CN113470104A - 基于灰度值对比的小麦穗粒计数测量方法及系统 - Google Patents
基于灰度值对比的小麦穗粒计数测量方法及系统 Download PDFInfo
- Publication number
- CN113470104A CN113470104A CN202110826470.3A CN202110826470A CN113470104A CN 113470104 A CN113470104 A CN 113470104A CN 202110826470 A CN202110826470 A CN 202110826470A CN 113470104 A CN113470104 A CN 113470104A
- Authority
- CN
- China
- Prior art keywords
- ear
- image
- wheat
- binary
- gray
- 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
- 241000495841 Oenanthe oenanthe Species 0.000 title claims abstract description 273
- 235000013339 cereals Nutrition 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000007781 pre-processing Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims description 71
- 241000209140 Triticum Species 0.000 claims description 55
- 235000021307 Triticum Nutrition 0.000 claims description 55
- 238000004590 computer program Methods 0.000 claims description 22
- 239000010902 straw Substances 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 9
- 238000004904 shortening Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 210000000746 body region Anatomy 0.000 claims description 5
- 230000002093 peripheral effect Effects 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000000691 measurement method Methods 0.000 claims description 4
- 210000005069 ears Anatomy 0.000 abstract description 13
- 238000012360 testing method Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 11
- 238000003491 array Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 241001024327 Oenanthe <Aves> Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000001454 recorded image Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/10004—Still image; Photographic 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
-
- 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
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于灰度值对比的小麦穗粒计数测量方法，包括获取单只麦穗图像并分离出麦穗主体图像；对麦穗主体图像进行预处理得到第一麦穗轮廓线、第二麦穗轮廓线以及中心线，进行第二预处理得到第一麦穗灰度图和第二麦穗灰度图以及第一麦穗二值化图和第二麦穗二值化图；对第一麦穗的穗粒进行细分以及基于第二麦穗灰度图和第二麦穗二值化图第二麦穗的穗粒进行细分并进行汇总，得到新麦穗细分二值图；再得到单只麦穗的穗粒定位详情，进而对麦穗穗粒计数。基于本发明对比麦穗与麦穗间缝隙的灰度值来判断麦穗穗粒的个数，能极大地保留了原图的信息，减少漏识别与误识别。在实际测试过程中测试时间短，精确度高，测试效果良好。
Description
技术领域
本发明属于图像处理技术领域，尤其涉及一种基于灰度值对比的小麦穗粒计数测量方法及系统。
背景技术
俗话说，民以食为天，而小麦在粮食作物中占据着非常重要的地位。小麦的产量与品质关系着人类的生活质量。麦穗形态尤其是麦穗的穗长和穗粒数与小麦的产量有着直接的关系，研究麦穗形态特征，对于指导生产、指定高产优质高效栽培技术措施具有积极的意义。
麦穗形态几何参数主要包括穗长和穗粒数。目前，对于麦穗形态测量方法的研究很少，传统的方法主要是通过人工数数的方式来完成，不仅效率低，而且耗费人力以及时间成本较大。市场上现有的研究中，是通过二值图来识别麦穗形态，对于麦穗的信息保留度较低，容易漏识别或者误识别。
发明内容
本发明针对现有技术中的缺点，提供了一种基于灰度值对比的小麦穗粒计数测量方法及系统。
为了解决上述技术问题，本发明通过下述技术方案得以解决：
一种基于灰度值对比的小麦穗粒计数测量方法，包括以下步骤：
获取单只麦穗图像并分离出麦穗主体图像；
对麦穗主体图像进行预处理得到第一麦穗轮廓线、第二麦穗轮廓线以及中心线，基于第一麦穗轮廓线、第二麦穗轮廓线以及中心线进行第二预处理得到第一麦穗灰度图和第二麦穗灰度图以及第一麦穗二值化图和第二麦穗二值化图；
分别基于第一麦穗灰度图和第一麦穗二值化图对第一麦穗的穗粒进行细分以及基于第二麦穗灰度图和第二麦穗二值化图对第二麦穗的穗粒进行细分并进行汇总，得到新麦穗细分二值图；
基于新麦穗细分二值图得到单只麦穗的穗粒定位详情，进而对麦穗穗粒计数。
作为一种可实施方式，获取单只麦穗图像并分离出麦穗主体图像，具体为：
所述单只麦穗图像基于黑色背景板获得；
对单只麦穗图像进行二值化处理，根据长度特征去除下部的麦秆部分以及上部的麦芒部分，得到麦穗主体图像。
作为一种可实施方式，所述对麦穗主体图像进行预处理得到第一麦穗轮廓线、第二麦穗轮廓线以及中心线，基于第一麦穗轮廓线、第二麦穗轮廓线以及中心线进行第二预处理得到第一麦穗灰度图和第二麦穗灰度图以及第一麦穗二值化图和第二麦穗二值化图，具体步骤包括：
基于麦穗主体图像分离出麦穗主体亮度通道图像；
对麦穗主体亮度通道图像进行二值化处理，得到麦穗主体两边的轮廓线和中心线，麦穗主体两边的轮廓线即第一麦穗轮廓线和第二麦穗轮廓线；
保持不变中心线并分别缩短第一轮廓线和第二轮廓线到中心线的距离，得到第一调整轮廓线和第二调整轮廓线；
分别将第一调整轮廓线和中心线以及第二调整轮廓线和中心线的首尾相连并进行内部填充，得到第一二值区域图像和第二二值区域图像；
将麦穗主体亮度通道图像进行处理得到麦穗主体灰度图，再进行自适应二值化处理，得到麦穗主体二值化图；
分别以第一二值区域图像和第二二值区域图像做掩膜并与所述麦穗主体灰度图做运算，得到第一麦穗灰度图和第二麦穗灰度图，分别以第一二值区域图像和第二二值区域图像做掩膜并与麦穗主体二值化图做运算，得到第一麦穗二值化图和第二麦穗二值化图。
作为一种可实施方式，所述得到新麦穗细分二值图，包括以下步骤：
对第一麦穗二值化图、第二麦穗二值化图、第一麦穗灰度图和第二麦穗灰度图进行第二预处理，得到第一麦穗细分二值图和第二麦穗细分二值图；
将第一麦穗细分二值图和第二麦穗细分二值图求和得到麦穗细分二值图；
将第一轮廓线和第二轮廓线首尾相连并进行处理得到麦穗主体区域图；
以麦穗主体区域图为掩膜与麦穗细分二值图进行运算得到新麦穗细分二值图。
作为一种可实施方式，所述得到第一麦穗细分二值图和第二麦穗细分二值图，具体步骤为：
基于第一麦穗灰度图获得与中心线上每个点的连线以及麦芒方向成50-80度范围内倾斜角的方向线形成线段集；
根据第一麦穗二值化图得到第一麦穗沿中心线在每个倾斜角上的宽度，根据第一麦穗灰度图和第一麦穗二值化图计算第一麦穗在每个倾斜角上的灰度均值并形成灰度均值数组；
根据第一麦穗的穗粒与间隙的灰度差值，通过遍历灰度均值数组得到一系列极小值点和极大值点并形成极小值数组和极大值数组；
基于第一麦穗二值化图以及中心线、线段集、极小值数组的极小值和极大值数组的极大值，计算第一麦穗在第一麦穗二值化图方向线上的最大宽度，进而得到第一麦穗细分二值图；
基于第二麦穗灰度图获得与中心线上每个点的连线以及麦芒方向成50-80度范围内倾斜角的方向线形成线段集；
根据第二麦穗二值化图得到第二麦穗沿中心线在每个倾斜角上的宽度，根据第二麦穗灰度图和第二麦穗二值化图计算第二麦穗在每个倾斜角上的灰度均值并形成灰度均值数组；
根据第二麦穗的穗粒与间隙的灰度差值，通过遍历灰度均值数组得到一系列极小值点和极大值点并形成第二极小值数组和第二极大值数组；
基于第二麦穗二值化图以及中心线、线段集、第二极小值数组的极小值和第二极大值数组的极大值，计算第二麦穗在第二麦穗二值化图方向线上的最大宽度，进而得到第二麦穗细分二值图。
作为一种可实施方式，所述基于新麦穗细分二值图麦穗的穗粒定位详情，进而对麦穗穗粒计数，包括以下步骤：
获取新麦穗细分二值图，计算新麦穗细分二值图中连通域的个数与中心点并形成中心点数组；
计算中心点数组中对应的点在麦穗主体灰度图中的灰度值，通过判定中心灰度值与周围灰度值的差值，剔除位于麦芒附近不符合要求的中心点，将处理后的中心点形成新中心点数组并进行保存；
将新中心点数组映射回单只麦穗图像中并绘制到单只麦穗图像中，得到单只麦穗的穗粒定位详情，基于定位详情对麦穗穗粒进行计数得到麦穗穗粒数量。
一种基于灰度值对比的小麦穗粒计数测量系统，包括获取图像模块、第一处理模块、第二处理模块及定位计数模块；
所述获取图像模块，用于获取单只麦穗图像并分离出麦穗主体图像；
所述第一处理模块，对麦穗主体图像进行预处理得到第一麦穗轮廓线、第二麦穗轮廓线以及中心线，基于第一麦穗轮廓线、第二麦穗轮廓线以及中心线进行第二预处理得到第一麦穗灰度图和第二麦穗灰度图以及第一麦穗二值化图和第二麦穗二值化图；
所述第二处理模块，分别基于第一麦穗灰度图和第一麦穗二值化图对第一麦穗的穗粒进行细分以及基于第二麦穗灰度图和第二麦穗二值化图对第二麦穗的穗粒进行细分并进行汇总，得到新麦穗细分二值图；
所述定位计数模块，基于新麦穗细分二值图得到单只麦穗的穗粒定位详情，进而对麦穗穗粒计数。
作为一种可实施方式，所述第一处理模块被设置为：
基于麦穗主体图像分离出麦穗主体亮度通道图像；
对麦穗主体亮度通道图像进行二值化处理，得到麦穗主体两边的轮廓线和中心线，麦穗主体两边的轮廓线即第一麦穗轮廓线和第二麦穗轮廓线；
对第一麦穗轮廓线和第二麦穗轮廓线进行光滑处理得到第一轮廓线和第二轮廓线；
保持不变中心线并分别缩短第一轮廓线和第二轮廓线到中心线的距离，得到第一调整轮廓线和第二调整轮廓线；
分别将第一调整轮廓线和中心线以及第二调整轮廓线和中心线的首尾相连并进行内部填充，得到第一二值区域图像和第二二值区域图像；
将麦穗主体亮度通道图像进行处理得到麦穗主体灰度图，再进行自适应二值化处理，得到麦穗主体二值化图；
分别以第一二值区域图像和第二二值区域图像做掩膜并与所述麦穗主体灰度图做运算，得到第一麦穗灰度图和第二麦穗灰度图，分别以第一二值区域图像和第二二值区域图像做掩膜并与麦穗主体二值化图做运算，得到第一麦穗二值化图和第二麦穗二值化图。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如下的方法步骤：
获取单只麦穗图像并分离出麦穗主体图像；
对麦穗主体图像进行预处理得到第一麦穗轮廓线、第二麦穗轮廓线以及中心线，基于第一麦穗轮廓线、第二麦穗轮廓线以及中心线进行第二预处理得到第一麦穗灰度图和第二麦穗灰度图以及第一麦穗二值化图和第二麦穗二值化图；
分别基于第一麦穗灰度图和第一麦穗二值化图对第一麦穗的穗粒进行细分以及基于第二麦穗灰度图和第二麦穗二值化图对第二麦穗的穗粒进行细分并进行汇总，得到新麦穗细分二值图；
基于新麦穗细分二值图得到单只麦穗的穗粒定位详情，进而对麦穗穗粒计数。
一种基于灰度值对比的小麦穗粒计数测量装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下的方法步骤：
获取单只麦穗图像并分离出麦穗主体图像；
对麦穗主体图像进行预处理得到第一麦穗轮廓线、第二麦穗轮廓线以及中心线，基于第一麦穗轮廓线、第二麦穗轮廓线以及中心线进行第二预处理得到第一麦穗灰度图和第二麦穗灰度图以及第一麦穗二值化图和第二麦穗二值化图；
分别基于第一麦穗灰度图和第一麦穗二值化图对第一麦穗的穗粒进行细分以及基于第二麦穗灰度图和第二麦穗二值化图对第二麦穗的穗粒进行细分并进行汇总，得到新麦穗细分二值图；
基于新麦穗细分二值图得到单只麦穗的穗粒定位详情，进而对麦穗穗粒计数。
本发明由于采用了以上技术方案，具有显著的技术效果：
在本发明中，将数字图像处理技术应用于农业领域的自动叶片面积分析进而得到麦穗的穗粒，取代人工分析和仪器分析，节省人力成本和设备成本，大幅度地提高工作效率。
通过基于麦穗图像与间隙和灰度对比进行单只麦穗穗粒分割，相比于根据二值图来分割麦穗穗粒，可以更好的保留原图的基本信息，减少漏识别与误识别，提高穗粒分割的准确度。
另外，本发明获取图像的方式简单，通过移动终端就可以拍照获得，应用起来非常方便，有利于推广使用。
综上，基于本发明的方法能够通过对比麦穗与麦穗间缝隙的灰度值来判断麦穗穗粒的个数，可以极大地保留了原图的信息，减少漏识别与误识别。并且该方法在实际测试过程中测试时间短，精确度高，测试效果良好，可以极大地节省广大农业研究人员的时间和精力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图 1为本发明整体算法处理流程图；
图2本发明中获得单只麦穗图像的示意图；
图3为本发明分离出麦穗主体部分步骤的示意图；
图4 为从中心线分离出左右两部分麦穗的示意图；
图5为根据麦穗宽度和灰度均值分割麦穗的示意图；
图6为基于本发明算法得到的麦穗穗粒计数示意图；
图7为本发明的流程示意图；
图8为本发明的系统示意图。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
在现有技术中，对于麦穗穗粒的测量方法的研究很少，大部分是通过人工数数的方式来完成，不仅效率低，而且耗费人力以及时间成本较大，不过随着图像处理以及大数据智能化的应用，也有是通过二值图来识别麦穗穗粒或者穗长等麦穗的形态，但是基于二值图进行处理后，麦穗的信息保留度较低，因此这种方式很容易漏识别或者误识别，不能够精确的得到麦穗的形态。
实施例1：
一种基于灰度值对比的小麦穗粒计数测量方法，包括以下步骤：
S100、获取单只麦穗图像并分离出麦穗主体图像；
S200、对麦穗主体图像进行预处理得到第一麦穗轮廓线、第二麦穗轮廓线以及中心线，基于第一麦穗轮廓线、第二麦穗轮廓线以及中心线进行第二预处理得到第一麦穗灰度图和第二麦穗灰度图以及第一麦穗二值化图和第二麦穗二值化图；
S300、分别基于第一麦穗灰度图和第一麦穗二值化图对第一麦穗的穗粒进行细分以及基于第二麦穗灰度图和第二麦穗二值化图对第二麦穗的穗粒进行细分并进行汇总，得到新麦穗细分二值图；
S400、基于新麦穗细分二值图得到单只麦穗的穗粒定位详情，进而对麦穗穗粒计数。
具体地，在本发明中，获取单只麦穗图像并分离出麦穗主体图像，具体为：
所述单只麦穗图像基于黑色背景板获得；
对单只麦穗图像进行二值化处理，根据长度特征去除下部的麦秆部分以及上部的麦芒部分，得到麦穗主体图像。
在此实施例中，为了对图像更方便容易进行处理，因此采用的是黑色背景板，由于黑色背景板和麦穗的色差非常大，因此在图像处理时就比较方便，轮廓更清晰。
在一个实施例中，所述对麦穗主体图像进行预处理得到第一麦穗轮廓线、第二麦穗轮廓线以及中心线，基于第一麦穗轮廓线、第二麦穗轮廓线以及中心线进行第二预处理得到第一麦穗灰度图和第二麦穗灰度图以及第一麦穗二值化图和第二麦穗二值化图，具体步骤包括：
S210、基于麦穗主体图像分离出麦穗主体亮度通道图像；
S220、对麦穗主体亮度通道图像进行二值化处理，得到麦穗主体两边的轮廓线和中心线，麦穗主体两边的轮廓线即第一麦穗轮廓线和第二麦穗轮廓线；
S230、保持不变中心线并分别缩短第一轮廓线和第二轮廓线到中心线的距离，得到第一调整轮廓线和第二调整轮廓线；
S240、分别将第一调整轮廓线和中心线以及第二调整轮廓线和中心线的首尾相连并进行内部填充，得到第一二值区域图像和第二二值区域图像；
S250、将麦穗主体亮度通道图像进行处理得到麦穗主体灰度图，再进行自适应二值化处理，得到麦穗主体二值化图；
S260、分别以第一二值区域图像和第二二值区域图像做掩膜并与所述麦穗主体灰度图做运算，得到第一麦穗灰度图和第二麦穗灰度图，分别以第一二值区域图像和第二二值区域图像做掩膜并与麦穗主体二值化图做运算，得到第一麦穗二值化图和第二麦穗二值化图。
在此步骤中，可以知晓，是先通过二值化处理得到麦穗主体两边的轮廓线和中心线，麦穗主体两边的轮廓线即第一麦穗轮廓线和第二麦穗轮廓线，再进行处理得到第一轮廓线和第二轮廓线，在中心线的基础上再进行一系列处理，最终得到得到第一麦穗灰度图和第二麦穗灰度图以及第一麦穗二值化图和第二麦穗二值化图，而并非和传统方式一样，直接获得整体麦穗二值化图和整体麦穗二值化图。此方法通过中心线来对麦穗进行分离，相比于根据二值图来分割麦穗穗粒，可以更好的保留原图的基本信息，减少漏识别与误识别，提高穗粒分割的准确度。
另外，所述得到新麦穗细分二值图，包括以下步骤：
S310、对第一麦穗二值化图、第二麦穗二值化图、第一麦穗灰度图和第二麦穗灰度图进行第二预处理，得到第一麦穗细分二值图和第二麦穗细分二值图；
S320、将第一麦穗细分二值图和第二麦穗细分二值图求和得到麦穗细分二值图；
S330、将第一轮廓线和第二轮廓线首尾相连并进行处理得到麦穗主体区域图；
S340、以麦穗主体区域图为掩膜与麦穗细分二值图进行运算得到新麦穗细分二值图。
在以上S310步骤中，所述得到第一麦穗细分二值图和第二麦穗细分二值图，具体步骤为：
S3110、基于第一麦穗灰度图获得与中心线上每个点的连线以及麦芒方向成50-80度范围内倾斜角的方向线形成线段集；
S3120、根据第一麦穗二值化图得到第一麦穗沿中心线在每个倾斜角上的宽度，根据第一麦穗灰度图和第一麦穗二值化图计算第一麦穗在每个倾斜角上的灰度均值并形成灰度均值数组；
S3130、根据第一麦穗的穗粒与间隙的灰度差值，通过遍历灰度均值数组得到一系列极小值点和极大值点并形成极小值数组和极大值数组；
S3140、基于第一麦穗二值化图以及中心线、线段集、极小值数组的极小值和极大值数组的极大值，计算第一麦穗在第一麦穗二值化图方向线上的最大宽度；
S3150、在第一麦穗二值化图中绘制中心线vecMiddlePts，颜色为背景色，宽度为2个像素，在中心线对应极小值数组的位置，绘制方向线，颜色为背景色，宽度为5个像素，在对应极大值数组位置，绘制方向线，颜色为前景色，宽度为5个像素，方向线长度均为最大宽度，得到第一麦穗细分二值图；
S3160、基于第二麦穗灰度图获得与中心线上每个点的连线以及麦芒方向成50-80度范围内倾斜角的方向线形成线段集；
S3170、根据第二麦穗二值化图得到第二麦穗沿中心线在每个倾斜角上的宽度，根据第二麦穗灰度图和第二麦穗二值化图计算第二麦穗在每个倾斜角上的灰度均值并形成灰度均值数组；
S3180、根据第二麦穗的穗粒与间隙的灰度差值，通过遍历灰度均值数组得到一系列极小值点和极大值点并形成第二极小值数组和第二极大值数组；
S3190、基于第二麦穗二值化图以及中心线、线段集、第二极小值数组的极小值和第二极大值数组的极大值，计算第二麦穗在第二麦穗二值化图方向线上的最大宽度；
S3200、在第二麦穗二值化图中绘制中心线vecMiddlePts，颜色为背景色，宽度为2个像素，在中心线对应极小值数组的位置，绘制方向线，颜色为背景色，宽度为5个像素，在对应极大值数组位置，绘制方向线，颜色为前景色，宽度为5个像素，方向线长度均为最大宽度，得到第二麦穗细分二值图。
此过程是生成第一麦穗细分二值图和第二麦穗细分二值图的详细过程，通过以上的过程能够准确的得到第一麦穗细分二值图和第二麦穗细分二值图。
在一个实施例中，所述基于新麦穗细分二值图麦穗的穗粒定位详情，进而对麦穗穗粒计数，包括以下步骤：
S410、获取新麦穗细分二值图，计算新麦穗细分二值图中连通域的个数与中心点并形成中心点数组；
S420、计算中心点数组中对应的点在麦穗主体灰度图中的灰度值，通过判定中心灰度值与周围灰度值的差值，剔除位于麦芒附近不符合要求的中心点，将处理后的中心点形成新中心点数组并进行保存；
S430、将新中心点数组映射回单只麦穗图像中并绘制到单只麦穗图像中，得到单只麦穗的穗粒定位详情，基于定位详情对麦穗穗粒进行计数得到麦穗穗粒数量。
参照附图1-6所示来解释本发明的方法：
图1给出的是一个大致的流程，在此可以重点参照图2-图6对本发明的方法进行示例。
参见图2，获取单只麦穗图像，获取的图像记录为img1，图像img1即为单只麦穗图像。
具体地实现步骤为：
S1.1、将小麦放置在黑色背景板，用手机、相机或者其他终端进行拍照获取，将此图像记为img11。
从单个麦穗图像中去除麦芒和麦秆，分离出麦穗主体图像，如图3所示，具体地，可以参见以下步骤：
S2.1、获得S1.1的处理结果img11，对img11做二值化，得到img21；
S2.2、获得S2.1的处理结果img21，从左到右扫描二值图，记录每行前景色的宽度，根据宽度特征去除下部的麦秆部分，记得到的图像为img22；
S2.3、获得S2.2的处理结果img22，计算去除麦秆后的二值图中间1/3的前景色宽度均值，作为正常麦穗宽度，扫描二值图上部1/3每一行，计算连续的前景色宽度占据平均宽度的比例，并计算连续的前景色宽度占据当前行前景色宽度的比例，以及连续的前景色宽度占当前行左右两边前景色跨度的比例，通过调整三个数值的比例，去除多余的麦芒，得到最终的麦穗主体图像为img23，图像img23即为麦穗主体图像。
再根据麦穗二值图获得两边轮廓，并根据两边轮廓获得中心线，最终根据三条轮廓线分离出左右两部分麦穗的过程，分割结果如图4所示，具体步骤如下：
S3.1、获取S2.3的麦穗主体部分图像img23，分离出它的亮度通道图像，记为img31，图像img31即为麦穗主体亮度通道图像；
S3.2、获得S3.1处理结果img31，对图像进行二值化，根据二值图获得麦穗主体左右两边的轮廓线，对两条轮廓线进行光滑处理，并保存在数组vecLeftPts和vecRightPts中，数组vecLeftPts和vecRightPts分别为所有麦穗的第一麦穗轮廓线和第一麦穗轮廓线的集合，求出两条轮廓线的中心线，保存在数组vecMiddlePts中，同理，数组vecMiddlePts为所有麦穗的中心线的集合；
S3.3、获得S3.2的处理结果vecLeftPts、vecRightPts和vecMiddlePts中相应的线。保持中心线不变，计算左右两边轮廓线到中心线的距离，使得当左右两边轮廓点列到中心线的距离大于10个像素时，调整左右两边轮廓点列为原来的0.6倍，将调整后的左右两边轮廓线保存在数组vecLeftPtsNew、vecRightPtsNew中，数组vecLeftPtsNew、vecRightPtsNew中保存的为第一调整轮廓线和第二调整轮廓线；
S3.4、获得S3.1的结果图img31和S3.3的第一调整轮廓线、第二调整轮廓线和中心线，将第一调整轮廓线和中心线首尾相连， 第二调整轮廓线和中心线首尾相连，分别画在和img31等尺寸的黑色背景图中并填充前景色，得到左右两部分麦穗的区域图像，分别记为img341和img342，img341和img342分别为第一二值区域图像和第二二值区域图像；
S3.5、获得S3.1的麦穗图像img31，分离出图像img31的L通道和V通道，用L通道减去V通道图像，得到新的灰度图，记为img351，对img351进行自适应二值化操作，记为img352，img352为麦穗主体二值化图。
S3.6、获得S3.4的图img341、img342以及S3.5的结果图img351、img352，分别以img341和img342做掩膜，与img351做运算，得到左右两部分的麦穗灰度图，分别记为imgGrayLeft和imgGrayRight，imgGrayLeft和imgGrayRight分别为第一麦穗灰度图和第二麦穗灰度图；分别以img341和img342做掩膜，与img352做运算，得到左右两部分的麦穗二值图，分别记为imgBinaryLeft和imgBinaryRight，imgBinaryLeft和imgBinaryRight即为第一麦穗二值化图和第二麦穗二值化图。
进一步地，按照亮度均值大的为麦穗位置，亮度均值小的为麦穗间隙的原理，对两边麦穗进行细分，细分结果如图4所示，具体步骤为：
S4.1、对左右两部分穗粒进行细分，下面仅以左边进行说明，获得S3.6的处理结果imgGrayLeft以及S3.2的处理结果vecMiddlePts。获得与中心线vecMiddlePts上每个点的连线和麦芒方向成50-80度范围内倾斜角的方向线，保存在数组vecDirectPts中；
S4.2、获得S4.1的处理结果vecDirectPts以及S3.6的处理结果imgGrayLeft和imgBinaryLeft，根据麦穗二值化图imgBinaryLeft，求左边麦穗部分在中心线上vecMiddlePts每个倾斜角上的宽度，将宽度保存在数组vecLefLength中，根据第一麦穗灰度图imgGrayLeft和第一麦穗二值化图imgBinaryLeft，计算左边麦穗部分在每个倾斜角上的灰度均值，将灰度均值保存在数组vecLeftGrayMean中；
S4.3、获得S3.2的结果vecMiddlePts以及S4.2的处理结果imgBinaryLeft、vecLeftLength和vecLeftGrayMean，根据imgBinaryLeft的前景色的范围获得图像上下的有效边界，然后根据veLeftLength获得左边麦穗的最大宽度，最大宽度记为maxLength，左边麦穗即为第一麦穗，右边麦穗为第二麦穗，最后按照亮度均值大的为麦穗位置，亮度均值小的为麦穗间隙的原理，对有效范围内的麦穗进行分割，详细分割过程如下：
1）记vecLeftGrayMean最大亮度均值对应中心线点列的序号为maxIndex，以最大亮度均值位置maxIndex为起点，向下遍历数组vecLeftGrayMean，在长度为maxLength范围内，寻找与最大亮度均值距离最近的最小亮度均值的位置，记该位置为minIndex；
2）以最小亮度均值minIndex为起点，继续向下遍历数组vecLeftGrayMean，在长度为maxLength范围内，寻找与最小亮度均值距离最近的最大亮度均值的位置，记该位置为maxIndex2；
3）按照上述规律，向下遍历数组vecLeftGrayMean，直至遍历结束，然后再按照上述规律以最大亮度均值位置maxIndex为起点，向上遍历数组vecLeftGrayMean；
4）通过遍历数组vecLeftGrayMean，得到一系列极小值点和一系列极大值点，将它们保存在数组vecMinValue和vecMaxValue中，数组vecMinValue和vecMaxValue即为极小值数组和极大值数组；
5）遍历数组vecMinValue和vecMaxValue，将相邻两个下标间距小于下标间距均值的一半的进行合并，将相邻两个下标间距比值大于1.5倍均值的根据条件进行重新细分，对应的vecMaxValue也随之更新。
S4.4、获得S3.6步骤中第一麦穗二值化图imgBinaryLeft以及S3.2步骤中的vecMiddlePts中的中心线、中心线对应方向点vecDirectPts以及S4.3步骤中的vecMinValue、vecMaxValue以及maxLength，在第一麦穗二值化图imgBinaryLeft中，绘制麦穗中心线vecMiddlePts，颜色为背景色，宽度为2个像素，在中心线对应数组vecMinValue的位置，绘制方向线，颜色为背景色，宽度为5个像素，在对应数组vecMaxValue位置，绘制方向线，颜色为前景色，宽度为5个像素，方向线长度均为maxLength，记处理后的图像为img44，图img44即为第一麦穗细分二值图；
S4.5、对麦穗右部分类似处理，得到麦穗右边的细分二值图，记为img45，图img45即为第二麦穗细分二值图；
S4.6、获得S4.4步骤的结果img44和S4.5步骤的结果img45，将两图相加得到img46，img46为麦穗细分二值图；
S4.7、获得S3.2步骤的vecLeftPts和vecRightPts以及S4.6步骤的img46，将数组vecLeftPts和vecRightPts首尾相连，绘制在和img44等尺寸的黑色背景上，然后填空孔洞为白色，得到麦穗主体的区域图，记为img471，img471即为麦穗主体区域图，以img471为掩膜与img46运算，能修正麦穗两边的干扰，得到新的二值图，记作img47，img47即为新麦穗细分二值图。
最后根据获得的穗粒分割二值图，根据二值图中连通域个数进行麦穗穗粒计数，如图6所示，具体步骤如下：
S5.1、获得S4.7步骤的处理结果img47，计算图像中连通域的个数与中心，将各个连通域的中心点保存在数组vecGrainPts，计算数组vecGrainPts对应的点在灰度图中的灰度值，通过判定中心灰度值与周围灰度值的差值，剔除位于麦芒附近不符合要求的麦穗中心点，将处理后的中心点保存在数组vecGrainPtsNew中；
S5.2、将中心点数组vecGrainPtsNew映射回单只麦穗图像中并绘制到单只麦穗图像中，可以形象地展示麦穗的穗粒定位情况。
基于本发明的方法能够通过对比麦穗与麦穗间缝隙的灰度值来判断麦穗穗粒的个数，可以极大地保留了原图的信息，减少漏识别与误识别。并且该方法在实际测试过程中测试时间短，精确度高，测试效果良好，可以极大地节省广大农业研究人员的时间和精力。
实施例2：
一种基于灰度值对比的小麦穗粒计数测量系统，包括获取图像模块100、第一处理模块200、第二处理模块300及定位计数模块400；
所述获取图像模块100，用于获取单只麦穗图像并分离出麦穗主体图像；
所述第一处理模块200，对麦穗主体图像进行预处理得到第一麦穗轮廓线、第二麦穗轮廓线以及中心线，基于第一麦穗轮廓线、第二麦穗轮廓线以及中心线进行第二预处理得到第一麦穗灰度图和第二麦穗灰度图以及第一麦穗二值化图和第二麦穗二值化图；
所述第二处理模块300，分别基于第一麦穗灰度图和第一麦穗二值化图对第一麦穗的穗粒进行细分以及基于第二麦穗灰度图和第二麦穗二值化图对第二麦穗的穗粒进行细分并进行汇总，得到新麦穗细分二值图；
所述定位计数模块400，基于新麦穗细分二值图得到单只麦穗的穗粒定位详情，进而对麦穗穗粒计数。
作为一种可实施方式，所述第一处理模块200被设置为：
基于麦穗主体图像分离出麦穗主体亮度通道图像；
对麦穗主体亮度通道图像进行二值化处理，得到麦穗主体两边的轮廓线和中心线，麦穗主体两边的轮廓线即第一麦穗轮廓线和第二麦穗轮廓线；
保持不变中心线并分别缩短第一轮廓线和第二轮廓线到中心线的距离，得到第一调整轮廓线和第二调整轮廓线；
分别将第一调整轮廓线和中心线以及第二调整轮廓线和中心线的首尾相连并进行内部填充，得到第一二值区域图像和第二二值区域图像；
将麦穗主体亮度通道图像进行处理得到麦穗主体灰度图，再进行自适应二值化处理，得到麦穗主体二值图；
分别以第一二值区域图像和第二二值区域图像做掩膜并与所述麦穗主体灰度图做运算，得到第一麦穗灰度图和第二麦穗灰度图，分别以第一二值区域图像和第二二值区域图像做掩膜并与麦穗主体二值图做运算，得到第一麦穗二值化图和第二麦穗二值化图。
在一个实施例中，所述获取图像模块100被设置为：
所述单只麦穗图像基于黑色背景板获得；
对单只麦穗图像进行二值化处理，根据长度特征去除下部的麦秆部分以及上部的麦芒部分，得到麦穗主体图像。
在一个实施例中，所述第二处理模块300被设置为：
对第一麦穗二值化图、第二麦穗二值化图、第一麦穗灰度图和第二麦穗灰度图进行第二预处理，得到第一麦穗细分二值图和第二麦穗细分二值图；
将第一麦穗细分二值图和第二麦穗细分二值图求和得到麦穗细分二值图；
将第一轮廓线和第二轮廓线首尾相连并进行处理得到麦穗主体区域图；
以麦穗主体区域图为掩膜与麦穗细分二值图进行运算得到新麦穗细分二值图。
作为一种可实施方式，所述得到第一麦穗细分二值图和第二麦穗细分二值图，具体步骤为：
基于第一麦穗灰度图获得与中心线上每个点的连线以及麦芒方向成50-80度范围内倾斜角的方向线形成线段集；
根据第一麦穗二值化图得到第一麦穗沿中心线在每个倾斜角上的宽度，根据第一麦穗灰度图和第一麦穗二值化图计算第一麦穗在每个倾斜角上的灰度均值并形成灰度均值数组；
根据第一麦穗的穗粒与间隙的灰度差值，通过遍历灰度均值数组得到一系列极小值点和极大值点并形成极小值数组和极大值数组；
基于第一麦穗二值化图以及中心线、线段集、极小值数组的极小值和极大值数组的极大值，计算第一麦穗在第一麦穗二值化图方向线上的最大宽度，进而得到第一麦穗细分二值图；
基于第二麦穗灰度图获得与中心线上每个点的连线以及麦芒方向成50-80度范围内倾斜角的方向线形成线段集；
根据第二麦穗二值化图得到第二麦穗沿中心线在每个倾斜角上的宽度，根据第二麦穗灰度图和第二麦穗二值化图计算第二麦穗在每个倾斜角上的灰度均值并形成灰度均值数组；
根据第二麦穗的穗粒与间隙的灰度差值，通过遍历灰度均值数组得到一系列极小值点和极大值点并形成第二极小值数组和第二极大值数组；
基于第二麦穗二值化图以及中心线、线段集、第二极小值数组的极小值和第二极大值数组的极大值，计算第二麦穗在第二麦穗二值化图方向线上的最大宽度，进而得到第二麦穗细分二值图。
在一个实施例中，所述定位计数模块400被设置为：
获取新麦穗细分二值图，计算新麦穗细分二值图中连通域的个数与中心点并形成中心点数组；
计算中心点数组中对应的点在麦穗主体灰度图中的灰度值，通过判定中心灰度值与周围灰度值的差值，剔除位于麦芒附近不符合要求的中心点，将处理后的中心点形成新中心点数组并进行保存；
将新中心点数组映射回单只麦穗图像中并绘制到单只麦穗图像中，得到单只麦穗的穗粒定位详情，基于定位详情对麦穗穗粒进行计数得到麦穗穗粒数量。
实施例3：
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如下的方法步骤：
获取单只麦穗图像并分离出麦穗主体图像；
对麦穗主体图像进行预处理得到第一麦穗轮廓线、第二麦穗轮廓线以及中心线，基于第一麦穗轮廓线、第二麦穗轮廓线以及中心线进行第二预处理得到第一麦穗灰度图和第二麦穗灰度图以及第一麦穗二值化图和第二麦穗二值化图；
分别基于第一麦穗灰度图和第一麦穗二值化图对第一麦穗的穗粒进行细分以及基于第二麦穗灰度图和第二麦穗二值化图对第二麦穗的穗粒进行细分并进行汇总，得到新麦穗细分二值图；
基于新麦穗细分二值图得到单只麦穗的穗粒定位详情，进而对麦穗穗粒计数。
在一个实施例中，处理器执行计算机程序时，实现所述获取单只麦穗图像并分离出麦穗主体图像，具体为：
所述单只麦穗图像基于黑色背景板获得；
对单只麦穗图像进行二值化处理，根据长度特征去除下部的麦秆部分以及上部的麦芒部分，得到麦穗主体图像。
在一个实施例中，处理器执行计算机程序时，实现所述对麦穗主体图像进行预处理得到第一麦穗轮廓线、第二麦穗轮廓线以及中心线，基于第一麦穗轮廓线、第二麦穗轮廓线以及中心线进行第二预处理得到第一麦穗灰度图和第二麦穗灰度图以及第一麦穗二值化图和第二麦穗二值化图，具体步骤包括：
基于麦穗主体图像分离出麦穗主体亮度通道图像；
对麦穗主体亮度通道图像进行二值化处理，得到麦穗主体两边的轮廓线和中心线，麦穗主体两边的轮廓线即第一麦穗轮廓线和第二麦穗轮廓线；
对第一麦穗轮廓线和第二麦穗轮廓线进行光滑处理得到第一轮廓线和第二轮廓线；
保持中心线不变并分别缩短第一轮廓线和第二轮廓线到中心线的距离，得到第一调整轮廓线和第二调整轮廓线；
分别将第一调整轮廓线和中心线以及第二调整轮廓线和中心线的首尾相连并进行内部填充，得到第一二值区域图像和第二二值区域图像；
将麦穗主体亮度通道图像进行处理得到麦穗主体灰度图，再进行自适应二值化处理，得到麦穗主体二值图；
分别以第一二值区域图像和第二二值区域图像做掩膜并与所述麦穗主体灰度图做运算，得到第一麦穗灰度图和第二麦穗灰度图，分别以第一二值区域图像和第二二值区域图像做掩膜并与麦穗主体二值图做运算，得到第一麦穗二值化图和第二麦穗二值化图。
在一个实施例中，处理器执行计算机程序时，实现所述得到新麦穗细分二值图，包括以下步骤：
对第一麦穗二值化图、第二麦穗二值化图、第一麦穗灰度图和第二麦穗灰度图进行第二预处理，得到第一麦穗细分二值图和第二麦穗细分二值图；
将第一麦穗细分二值图和第二麦穗细分二值图求和得到麦穗细分二值图；
将第一轮廓线和第二轮廓线首尾相连并进行处理得到麦穗主体区域图；
以麦穗主体区域图为掩膜与麦穗细分二值图进行运算得到新麦穗细分二值图。
在一个实施例中，处理器执行计算机程序时，实现所述得到第一麦穗细分二值图和第二麦穗细分二值图，具体步骤为：
基于第一麦穗灰度图获得与中心线上每个点的连线以及麦芒方向成50-80度范围内倾斜角的方向线形成线段集；
根据第一麦穗二值化图得到第一麦穗沿中心线在每个倾斜角上的宽度，根据第一麦穗灰度图和第一麦穗二值化图计算第一麦穗在每个倾斜角上的灰度均值并形成灰度均值数组；
根据第一麦穗的穗粒与间隙的灰度差值，通过遍历灰度均值数组得到一系列极小值点和极大值点并形成极小值数组和极大值数组；
基于第一麦穗二值化图以及中心线、线段集、极小值数组的极小值和极大值数组的极大值，计算第一麦穗在第一麦穗二值化图方向线上的最大宽度；
在第一麦穗二值化图中绘制中心线vecMiddlePts，颜色为背景色，宽度为2个像素，在中心线对应极小值数组的位置，绘制方向线，颜色为背景色，宽度为5个像素，在对应极大值数组位置，绘制方向线，颜色为前景色，宽度为5个像素，方向线长度均为最大宽度，得到第一麦穗细分二值图；
基于第二麦穗灰度图获得与中心线上每个点的连线以及麦芒方向成50-80度范围内倾斜角的方向线形成线段集；
根据第二麦穗二值化图得到第二麦穗沿中心线在每个倾斜角上的宽度，根据第二麦穗灰度图和第二麦穗二值化图计算第二麦穗在每个倾斜角上的灰度均值并形成灰度均值数组；
根据第二麦穗的穗粒与间隙的灰度差值，通过遍历灰度均值数组得到一系列极小值点和极大值点并形成第二极小值数组和第二极大值数组；
基于第二麦穗二值化图以及中心线、线段集、第二极小值数组的极小值和第二极大值数组的极大值，计算第二麦穗在第二麦穗二值化图方向线上的最大宽度；
在第二麦穗二值化图中绘制中心线vecMiddlePts，颜色为背景色，宽度为2个像素，在中心线对应极小值数组的位置，绘制方向线，颜色为背景色，宽度为5个像素，在对应极大值数组位置，绘制方向线，颜色为前景色，宽度为5个像素，方向线长度均为最大宽度，得到第二麦穗细分二值图。
在一个实施例中，处理器执行计算机程序时，实现所述基于新麦穗细分二值图麦穗的穗粒定位详情，进而对麦穗穗粒计数，包括以下步骤：
获取新麦穗细分二值图，计算新麦穗细分二值图中连通域的个数与中心点并形成中心点数组；
计算中心点数组中对应的点在麦穗主体灰度图中的灰度值，通过判定中心灰度值与周围灰度值的差值，剔除位于麦芒附近不符合要求的中心点，将处理后的中心点形成新中心点数组并进行保存；
将新中心点数组映射回单只麦穗图像中并绘制到单只麦穗图像中，得到单只麦穗的穗粒定位详情，基于定位详情对麦穗穗粒进行计数得到麦穗穗粒数量。
实施例4：
在一个实施例中，提供了一种基于灰度值对比的小麦穗粒计数测量装置，该基于灰度值对比的小麦穗粒计数测量装置可以是服务器也可以是移动终端。该基于灰度值对比的小麦穗粒计数测量装置包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该基于灰度值对比的小麦穗粒计数测量装置的处理器用于提供计算和控制能力。该基于灰度值对比的小麦穗粒计数测量装置的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该数据库存储基于灰度值对比的小麦穗粒计数测量装置的所有数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于灰度值对比的小麦穗粒计数测量的方法。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
需要说明的是：
说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
Claims (10)
1.一种基于灰度值对比的小麦穗粒计数测量方法，其特征在于，包括以下步骤：
获取单只麦穗图像并分离出麦穗主体图像；
对麦穗主体图像进行预处理得到第一麦穗轮廓线、第二麦穗轮廓线以及中心线，基于第一麦穗轮廓线、第二麦穗轮廓线以及中心线进行第二预处理得到第一麦穗灰度图和第二麦穗灰度图以及第一麦穗二值化图和第二麦穗二值化图；
分别基于第一麦穗灰度图和第一麦穗二值化图对第一麦穗的穗粒进行细分以及基于第二麦穗灰度图和第二麦穗二值化图对第二麦穗的穗粒进行细分并进行汇总，得到新麦穗细分二值图；
基于新麦穗细分二值图得到单只麦穗的穗粒定位详情，进而对麦穗穗粒计数。
2.根据权利要求 1所述的基于灰度值对比的小麦穗粒计数测量方法，其特征在于，获取单只麦穗图像并分离出麦穗主体图像，具体为：
所述单只麦穗图像基于黑色背景板获得；
对单只麦穗图像进行二值化处理，根据长度特征去除下部的麦秆部分以及上部的麦芒部分，得到麦穗主体图像。
3.根据权利要求 1或2所述的基于灰度值对比的小麦穗粒计数测量方法，其特征在于，所述对麦穗主体图像进行预处理得到第一麦穗轮廓线、第二麦穗轮廓线以及中心线，基于第一麦穗轮廓线、第二麦穗轮廓线以及中心线进行第二预处理得到第一麦穗灰度图和第二麦穗灰度图以及第一麦穗二值化图和第二麦穗二值化图，具体步骤包括：
基于麦穗主体图像分离出麦穗主体亮度通道图像；
对麦穗主体亮度通道图像进行二值化处理，得到麦穗主体两边的轮廓线和中心线，麦穗主体两边的轮廓线即第一麦穗轮廓线和第二麦穗轮廓线；
保持不变中心线并分别缩短第一轮廓线和第二轮廓线到中心线的距离，得到第一调整轮廓线和第二调整轮廓线；
分别将第一调整轮廓线和中心线以及第二调整轮廓线和中心线的首尾相连并进行内部填充，得到第一二值区域图像和第二二值区域图像；
将麦穗主体亮度通道图像进行处理得到麦穗主体灰度图，再进行自适应二值化处理，得到麦穗主体二值化图；
分别以第一二值区域图像和第二二值区域图像做掩膜并与所述麦穗主体灰度图做运算，得到第一麦穗灰度图和第二麦穗灰度图，分别以第一二值区域图像和第二二值区域图像做掩膜并与麦穗主体二值化图做运算，得到第一麦穗二值化图和第二麦穗二值化图。
4.根据权利要求3所述的基于灰度值对比的小麦穗粒计数测量方法，其特征在于，所述得到新麦穗细分二值图，包括以下步骤：
对第一麦穗二值化图、第二麦穗二值化图、第一麦穗灰度图和第二麦穗灰度图进行第二预处理，得到第一麦穗细分二值图和第二麦穗细分二值图；
将第一麦穗细分二值图和第二麦穗细分二值图求和得到麦穗细分二值图；
将第一轮廓线和第二轮廓线首尾相连并进行处理得到麦穗主体区域图；
以麦穗主体区域图为掩膜与麦穗细分二值图进行运算得到新麦穗细分二值图。
5.根据权利要求1或4所述的基于灰度值对比的小麦穗粒计数测量方法，其特征在于，所述得到第一麦穗细分二值图和第二麦穗细分二值图，具体步骤为：
基于第一麦穗灰度图获得与中心线上每个点的连线以及麦芒方向成50-80度范围内倾斜角的方向线形成线段集；
根据第一麦穗二值化图得到第一麦穗沿中心线在每个倾斜角上的宽度，根据第一麦穗灰度图和第一麦穗二值化图计算第一麦穗在每个倾斜角上的灰度均值并形成灰度均值数组；
根据第一麦穗的穗粒与间隙的灰度差值，通过遍历灰度均值数组得到一系列极小值点和极大值点并形成极小值数组和极大值数组；
基于第一麦穗二值化图以及中心线、线段集、极小值数组的极小值和极大值数组的极大值，计算第一麦穗在第一麦穗二值化图方向线上的最大宽度，进而得到第一麦穗细分二值图；
基于第二麦穗灰度图获得与中心线上每个点的连线以及麦芒方向成50-80度范围内倾斜角的方向线形成线段集；
根据第二麦穗二值化图得到第二麦穗沿中心线在每个倾斜角上的宽度，根据第二麦穗灰度图和第二麦穗二值化图计算第二麦穗在每个倾斜角上的灰度均值并形成灰度均值数组；
根据第二麦穗的穗粒与间隙的灰度差值，通过遍历灰度均值数组得到一系列极小值点和极大值点并形成第二极小值数组和第二极大值数组；
基于第二麦穗二值化图以及中心线、线段集、第二极小值数组的极小值和第二极大值数组的极大值，计算第二麦穗在第二麦穗二值化图方向线上的最大宽度，进而得到第二麦穗细分二值图。
6.根据权利要求5所述的一种基于灰度值对比的小麦穗粒计数测量方法，其特征在于，所述基于新麦穗细分二值图麦穗的穗粒定位详情，进而对麦穗穗粒计数，包括以下步骤：
获取新麦穗细分二值图，计算新麦穗细分二值图中连通域的个数与中心点并形成中心点数组；
计算中心点数组中对应的点在麦穗主体灰度图中的灰度值，通过判定中心灰度值与周围灰度值的差值，剔除位于麦芒附近不符合要求的中心点，将处理后的中心点形成新中心点数组并进行保存；
将新中心点数组映射回单只麦穗图像中并绘制到单只麦穗图像中，得到单只麦穗的穗粒定位详情，基于定位详情对麦穗穗粒进行计数得到麦穗穗粒数量。
7.一种基于灰度值对比的小麦穗粒计数测量系统，其特征在于，包括获取图像模块、第一处理模块、第二处理模块及定位计数模块；
所述获取图像模块，用于获取单只麦穗图像并分离出麦穗主体图像；
所述第一处理模块，对麦穗主体图像进行预处理得到第一麦穗轮廓线、第二麦穗轮廓线以及中心线，基于第一麦穗轮廓线、第二麦穗轮廓线以及中心线进行第二预处理得到第一麦穗灰度图和第二麦穗灰度图以及第一麦穗二值化图和第二麦穗二值化图；
所述第二处理模块，分别基于第一麦穗灰度图和第一麦穗二值化图对第一麦穗的穗粒进行细分以及基于第二麦穗灰度图和第二麦穗二值化图对第二麦穗的穗粒进行细分并进行汇总，得到新麦穗细分二值图；
所述定位计数模块，基于新麦穗细分二值图得到单只麦穗的穗粒定位详情，进而对麦穗穗粒计数。
8.根据权利要求7所述的基于灰度值对比的小麦穗粒计数测量系统，其特征在于，所述第一处理模块被设置为：
基于麦穗主体图像分离出麦穗主体亮度通道图像；
对麦穗主体亮度通道图像进行二值化处理，得到麦穗主体两边的轮廓线和中心线，麦穗主体两边的轮廓线即第一麦穗轮廓线和第二麦穗轮廓线；
对第一麦穗轮廓线和第二麦穗轮廓线进行光滑处理得到第一轮廓线和第二轮廓线；
保持不变中心线并分别缩短第一轮廓线和第二轮廓线到中心线的距离，得到第一调整轮廓线和第二调整轮廓线；
分别将第一调整轮廓线和中心线以及第二调整轮廓线和中心线的首尾相连并进行内部填充，得到第一二值区域图像和第二二值区域图像；
将麦穗主体亮度通道图像进行处理得到麦穗主体灰度图，再进行自适应二值化处理，得到麦穗主体二值化图；
分别以第一二值区域图像和第二二值区域图像做掩膜并与所述麦穗主体灰度图做运算，得到第一麦穗灰度图和第二麦穗灰度图，分别以第一二值区域图像和第二二值区域图像做掩膜并与麦穗主体二值化图做运算，得到第一麦穗二值化图和第二麦穗二值化图。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任意一项所述的方法步骤。
10.一种基于灰度值对比的小麦穗粒计数测量装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任意一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110826470.3A CN113470104A (zh) | 2021-07-21 | 2021-07-21 | 基于灰度值对比的小麦穗粒计数测量方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110826470.3A CN113470104A (zh) | 2021-07-21 | 2021-07-21 | 基于灰度值对比的小麦穗粒计数测量方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113470104A true CN113470104A (zh) | 2021-10-01 |
Family
ID=77881642
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110826470.3A Pending CN113470104A (zh) | 2021-07-21 | 2021-07-21 | 基于灰度值对比的小麦穗粒计数测量方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113470104A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113936056A (zh) * | 2021-10-20 | 2022-01-14 | 广东皓行科技有限公司 | 图像识别方法、产量估算方法以及电子设备 |
| 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 |
|---|---|---|---|---|
| CN101944231A (zh) * | 2010-08-19 | 2011-01-12 | 北京农业智能装备技术研究中心 | 小麦穗部形态参数提取方法 |
| CN103632157A (zh) * | 2012-08-24 | 2014-03-12 | 南京农业大学 | 单株小麦穗部籽粒数计数方法 |
| CN104021369A (zh) * | 2014-04-30 | 2014-09-03 | 南京农业大学 | 基于数字图像处理技术的单株水稻穗部籽粒数计数方法 |
| CN105427275A (zh) * | 2015-10-29 | 2016-03-23 | 中国农业大学 | 大田环境麦穗计数方法及装置 |
| AU2020100915A4 (en) * | 2020-06-02 | 2020-07-09 | Yangzhou University | A Method For Quickly Counting Rice And Wheat Grains |
| CN111724354A (zh) * | 2020-06-02 | 2020-09-29 | 浙江托普云农科技股份有限公司 | 一种基于图像处理的多株小麦穗长与小穗数的测量方法 |
-
2021
- 2021-07-21 CN CN202110826470.3A patent/CN113470104A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101944231A (zh) * | 2010-08-19 | 2011-01-12 | 北京农业智能装备技术研究中心 | 小麦穗部形态参数提取方法 |
| CN103632157A (zh) * | 2012-08-24 | 2014-03-12 | 南京农业大学 | 单株小麦穗部籽粒数计数方法 |
| CN104021369A (zh) * | 2014-04-30 | 2014-09-03 | 南京农业大学 | 基于数字图像处理技术的单株水稻穗部籽粒数计数方法 |
| CN105427275A (zh) * | 2015-10-29 | 2016-03-23 | 中国农业大学 | 大田环境麦穗计数方法及装置 |
| AU2020100915A4 (en) * | 2020-06-02 | 2020-07-09 | Yangzhou University | A Method For Quickly Counting Rice And Wheat Grains |
| CN111724354A (zh) * | 2020-06-02 | 2020-09-29 | 浙江托普云农科技股份有限公司 | 一种基于图像处理的多株小麦穗长与小穗数的测量方法 |
Non-Patent Citations (2)
| Title |
|---|
| 吕行军;韩宪忠;陈含;李静;王东坡;: "改进分量法的麦穗图像灰度-二值化处理", 河北农业大学学报, no. 03, 15 May 2012 (2012-05-15) * |
| 范梦扬;马钦;刘峻明;王庆;王越;段熊春: "基于机器视觉的大田环境小麦麦穗计数方法", 农业机械学报, no. 0, 31 December 2015 (2015-12-31) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113936056A (zh) * | 2021-10-20 | 2022-01-14 | 广东皓行科技有限公司 | 图像识别方法、产量估算方法以及电子设备 |
| 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 |
|---|---|---|
| CN113470104A (zh) | 基于灰度值对比的小麦穗粒计数测量方法及系统 | |
| CN106468543B (zh) | 一种基于图像处理的叶片面积测量方法 | |
| US6757444B2 (en) | Image extraction apparatus and method | |
| CN108550113A (zh) | 图像扫描输出方法、装置、计算机设备和存储介质 | |
| CN110866932A (zh) | 多通道舌体边缘检测装置、方法及存储介质 | |
| CN114745532B (zh) | 混合色温场景白平衡处理方法、装置、存储介质及终端 | |
| CN111882555B (zh) | 基于深度学习的网衣检测方法、装置、设备及存储介质 | |
| CN111724354A (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 | |
| 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 | |
| CN112861855A (zh) | 基于对抗网络模型的群养猪实例分割方法 | |
| CN111079637B (zh) | 田间图像中分割油菜花的方法、装置、设备及存储介质 | |
| KR20130035914A (ko) | 디지털 단색 이미지의 결함 픽셀의 휘도를 정정하는 방법 | |
| CN111539975B (zh) | 一种运动目标的检测方法、装置、设备及存储介质 | |
| CN113222889A (zh) | 高分辨率图像下水产养殖物的工厂化养殖计数方法及装置 | |
| CN115345880B (zh) | 基于玉米果穗单侧扫描图的玉米果穗性状估测方法及装置 | |
| CN110751690B (zh) | 铣床刀头视觉定位方法 | |
| CN108388898A (zh) | 基于连接体和模板的字符识别方法 | |
| CN111738936A (zh) | 基于图像处理的多株水稻穗长的测量方法 | |
| CN110689586B (zh) | 中医智能舌诊中的舌像识别方法和用于该方法的便携式校正色卡 | |
| CN113642847B (zh) | 对虾质量的估算方法和装置 | |
| CN115294235A (zh) | 基于位图的图形填充方法、终端以及存储介质 | |
| CN115330721A (zh) | 基于形状和颜色信息的香蕉果梳饱满度检测方法与系统 | |
| CN111209922B (zh) | 基于svm和opencv的图像色系风格标记方法、装置、设备及介质 | |
| CN112381065B (zh) | 一种人脸定位的方法及终端 | |
| CN115393884B (zh) | 一种海图专题信息的提取处理方法、装置及系统 |
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 |