变换。
3.根据权利要求1所述的基于无人机遥感影像的玉米苗期株数信息提取，其特征在于：在步骤四中，将玉米苗分叶特征集包括两类，一类为为窄叶-叶小，二类为宽叶-叶大。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010872017.1A CN112131952A (zh) | 2020-08-26 | 2020-08-26 | 基于无人机遥感影像的玉米苗期株数信息提取 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010872017.1A CN112131952A (zh) | 2020-08-26 | 2020-08-26 | 基于无人机遥感影像的玉米苗期株数信息提取 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112131952A true CN112131952A (zh) | 2020-12-25 |
Family
ID=73848609
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010872017.1A Pending CN112131952A (zh) | 2020-08-26 | 2020-08-26 | 基于无人机遥感影像的玉米苗期株数信息提取 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112131952A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113283346A (zh) * | 2021-05-28 | 2021-08-20 | 捷佳润科技集团股份有限公司 | 一种基于机器学习的火龙果产量预测方法 |
| CN113888397A (zh) * | 2021-10-08 | 2022-01-04 | 云南省烟草公司昆明市公司 | 基于无人机遥感和图像处理技术的烟草清塘点株方法 |
| CN113989253A (zh) * | 2021-11-04 | 2022-01-28 | 广东皓行科技有限公司 | 农田目标对象信息的获取方法及装置 |
| CN117274844A (zh) * | 2023-11-16 | 2023-12-22 | 山东科技大学 | 利用无人机遥感影像的大田花生出苗情况快速提取方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106909881A (zh) * | 2017-01-16 | 2017-06-30 | 中国农业大学 | 基于无人机遥感影像提取玉米育种基地垄数的方法及系统 |
| CN106951824A (zh) * | 2017-02-06 | 2017-07-14 | 中国农业大学 | 基于无人机遥感影像提取玉米植株叶色的方法及系统 |
-
2020
- 2020-08-26 CN CN202010872017.1A patent/CN112131952A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106909881A (zh) * | 2017-01-16 | 2017-06-30 | 中国农业大学 | 基于无人机遥感影像提取玉米育种基地垄数的方法及系统 |
| CN106951824A (zh) * | 2017-02-06 | 2017-07-14 | 中国农业大学 | 基于无人机遥感影像提取玉米植株叶色的方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 刘帅兵 等: "基于无人机遥感影像的玉米苗期株数信息提取方法", 《农业工程学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113283346A (zh) * | 2021-05-28 | 2021-08-20 | 捷佳润科技集团股份有限公司 | 一种基于机器学习的火龙果产量预测方法 |
| CN113888397A (zh) * | 2021-10-08 | 2022-01-04 | 云南省烟草公司昆明市公司 | 基于无人机遥感和图像处理技术的烟草清塘点株方法 |
| CN113989253A (zh) * | 2021-11-04 | 2022-01-28 | 广东皓行科技有限公司 | 农田目标对象信息的获取方法及装置 |
| CN117274844A (zh) * | 2023-11-16 | 2023-12-22 | 山东科技大学 | 利用无人机遥感影像的大田花生出苗情况快速提取方法 |
| CN117274844B (zh) * | 2023-11-16 | 2024-02-06 | 山东科技大学 | 利用无人机遥感影像的大田花生出苗情况快速提取方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112131952A (zh) | 基于无人机遥感影像的玉米苗期株数信息提取 | |
| Anand et al. | An application of image processing techniques for detection of diseases on brinjal leaves using k-means clustering method | |
| CN100416590C (zh) | 利用位置和纹理特征自动识别作物苗期田间杂草的方法 | |
| CN107316289A (zh) | 基于深度学习和超像素分割的大田稻穗分割方法 | |
| CN110163138B (zh) | 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法 | |
| CN108710840B (zh) | 一种农田喷药机器人视觉导航路径识别方法 | |
| CN106845497B (zh) | 基于多特征融合的玉米前期图像旱情识别方法 | |
| CN110610506B (zh) | 一种基于图像处理技术的姬松茸子实体生长参数检测方法 | |
| CN112766155A (zh) | 一种基于深度学习的海水养殖区提取方法 | |
| CN109522929A (zh) | 一种基于多源图像融合的自然环境下麦田杂草识别方法 | |
| Concepcion et al. | Genetic algorithm-based visible band tetrahedron greenness index modeling for lettuce biophysical signature estimation | |
| CN105719282A (zh) | 一种果园红色苹果图像果实枝叶区域获取方法 | |
| CN102542560A (zh) | 一种水稻移栽后密度自动检测的方法 | |
| CN112016596A (zh) | 基于卷积神经网络的农田土壤肥力评价方法 | |
| CN113011221A (zh) | 作物分布信息的获取方法、装置及测量系统 | |
| CN115641504A (zh) | 一种基于作物物候特征与决策树模型的田块边界自动化遥感提取方法 | |
| CN110276775B (zh) | 一种基于机器视觉的番茄穴盘苗嫁接切削参数识别方法 | |
| CN110516648B (zh) | 基于无人机遥感和模式识别的苎麻株数识别方法 | |
| Loresco et al. | Segmentation of lettuce plants using super pixels and thresholding methods in smart farm hydroponics setup | |
| CN114612794A (zh) | 一种细碎化农业区土地覆被与种植结构的遥感识别方法 | |
| CN107886497A (zh) | 一种基于图像的小麦旗叶无损自动检测及测量方法 | |
| He et al. | A calculation method of phenotypic traits of soybean pods based on image processing technology | |
| CN110232345A (zh) | 使用计算机生成杂草识别模型的程序和杂草识别装置 | |
| CN116524344A (zh) | 一种基于rgb-d信息融合的番茄串采摘点检测方法 | |
| Shuai et al. | Image segmentation of field rape based on template matching and K-means clustering |
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: 20201225 |
|
| RJ01 | Rejection of invention patent application after publication |