CN114170148A - 玉米株型参数测量方法、系统、装置及存储介质 - Google Patents
玉米株型参数测量方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN114170148A CN114170148A CN202111354251.6A CN202111354251A CN114170148A CN 114170148 A CN114170148 A CN 114170148A CN 202111354251 A CN202111354251 A CN 202111354251A CN 114170148 A CN114170148 A CN 114170148A
- Authority
- CN
- China
- Prior art keywords
- leaf
- path
- stem
- corn plant
- blade
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw 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
- G06T7/11—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
- G06T7/13—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
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种玉米株型参数测量方法及系统,方法包括以下步骤:获取玉米植株侧视的图像,将图像进行预分割处理及玉米植株茎秆的矫正处理,得到矫正二值图;对矫正二值图分别进行整体分析和骨架分析,得到玉米植株的整体参数和玉米植株路径;基于矫正二值图和叶片路径确定玉米植株中每个叶片的与茎秆连接处的点及叶片与茎秆的夹角三点,得到玉米植株的叶片参数和茎秆参数,所述茎秆参数包括节间距和茎秆的粗细程度。本发明基于图像技术代替传统手工测量过程对玉米株型指标进行系统化测量,能够一次性获得从整体和局部角度评价株型的多种独立参数,为从不同角度评价玉米株型提供一种高效、便携、准确的手段。
Description
技术领域
本发明涉及植物表型测量技术领域,尤其涉及一种玉米株型参数测量方法、系统、装置及存储介质。
背景技术
现有技术中,株型分析已经成为现代农业生产中评价种质资源优劣和选择育种方向的基础性依据。即便是在遗传育种成为主流的今天,筛选和选育高产作物品种仍然要以作物株型表现及对应的产量表现作为最终的参考标准。玉米作为全球产量最高的粮食作物,在株型分析上有着巨大的需求。合理的个体株型能够有效提高农田玉米种群的光能截获能力,同时改善种群内竞争关系,为提高群体产量提供可能。越来越大的国内外玉米育种和科研市场对株型分析的效率产生了新的要求,传统的人工测量方法已不能满足目前株型分析的需求,因此,高效获取多参数玉米株型信息的设备亟待研制。
目前已有的表型测量类型可分为大中型表型平台、实验室表型分析仪、移动式表型测量系统和便携式表型测量仪(或APP)。这些平台有的成本高制约大规模使用,有的平台功能存在冗余造成针对性不强,有的便捷性不够影响室外大田使用,有的参数测量侧重点不同。
发明内容
本发明针对现有技术中的缺点,提供了一种玉米株型参数测量方法、系统、装置及存储介质。
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:
一种玉米株型参数测量方法,包括以下步骤:
获取玉米植株侧视的图像,将图像进行预分割处理及玉米植株茎秆的矫正处理,得到矫正二值图;
对矫正二值图分别进行整体分析和骨架分析,得到玉米植株的整体参数和玉米植株路径,其中,玉米植株路径包括叶片路经和茎秆路径;
基于矫正二值图和叶片路径确定玉米植株中每个叶片的与茎秆连接处的点及叶片与茎秆的夹角三点,得到玉米植株的叶片参数和茎秆参数,其中,所述叶片参数包括叶片长度、叶片弯曲度及茎叶夹角,所述茎秆参数包括节间距和茎秆的粗细程度。
作为一种可实施方式,所述将图像进行预分割处理及玉米植株茎秆的矫正处理,得到矫正二值图,包括以下步骤:
基于玉米植株侧视的图像获取包含玉米植株的有效区域,对有效区域进行分割处理得到初步结果;
对初步分割结果做断开叶片处理和分割边缘优化处理,得到原始二值图;
对原始二值图做边缘检测,得到边缘图;
边缘图做概率性霍夫变换,得到线段集合;
对线段集合做聚类,对每个聚类基于预设保留若干候选方向;
通过水平投影直方图沿着候选方向选择最佳的旋转方向,获得矫正二值图。
作为一种可实施方式,所述对矫正二值图分别进行整体分析和骨架分析,得到玉米植株的整体参数和玉米植株路径,包括以下步骤:
提取所述矫正二值图最外层的轮廓,得到凸包围点及对应的凸包面积;
基于凸包围点得到外接矩形及最小外接矩形,进而得到玉米植株的整体参数,其中,所述整体参数包括投影面积、凸包面积、外接矩形面积、最小外接矩形面积,长宽比、紧凑度、绿色程度及参考种植密度。
作为一种可实施方式,长宽比为所述外接矩形的长和宽之比;所述紧凑度为凸包面积与最小外接矩形面积之比;
所述绿色程度表示特征图像的掩码区域的平均值,其中,特征图像的掩码区域为特征图像为2*G-R-B与原始二值图做掩码处理得到的,其中,G为RBG空间绿色通道图像,R为红色通道图像,B为绿色通道图像;
所述参考种植密度通过以下公式计算:1/(4*avg_w^2),其中,avg_w=(pw+cw)/2,pw和cw分别为以外接矩形的高为高与投影面积和凸包面积相等的矩形的宽。
作为一种可实施方式,所述基于矫正二值图和叶片路径确定玉米植株中每个叶片的与茎秆连接处的点及叶片与茎秆的夹角三点,得到玉米植株的叶片参数和茎秆参数,包括以下步骤:
利用细化算法对矫正二值图进行骨架提取,得到骨架图,进而得到端点、关节点及线段;
对每个端点在校正二值图上进行特征值计算,包含:在端点为中心的小窗口内计算四条边上白色像素所占比例,筛选出叶片端点和非叶片端点;
以端点和关节点为顶点,以线段为边,构建邻接图;
利用最短路径在邻接图中获取每个端点到关节点的初步叶片路径;
基于邻接图判断环并提取环,得到环路径,根据预设叶片交错模型结合环路径对初步叶片路径进行修正处理,得到修正后叶片路径,其中,预设叶片交错模型将叶片交错的种类分为三类;
对修正后叶片路径确定茎秆路径及路径惟一性进行判断与过滤,得到修正后叶片路径的叶片与茎秆的连接点,即叶片根部位置。
作为一种可实施方式,所述基于矫正二值图和叶片路径确定玉米植株中每个叶片的与茎秆连接处的点及叶片与茎秆的夹角三点,包括以下步骤:
将所有叶片路径按照朝向分为第一叶片路径和第二叶片路径;
对每个第一叶片路径和第二叶片路径在矫正二值图中确定上节点;
在矫正二值图中对每个第一叶片路径和第二叶片路径由骨架和轮廓边缘围成的前景区域及有效轮廓,并在有效轮廓中确定叶片与茎秆连接处的点;
对每个叶片路径确定该叶片与茎秆的夹角三点。
作为一种可实施方式,所述叶片长度为叶片路径上有效路径部分经平滑后的相邻点的欧氏距离的总和及有效路径末端与叶片与茎秆连接处的点的欧式距离之和;
所述叶片弯曲度为叶片路径中叶尖到叶片与茎秆连接处的点的欧氏距离与叶片长度的比值;
所述茎叶夹角为叶片夹角三点对应的角度之补角;
所述节间距为相邻的叶片与茎秆连接处的点的y方向上的高度差;
所述茎秆的粗细程度为茎秆上相邻的叶片与茎秆连接处的点之间部分的粗细程度的统计值。
一种玉米株型参数测量系统,包括获取校正模块、整体分析模块及结果分析模块;
所述获取校正模块,用于获取玉米植株侧视的图像,将图像进行预分割处理及玉米植株茎秆的矫正处理,得到矫正二值图;
所述整体分析模块,用于对矫正二值图分别进行整体分析和骨架分析,得到玉米植株的整体参数和玉米植株路径,其中,玉米植株路径包括叶片路经和茎秆路径;
所述结果分析模块,基于矫正二值图和叶片路径确定玉米植株中每个叶片的与茎秆连接处的点及叶片与茎秆的夹角三点,得到玉米植株的叶片参数和茎秆参数,其中,所述叶片参数包括叶片长度、叶片弯曲度及茎叶夹角,所述茎秆参数包括节间距和茎秆的粗细程度。
作为一种可实施方式,所述图像采集装置还包括成像背景装置;所述成像背景装置包括背景装置和背景架,所述背景装置设有标定物,所述背景架为可拆卸可伸缩背景架;
所述背景架包括横杆、竖杆和底座,所述横杆用于固定背景布。
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:
获取玉米植株侧视的图像,将图像进行预分割处理及玉米植株茎秆的矫正处理,得到矫正二值图;
对矫正二值图分别进行整体分析和骨架分析,得到玉米植株的整体参数和玉米植株路径,其中,玉米植株路径包括叶片路经和茎秆路径;
基于矫正二值图和叶片路径确定玉米植株中每个叶片的与茎秆连接处的点及叶片与茎秆的夹角三点,得到玉米植株的叶片参数和茎秆参数,其中,所述叶片参数包括叶片长度、叶片弯曲度及茎叶夹角,所述茎秆参数包括节间距和茎秆的粗细程度。
一种玉米株型参数测量装置,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:
获取玉米植株侧视的图像,将图像进行预分割处理及玉米植株茎秆的矫正处理,得到矫正二值图;
对矫正二值图分别进行整体分析和骨架分析,得到玉米植株的整体参数和玉米植株路径,其中,玉米植株路径包括叶片路经和茎秆路径;
基于矫正二值图和叶片路径确定玉米植株中每个叶片的与茎秆连接处的点及叶片与茎秆的夹角三点,得到玉米植株的叶片参数和茎秆参数,其中,所述叶片参数包括叶片长度、叶片弯曲度及茎叶夹角,所述茎秆参数包括节间距和茎秆的粗细程度。
本发明由于采用了以上技术方案,具有显著的技术效果:
本发明基于图像技术代替传统手工测量过程对玉米株型指标进行系统化测量,能够一次性获得从整体和局部角度评价株型的多种独立参数,为从不同角度评价玉米株型提供一种高效、便携、准确的手段。
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为本发明实施例中玉米株型参数测量方法的示例性流程图;
图2为本发明实施例中玉米株型参数测量系统的示例性结构图;
图3为本发明实施例分割效果示意图;
图4为本发明中叶片路径与与茎秆连接处的点效果示意图。
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。
实施例1:一种玉米株型参数测量方法,如图1所示,包括以下步骤:
S100、获取玉米植株侧视的图像,将图像进行预分割处理及玉米植株茎秆的矫正处理,得到矫正二值图;
S200、对矫正二值图分别进行整体分析和骨架分析,得到玉米植株的整体参数和玉米植株路径,其中,玉米植株路径包括叶片路经和茎秆路径;
S300、基于矫正二值图和叶片路径确定玉米植株中每个叶片的与茎秆连接处的点及叶片与茎秆的夹角三点,得到玉米植株的叶片参数和茎秆参数,其中,所述叶片参数包括叶片长度、叶片弯曲度及茎叶夹角,所述茎秆参数包括节间距和茎秆的粗细程度。
本发明实施例提供的玉米株型参数测量方法,通过对采集到的玉米植株的图像信息进行图像处理,获得叶片路径和茎秆路径,将骨架信息和轮廓信息进行融合分析,进一步确定叶片路径的与茎秆连接处的点和叶片夹角三点,最后获得玉米植株的整体和局部表型信息。直接对玉米植株的图像信息进行处理和分析,实现了玉米植株的表型测量的自动化,提高了玉米植株的表型测量的效率和准确性。
步骤100获取玉米植株侧视的图像,将图像进行预分割处理及玉米植株茎秆的矫正处理,得到矫正二值图。获取到玉米植株侧视的图像,首先设计标定物检测算法定位标定区域,获取透视变换矩阵,并对原始图像进行矫正,该矫正使得矫正后图像中标定物区域为正矩形,保存矫正后图像中标定物左右两边对应的条状区域为新图像,并缩放至固定宽度。通俗的来讲,此新图像其实就是裁剪过校正的图像,这里固定宽度选为2500个像素,该发明实施例对固定宽度具体值不做具体限定。
新图像为RGB颜色空间,经颜色变换获取Lab空间图像,在a空间和b空间分别进行大津分割得到两张二值图。该二值图根据白色像素所占比例确定是否需要做颜色反转,保证白色所占比例最小,进而保证二值图中植株部分为白色。再对两分割结果做逻辑或,得到初步二值图Bin1。以初步二值图Bin1为种子图像,利用区域生长法得到新二值图Bin2,生长条件为2**g-r-b或2*r-g-b满足预设的绿色阈值或红色阈值,前者为超绿特征,后者为超红特征,由于玉米的叶片在光照下会出现局部反光现象,在区域生长中,对亮度满足预设亮度阈值的也认为是满足生长条件的。
但是在实际应用中,由于拍摄视角光线原因再上玉米叶片长而窄,原始图像中叶片宽度低于五个像素部分的区域的超绿特征和超红特征会低于预设阈值,同时亮度也低于预设亮度阈值,因此,新二值图Bin2中叶片断开的情况可能会发生,那么可以采用自适应阈值分割图adaptiveBin来辅助解决该问题。自适应阈值分割图adaptiveBin采用区域生长法得到的二值图做差值adaptiveBin-Bin2,可以记作差值二值图Bin3,在差值二值图Bin3中寻找满足预设面积阈值和最大距离阈值的连通域,同时判断该连通域与新二值图Bin2有连通,则将所有满足要求的连通域逐步增加到新二值图Bin2中。为了使得边缘分割更准确,进一步结合灰度图和距离变换图,对新二值图Bin2中边缘部分每个像素做判断,对灰度图做kernel*kernel大小窗口的均值平滑,得到平滑图,只考虑像素点对应的距离值小于预设距离阈值的点,对这些点计算对应灰度值与平滑图中对应值的差值,若大于所设偏移阈值则置新二值图Bin2中对应的像素值为0。在此实施例中,面积阈值用于描述断开区域部分的大小,最大距离阈值利用连通域中最大距离值来描述连通域的形状,这两个值的设置根据实际情况而定,此实施例中分别设为750和10,在其他实施例中其他数值也可以。kernel大小表示选取的像素邻域块大小,所述偏移阈值描述每个像素值与周围像素值的对比程度,这两个值的设置根据实际情况而定,此实施例中分别设为15和10,在其他实施例中其他数值也可以。
最后是感兴趣区域(玉米植株)的提取,这里采用与预设的中间矩形区域重合最大的连通域,将此图像记为Bin4。对二值图做边缘检测,获得边缘图,基于该边缘图做概率霍夫变换,获得线段集。对获得的线段集按照角度和距离的一致性进行聚类并过滤角度大于预设角度阈值的线段以减少候选线段集。为了缩小搜索范围,在Bin4的轮廓上做凸包凸缺陷检测,记录满足所设深度阈值的凹凸点集合。进一步,计算每个聚类与所述凹凸点集合的误差,选取误差最小的前三个,作为候选聚类。对候选聚类的每一个聚类计算其所有线段的角度的平均值作为候选方向。对每个候选方向,对Bin4按照相反方向做旋转,由水平方向直方图最大投影值选择最佳的旋转方向,按此最佳旋转方向的反方向对Bin4做旋转,获得矫正二值图像rotatedBin。在此实施例中所用到的边缘检测为Canny检测,其他边缘检测也可以的,在此不再赘述。本实施例中所提到的深度阈值反映了利用凹凸点的深度获得叶片与茎秆连接点处凹凸点的数目,该阈值越小,会引进虚假凹凸点,并且增加后续计算量。
在此实施例中,结合轮廓信息和二值图信息,获得最佳的旋转方向,使得茎秆处于直立状态,为后期玉米株型的骨架分析、与茎秆连接处的点定位的准确性提供了保障,从而进一步为提高各参数测量的准确性做好了准备。另外,通过预分割和基于颜色的区域生长、叶片断开处理、边缘优化等步骤,获取到玉米株型的完整的图像区域,为后期做玉米株型的图像处理,获取玉米株型的表型信息做了准备。
在步骤S200对矫正二值图分别进行整体分析和骨架分析,得到玉米植株的整体参数和玉米植株路径,通过整体分析得到玉米植株的整体参数,其中,整体参数包括投影面积、凸包面积、外接矩形面积、最小外接矩形面积,长宽比、紧凑度、绿色程度、参考种植密度。
此步骤在矫正二值图上通过轮廓分析提取最外层的轮廓,并由凸包构造算法获取对应的凸包围点;以所述凸包围点为基础计算外接矩形和最小外接矩形,进一步计算所述的整体参数,其中所述的整体参数包括投影面积、凸包面积、外接矩形面积、最小外接矩形面积,长宽比、紧凑度、绿色程度、参考种植密度。
由凸包构造算法获取对应的凸包围点目的是为了降低后续参数计算时间。投影面积为旋转二值图中前景像素点个数;凸包面积为凸包围点所围区域的像素点个数;长宽比为所计算出的外接矩形的长与宽之比;紧凑度为凸包面积与最小外接矩形面积之比;绿色程度的计算为,特征图像2*G-R-B与原始二值图做掩码处理,计算特征图像的掩码区域的平均值,此为绿色程度的描述度量,其中G为RBG空间绿色通道图像,R为红色通道图像,B为绿色通道图像。参考种植密度的计算公式为1/(4*avg_w^2)。其中avg_w=(pw+cw)/2,pw和cw分别为以外接矩形的高为高,与投影面积和所述凸包面积相等的矩形的宽。
本实施例中基于二值图的轮廓信息获取凸包围点,以此为基础获取一系列的整体参数的计算,这解决了人工测量在整体参数获取中的难度,提高了玉米株型的表型测量的效率及表型信息的扩展性。
在一个实施例中,对矫正二值图进行骨架分析,得到玉米植株的玉米植株路径,包括以下步骤:步骤a、利用细化算法对矫正二值图进行骨架提取,得到骨架图,进而得到端点、关节点及线段。具体操作为:对矫正二值图像利用zhang-suen的细化算法进行骨架提取,获得骨架图skelImg,对每个像素点周围的八连接邻域中搜索并统计非零像素个数,计数为1的像素点为端点,计数多于1的为关节点,连接所述端点或所述关节点的skelImg中非零像素点组成的路径为线段,该线段不经过其它的端点或关节点。在整个计算过程中,细化算法的速度与玉米植株大小有关,叶片越宽计算越耗时。本实施例中,对二值图缩小0.5倍后进行细化操作,然后对获得的细化图像通过近邻插值放大2倍,再次进行细化操作,得到骨架图。本步骤由细化算法获得的玉米植株骨架及端点关节点线段等为后面叶片路径获取及修正提供了有力的依据,以此提高了玉米株型的表型测量的效率及表型信息的扩展性。
步骤b、对每个端点在校正二值图上进行特征值计算,包含:在端点为中心的小窗口内计算四条边上白色像素所占比例,筛选出叶片端点和非叶片端点。在端点为中心的subWin*subWind的小窗口内统计四条边上非0像素的个数,得到每个端点的特征值,该特征值用于端点为有效端点和无效端点的筛选,特征值大于所设阈值的为无效端点,否则为有效端点,其对应的叶片路径需根据其它特征进一步做真实叶片路径的判断。subWin为小窗口的大小,该值表示小窗口对叶尖部分的包围程度,该值越小,叶尖会填充整个窗口,因此该窗口大小的设置根据实际情况而定,此实施例中该窗口大小设置为30个像素,在其他实施例中其他数值也可以,本发明实施例不做具体限定。所设阈值用于过滤无效端点,设置过大会带来虚假叶片,增加后续判断的工作量,本实施中设置为25,其他实施例中其他数值也可以实现,在此不做限定。
步骤c、以端点和关节点为顶点,以线段为边,构建邻接图。在图论中,图G=(V,E)是一个二元组,V为顶点,由端点和关节点组成,E为连接顶点的边,这里的边由线段、线段的起点、线段的终点、线段上像素点数目(边的长度)组成,该图为无向图,即线段的两个端点都可作为边的起点。邻接图的构建也可由skelImg上的每个像素点作为顶点,具有八邻域连接的像素点间构成一个边,边的长度为1,只是方式不够简洁,计算量偏大。本发明实施例对邻接图的构建方式不做具体限定。
步骤d、利用最短路径在邻接图中获取每个端点到关节点的初步叶片路径。为了获取每个叶片路径,借助图论最短路径思想做分析处理,首先确定玉米植株的根节点,在端点或关节点中选择最靠近茎秆底部即y坐标值最大的点为根结点,以每个端点为起点,根结点为终点,由最短路径算法获得最短路径,即为端点到根节点的初步的叶片路径。若端点被判断为无效端点,则其对应的叶片路径为虚假路径。但是在实际情况中玉米植株有时候会出现叶片交错,按照最短路径会出现某个叶片路径错误,或者叶片遗漏,这是因为该邻接图上出现环路径,某个叶片按最短路径会偏离真实轨迹,或者某个叶片的叶尖为关节点而非端点,从而造成遗漏,这时候需要对某个叶片路径做调整修正或增加,也就是根据叶片交错规则结合的环路径对某些叶片路径进行修正或增加新路径。这里需要维护记录每个关节点有效性的数组keepB,初始化时所有置为逻辑真,更新虚假路径经过的第一个关节点的有效性为逻辑假。
步骤e、基于邻接图判断环并提取环,得到环路径,根据预设叶片交错模型结合环路径对初步叶片路径进行修正处理,得到修正后叶片路径,其中,预设叶片交错模型将叶片交错的种类分为三类。环路径的判断获取步骤为:先置邻接图的所有边(线段)为逻辑真;虚假路径所经过的第一个边(线段)置为逻辑假,同时初步的叶片路径经过的所有边(线段)置为逻辑假,此时,置为逻辑真的边(线段)为初步的叶片路径没经过的边(线段),即没有使用的边(线段),环存在于这些边(线段)构成的路径中。那么,由这些没有使用的边(线段)及对应的关节点按照步骤c构建新的邻接图Gn=(Vn,En),同时Vn中连接的边既有标记为逻辑真又有标记为逻辑假的关节点集合记为Vn0,该Vn0为Vn的子集,这些点为环路径的起点或终点。在新邻接图上,选取集合Vn0中的任意两点分别为起点和终点,在Gn中利用最短路径算法,获取所有可能的环路径。
本实施例中,叶片交错规则至少包含三种:两叶交错,都能看到明显的叶尖,同时两叶片为十字型交错,即同一叶片的两部分分别在另一叶片的两侧,此为第一叶片交错;两叶交错,都能看到明显的叶尖,同一叶片的两部分都在另一叶片的同一侧,此为第二叶片交错;两叶交错,其中有一片看不到叶尖,此为第三叶片交错,当然还可以包括其它交错关系,本发明实施例不作具体限定。
在新的邻接图Gn上对顶点集合Vn0按照连通性进行分组,得到有连通性的关节点集合Ns0和独立的关节点集合Ns1,集合Ns0中每个元素中的所有关节点是连通的,玉米植株可能会存在多个环,于是集合Ns0的元素可能多于1,集合Ns1中的每个元素只包含一个关节点。
对独立的关节点集合Ns1中的每个关节点Junc1进一步判断,在步骤d中判别为虚假叶片路径中寻找可能存在误判的路径。首先在En中查找与该关节点Junc1相连的线段的另一端点Junc2,并且判断步骤d中所有虚假叶片路径有无经过Junc2的情况,若存在,记录该叶片路径,并记录该叶片路径的叶尖到关节点Junc1的像素点个数,若大于预设第一阈值则把该叶片路径标记为有效路径;
下面对连通性的关节点集合Ns0中的每组关节点,确定一对有效的点,分为靠近茎秆的点nearestP和远离茎秆的点farmostP,并记Vn上对应的路径记为Path;判断Path的长度是否大于预设第二阈值,如果是,确定经过所述Path上点farmostP的叶片路径及数目。如果数目为1,说明此为所述叶片交错3,则增加新路径,该Path与V中分别以nearestP和根结点为起点终点的最短路径构成新的叶片路径,同时更新关节点farmostP的有效性为逻辑假;如果数目为2,记为{PathI,PathJ},同时对应的两叶片路径交错时重叠部分长度小于等于预设第三阈值时为所述叶片交错1,则调整路径,具体操作为,PathI和PathJ中叶片叶尖在下方的路径需要调整,路径上nearestP和farmostP经过的子路径需要替换为Path;如果数目为2,同时两叶片路径交错时的重叠部分长度大于第三阈值时为所述叶片交错2,则调整路径,具体操作为,PathI和PathJ中叶片叶尖在上方的路径需要调整,路径上nearestP和farmostP经过的子路径需要替换为Path;如果为数目3以上,则为复杂环,暂不处理。
本实施例中,所述重叠部分指的是V中经过farmostP的两叶片路径从叶尖开始第一个重合的关节点与farmostP对应的子路径部分,同时更新关节点farmostP和第一个重合的关节点的有效性为逻辑假;其中所述第二阈值和其中所述第三阈值根据具体情况设置,本发明实施例不做具体限定,本发明实施例中分别设置为100和200个像素。
步骤f、对修正后叶片路径确定茎秆路径及路径惟一性进行判断与过滤,得到修正后叶片路径的叶片与茎秆的连接点,即叶片根部位置。记录每个叶片路径经过的有效关节点,并确定经过有效关节点数最多的叶片路径为茎秆路径,茎秆路径及茎秆上有效关节点确定后,更新所有叶片的根结点为该叶片路径与茎秆路径的第一个连接点。然而在记录的过程中可能会存在多个茎秆路径,则需要进一步选取对应的有效关节点的x坐标的标准差最小的为最优的茎秆路径,并根据有效结点频率确定茎秆路径最上端的关节点。由于真实情况下同侧相邻叶片靠近茎秆部分粘连在一起、或者距离较近时拍摄视角原因、或者是叶片破坏出现两个叶片的情况,同侧的多个叶片路径会出现对应的叶片根结点相同,因此需要进一步做路径唯一性判断过滤。
由于矫正二值图在不同拍摄情况下可能会存在轻微的差异,为了使得各参数测量结果更准确稳定,基于茎秆路径进一步做倾斜度校正微调,具体为:茎秆路径靠近根部下端的若干个有效结点连成的路径点集做鲁棒的直线拟合,以该拟合直线与y轴的有向角度对所述旋转二值图rotatedBin进一步旋转,使得茎秆方向与y轴一致。
此实施例中的有效关节点指的是记录关节点有效性的数组keepB中为逻辑真的关节点。
结合二值图和骨架图并基于最短路径思想,获取初始的叶片路径,逐步判断调整,获取修正后的叶片路径和茎秆路径,为下一步的叶片与茎秆连接处的点定位和夹角确定提供准备工作,为玉米株型的局部参数测量提供依据。
在一个实施例中,基于矫正二值图和叶片路径确定玉米植株中每个叶片的与茎秆连接处的点及叶片与茎秆的夹角三点,得到玉米植株的叶片参数和茎秆参数,其中,所述叶片参数包括叶片长度、叶片弯曲度及茎叶夹角,所述茎秆参数包括节间距和茎秆的粗细程度,包括步骤1、步骤2、步骤3和步骤4。
步骤1、将所有叶片路径按照朝向分为第一叶片路径和第二叶片路径。对每个叶片根据其叶片路径靠近所述叶片根结点的连续N0个像素点的片段的起始点和结束点的x坐标的平均值与所述叶片根结点的x坐标作比较,若小于则判为第一叶片,否则为第二叶片;然后每侧的叶片根据所述叶片根结点的y坐标从大到小排序,若根结点相同,则根据叶片最高点坐标的y值再做判断,从而按照左右朝向把所述叶片路径划分为左叶片路径和右叶路片路径即第一叶片路径和第二叶片路径,同时由左右两侧第一片叶子的根结点的高低确定第一片叶子,后面叶子编号就按照左右(或右左)顺序交错排序,从而实现对叶片的编号。
步骤2、对每个第一叶片路径和第二叶片路径在矫正二值图中确定上节点。记茎秆路径的起始点和结束点分别为upperPt和bottomPt,则茎秆路径与像素点(0,upperPt.y)和像素点(0,bottomPt.y)围成的区域为左边大范围,茎秆路径与点(w,upperPt.y)和(w,bottomPt.y)围成的区域为右边大范围,w为新二值图的宽;获取rotatedBin的所有轮廓,并记录其中满足预设面积阈值的轮廓经多边形近似后的点集,按照每个轮廓所述点集中每个点与左右边大范围的位置关系分为左轮廓点集和右轮廓点集,对每个左叶片路径在左轮廓点集中寻找其y坐标小于该叶片根结点y坐标的距离最近的点,该点即为该叶片对应的叶片上节点;同理,对每个右叶片路径在右轮廓点集中寻找其y坐标小于该叶片根结点y坐标的距离最近的点,该点即为该叶片对应的叶片上节点,此时完成每个所述左叶片路径和右叶片路径在所述新二值图上的上节点的确定。
步骤3、在矫正二值图中对每个第一叶片路径和第二叶片路径由骨架和轮廓边缘围成的前景区域及有效轮廓,并在有效轮廓中确定叶片与茎秆连接处的点。记叶片路径对应的叶根结点在叶片路径上的下标索引为leafrootNum1,该叶片路径总的像素点数为totalPixelNum1,同侧下方与当前叶片编号最近的叶片的根结点在其叶片路径上的下标索引为leafrootNum0,其对应的叶片路径总的像素点数为totalPixelNum0。当前叶片路径上下标索引为leafrootNum1*0.8处的像素点坐标leafPt和当前叶片路径上totalPixelNum1-(totalPixelNum0-leafrootNum0)-5下标索引处像素点坐标对应的子路径,和下方叶片的上节点mUpPt、坐标点(leafPt.x,(leafPt.y+mUpPt)*0.5)围成闭合区域closeRegion;提取rotatedBin上对应closeRegion内的前景区域,对该前景区域通过轮廓检测找出最大轮廓作为有效轮廓,此时完成第一叶片路径和第二叶片路径对应的所述二值图上由骨架和轮廓边缘围成的前景区域的确定,该前景区域的有效轮廓记录了叶片与茎秆连接处的点附近的叶片边缘和茎秆边缘的点集,这为下一步叶片与茎秆连接处的点的定位做好准备。
对有效轮廓做凸缺陷检测,每个凸缺陷包含在轮廓上的开始处下标索引、结束处下标索引、距离轮廓凸包最远的缺陷点的下标索引、缺陷点到轮廓凸包的最远点的距离depth。在多个凸缺陷中,确定开口朝左(右)下的最凹点及对应的开始处下标索引与结束处下标索引。最凹点有时候为叶片与茎秆连接处的点,有时候偏离真实的叶片与茎秆连接处的点位置,因此需要进一步判断调整,也就是需要在最凹点附近寻找可能的叶片与茎秆连接处的点的候选点集,为此,记有效轮廓上最凹点的开始处下标索引和结束处下标索引范围内的点为有效点集,在有效点集中,对每个像素点进一步过滤判断,以去除该点在局部区域为凸点的点,具体操作为:对每个点分别向上及向下取两个在预设距离内的最远点,计算两最远点到该点的有向向量的叉积,若为正值,则为凸点,放弃,否则进行记录,得到叶片与茎秆连接处的点的候选点集。对该候选点集按照y坐标从大到小排序,根据相邻点的偏离度约束确定叶片与茎秆连接处的点。本实施例中,开口朝左(右)下的计算方式为:计算每个缺陷点到缺陷点对应的开始处像素点和结束处像素点连线的垂足点,由缺陷点和垂足点的位置关系进行判断,对第一叶片路径,垂足点在缺陷点的左下方的轮廓定义为开口朝左下的,对第二叶片路径,垂足点在缺陷点的左下方的轮廓定义为开口朝右下的,以此来过滤虚假缺陷点。
而最凹点为:根据预定义的距离度量,寻找开口朝左(右)下的缺陷点中对应的距离度量最大的为最凹点,该距离描述该缺陷点或凹点对应的轮廓点集对真实叶与茎秆连接处的点的包围程度,本实施例中采用该凹点到轮廓凸包的距离depth的2倍与该缺陷点和叶片根结点的x坐标距离之差。当然其他数值也是可行的,在此不做限定。
本实施例结合叶片路径和二值图的轮廓信息,根据凸缺陷检测定位缺陷点,确定开口朝左(右)下的最凹点,由最凹点及对应的有效点集进一步判断过滤获取叶片与茎秆连接处的点的候选点集,对候选点集按照y坐标按降序排序,根据相邻点的偏离度约束确定叶片与茎秆连接处的点,这为玉米植株局部参数如叶片长度、弯曲度、节间距等的计算提供了高精度的测量依据,同时进一步指导叶片夹角的定位计算。
步骤4、对每个叶片路径确定该叶片与茎秆的夹角,以及夹角三点。对每个叶片路径的与茎秆连接处的点而言,在新旋转二值图的所有轮廓中寻找包含该叶片与茎秆连接处的点的轮廓,再匹配到的轮廓上提取以所述叶片与茎秆连接处的点为中心的N个连续点集;以叶片与茎秆连接处的点为中心的N个点集中,根据直线拟合及平行原则寻找叶片的上拟合直线和下拟合直线,进而确定该叶片与茎秆夹角的三个点。以叶片与茎秆连接处的点为中心向上以不同步长的偏移像素数目取两个不同固定长度的连续点集upSet1和upSet2,这里选取三个不同偏移步长{-5,-15,-25},两个不同固定长度L1和L2。每个点集进行鲁棒直线拟合并计算拟合误差,分别在三组长度为L1和L2中选取拟合误差最小的,拟合误差分别记为mDistPtSumMini35和mDistPtSumMini70,然后根据前者与后者的比值是否大于给定的阈值Th1或者后者是否大于给定阈值Th2来选择点集及拟合直线,进而确定叶片夹角的上边缘点;同理,以所述叶片与茎秆连接处的点为中心向下寻找最佳的点集及对应的拟合直线,进而确定叶片夹角的下边缘点,两拟合直线的交点为叶片夹角的顶点,从而确定了该叶片与茎秆夹角的三个点。
在此,两个不同固定长度L1和L2根据具体情况设置,本实施例分别设置为35和70个像素;阈值Th1和所述阈值Th2分别反映了L1长度和L2长度点集的拟合直线的接近程度和L2长度拟合直线误差的容忍限度,根据具体情况设置,本实施例分别设置为0.4和18.0,其他数值也是可行的,在此不做限定。
本实施例中,在每个叶片路径的与茎秆连接处的点对应的轮廓上提取以该叶片与茎秆连接处的点为中心的N个连续点集,根据直线拟合及平行原则寻找叶片的上拟合直线和下拟合直线,从而确定该叶片与茎秆夹角的三个点,提高了玉米株型的局部参数测量的准确性和有效性。
通过以上实施例,得到玉米植株的叶片参数和茎秆参数,叶片参数包括叶片长度、叶片弯曲度、茎叶夹角,所述茎秆参数包括节间距和茎粗。叶片长度的计算为两部分之和,其中一部分为从所述叶片路径上有效路径部分经平滑后的相邻点的欧氏距离之和,另一部分为所述有效路径末端与所述叶片与茎秆连接处的点的欧式距离。叶片长度的具体计算方式根据具体情况来设计的,本实施例对此不做具体限定;叶片弯曲度为从所述叶片路径的叶尖到所述叶片与茎秆连接处的点的欧氏距离与所述叶片长度的比值;茎叶夹角为叶片夹角三点对应的角度之补角;茎秆的节间距为相邻的所述叶片与茎秆连接处的点的y坐标的绝对差;茎秆的茎粗为相邻的所述叶片与茎秆连接处的点部分的茎粗的最小值。
骨架图结合最短路径思想,获取初始的叶片路径,逐步判断调整,获取修正后的叶片路径和茎秆路径;结合二值图的轮廓信息,在轮廓上基于叶片路径定位叶片与茎秆连接处的点以及由与茎秆连接处的点附近的轮廓信息确定夹角三点,这保证了玉米株型的局部参数测量的准确性和有效性。
实施例2:
一种玉米株型参数测量系统,如图2所示,包括获取校正模块100、整体分析模块200及结果分析模块300;
所述获取校正模块100,用于获取玉米植株侧视的图像,将图像进行预分割处理及玉米植株茎秆的矫正处理,得到矫正二值图;
所述整体分析模块200,用于对矫正二值图分别进行整体分析和骨架分析,得到玉米植株的整体参数和玉米植株路径,其中,玉米植株路径包括叶片路经和茎秆路径;
所述结果分析模块300,基于矫正二值图和叶片路径确定玉米植株中每个叶片的与茎秆连接处的点及叶片与茎秆的夹角三点,得到玉米植株的叶片参数和茎秆参数,其中,所述叶片参数包括叶片长度、叶片弯曲度及茎叶夹角,所述茎秆参数包括节间距和茎秆的粗细程度。
在一个实施例中,所述图像采集装置还包括成像背景装置;所述成像背景装置包括背景装置和背景架,所述背景装置设有标定物,所述背景架为可拆卸可伸缩背景架;所述背景架包括横杆、竖杆和底座,所述横杆用于固定背景布。具体地,成像背景装置包括带标定物的背景装置和可拆卸可伸缩的背景架,在此,背景装置可以为背景布,背景架包括横杆、竖杆及底座,背景布固定于背景架的上横杆和下横杆,使其平展且垂直于地面;背景布材质选取绒面不反光、不具有弹性;背景架的左右竖杆离地凿有不同高度的固定孔,以适应不同高度的花盆,此花盆用于盛放玉米植株,背景布四周镶嵌标定物。在此,标定物的形式不限,可以为圆形,也可以为条状,本实施例采用的是条状标定物。
首先搭建成像背景装置,背景布固定于背景架的上下横杆上,保持背景布平展且垂直于地面,并且下横杆已调节至适当高度,高于所测玉米植株所在的花盆边缘。为了保证整个玉米植株在拍摄中都处于背景中,下横杆部分也保留一定高度的背景布。背景布上带有标定物,用于对所拍摄图的矫正及比例尺确定。把所测种植于花盆中的玉米植株放置与背景布前并且最大展开面紧贴背景布,以保证测量的准确性。同时花盆用黑色布覆盖,以保证后续分割算法的分割有效性和完整性。获取校正模块获取玉米植株侧视的图像,将图像进行预分割处理及玉米植株茎秆的矫正处理,得到矫正二值图,可以是照相机或摄像机获取图像,也可以是包括照相机或摄像机等用于采集图像信息的其他装置,本发明实施例不做具体限定;接着所述整体分析模块200,用于对矫正二值图分别进行整体分析和骨架分析,得到玉米植株的整体参数和玉米植株路径,其中,玉米植株路径包括叶片路经和茎秆路径;结果分析模块300,基于矫正二值图和叶片路径确定玉米植株中每个叶片的与茎秆连接处的点及叶片与茎秆的夹角三点,得到玉米植株的叶片参数和茎秆参数,其中,所述叶片参数包括叶片长度、叶片弯曲度及茎叶夹角,所述茎秆参数包括节间距和茎秆的粗细程度。
本实施例的系统,通过简易的成像背景装置,对放置于背景布前的盆栽玉米植株采集图像,对图像信息进行处理,通过对标定物检测获得检测区域、透视变换矩阵和比例尺,获得矫正后图像;对矫正后图像进行分割提取玉米植株前景图像,即校正二值图;进一步在校正二值图的骨架图上进行骨架分析,在骨架图上,基于最短路径思想,获取初始的叶片路径,逐步判断调整,获取修正后的叶片路径和茎秆路径;结合校正二值图的轮廓信息,在轮廓上基于叶片路径确定每个叶片的与茎秆连接处的点、进而确定每个叶片叶片与茎秆的夹角三点;计算整体参数和局部参数,并通过比例尺换算到实际尺寸。通过该成像背景装置和图像处理装置,实现了对玉米株型参数的系统化测量,能够一次性获得从整体和局部角度评价株型的多种独立参数,为从不同角度评价玉米株型提供一种高效、便携、准确的手段。
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:
获取玉米植株侧视的图像,将图像进行预分割处理及玉米植株茎秆的矫正处理,得到矫正二值图;
对矫正二值图分别进行整体分析和骨架分析,得到玉米植株的整体参数和玉米植株路径,其中,玉米植株路径包括叶片路经和茎秆路径;
基于矫正二值图和叶片路径确定玉米植株中每个叶片的与茎秆连接处的点及叶片与茎秆的夹角三点,得到玉米植株的叶片参数和茎秆参数,其中,所述叶片参数包括叶片长度、叶片弯曲度及茎叶夹角,所述茎秆参数包括节间距和茎秆的粗细程度。
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 (11)
1.一种玉米株型参数测量方法,其特征在于,包括以下步骤:
获取玉米植株侧视的图像,将图像进行预分割处理及玉米植株茎秆的矫正处理,得到矫正二值图;
对矫正二值图分别进行整体分析和骨架分析,得到玉米植株的整体参数和玉米植株路径,通过整体参数得到玉米植株的生长参数,其中,玉米植株路径包括叶片路经和茎秆路径;
基于矫正二值图和叶片路径确定玉米植株中每个叶片与茎秆连接处的点及叶片与茎秆的夹角三点,得到玉米植株的叶片参数和茎秆参数,其中,所述叶片参数包括叶片长度、叶片弯曲度及茎叶夹角,所述茎秆参数包括节间距和茎秆的粗细程度。
2.根据权利要求1所述玉米株型参数测量方法,其特征在于,所述将图像进行预分割处理及玉米植株茎秆的矫正处理,得到矫正二值图,包括以下步骤:
基于玉米植株侧视的图像获取包含玉米植株的有效区域,对有效区域进行分割处理得到初步结果;
对初步分割结果做断开叶片处理和分割边缘优化处理,得到原始二值图;
对原始二值图做边缘检测,得到边缘图;
边缘图做概率性霍夫变换,得到线段集合;
对线段集合做聚类,对每个聚类基于预设保留若干候选方向;
通过水平投影直方图沿着候选方向选择最佳的旋转方向,获得矫正二值图。
3.根据权利要求1所述玉米株型参数测量方法,其特征在于,所述对矫正二值图分别进行整体分析和骨架分析,得到玉米植株的整体参数和玉米植株路径,包括以下步骤:
提取所述矫正二值图最外层的轮廓,得到凸包围点及对应的凸包面积;
基于凸包围点得到外接矩形及最小外接矩形,进而得到玉米植株的整体参数,通过整体参数得到生长参数,其中,所述整体参数包括投影面积、凸包面积、外接矩形面积及最小外接矩形面积,生长参数为长宽比、紧凑度、绿色程度及参考种植密度,所述长宽比为所述外接矩形的长和宽之比;所述紧凑度为凸包面积与最小外接矩形面积之比。
4.根据权利要求3所述玉米株型参数测量方法,其特征在于,所述绿色程度表示特征图像的掩码区域的平均值,其中,特征图像的掩码区域为特征图像为2*G-R-B与原始二值图做掩码处理得到的,其中,G为RBG空间绿色通道图像,R为红色通道图像,B为绿色通道图像;
所述参考种植密度通过以下公式计算:1/(4*avg_w^2),其中,avg_w=(pw+cw)/2,pw和cw分别为以外接矩形的高为高与投影面积和凸包面积相等的矩形的宽。
5.根据权利要求1所述玉米株型参数测量方法,其特征在于,所述基于矫正二值图和叶片路径确定玉米植株中每个叶片的与茎秆连接处的点及叶片与茎秆的夹角三点,得到玉米植株的叶片参数和茎秆参数,包括以下步骤:
利用细化算法对矫正二值图进行骨架提取,得到骨架图,进而得到端点、关节点及线段;
对每个端点在校正二值图上进行特征值计算,包含:在端点为中心的小窗口内计算四条边上白色像素所占比例,筛选出叶片端点和非叶片端点;
以端点和关节点为顶点,以线段为边,构建邻接图;
利用最短路径在邻接图中获取每个端点到关节点的初步叶片路径;
基于邻接图判断环并提取环,得到环路径,根据预设叶片交错模型结合环路径对初步叶片路径进行修正处理,得到修正后叶片路径,其中,预设叶片交错模型将叶片交错的种类分为三类;
对修正后叶片路径确定茎秆路径及路径惟一性进行判断与过滤,得到修正后叶片路径的叶片与茎秆的连接点,即叶片根部位置。
6.根据权利要求1所述玉米株型参数测量方法,其特征在于,所述基于矫正二值图和叶片路径确定玉米植株中每个叶片的与茎秆连接处的点及叶片与茎秆的夹角三点,包括以下步骤:
将所有叶片路径按照朝向分为第一叶片路径和第二叶片路径;
对每个第一叶片路径和第二叶片路径在矫正二值图中确定上节点;
在矫正二值图中对每个第一叶片路径和第二叶片路径由骨架和轮廓边缘围成的前景区域及有效轮廓,并在有效轮廓中确定叶片与茎秆连接处的点;
对每个叶片路径确定该叶片与茎秆的夹角三点。
7.根据权利要求1或6所述玉米株型参数测量方法,其特征在于,所述叶片长度为叶片路径上有效路径部分经平滑后的相邻点的欧氏距离的总和及有效路径末端与叶片与茎秆连接处的点的欧式距离之和;
所述叶片弯曲度为叶片路径中叶尖到叶片与茎秆连接处的点的欧氏距离与叶片长度的比值;
所述茎叶夹角为叶片夹角三点对应的角度之补角;
所述节间距为相邻的叶片与茎秆连接处的点的y方向上的高度差;
所述茎秆的粗细程度为茎秆上相邻的叶片与茎秆连接处的点之间部分的粗细程度的统计值。
8.一种玉米株型参数测量系统,其特征在于,包括获取校正模块、整体分析模块及结果分析模块;
所述获取校正模块,用于获取玉米植株侧视的图像,将图像进行预分割处理及玉米植株茎秆的矫正处理,得到矫正二值图;
所述整体分析模块,用于对矫正二值图分别进行整体分析和骨架分析,得到玉米植株的整体参数和玉米植株路径,其中,玉米植株路径包括叶片路经和茎秆路径;
所述结果分析模块,基于矫正二值图和叶片路径确定玉米植株中每个叶片的与茎秆连接处的点及叶片与茎秆的夹角三点,得到玉米植株的叶片参数和茎秆参数,其中,所述叶片参数包括叶片长度、叶片弯曲度及茎叶夹角,所述茎秆参数包括节间距和茎秆的粗细程度。
9.根据权利要求8所述的玉米株型参数测量系统,其特征在于,所述图像采集装置还包括成像背景装置;所述成像背景装置包括背景装置和背景架,所述背景装置设有标定物,所述背景架为可拆卸可伸缩背景架;
所述背景架包括横杆、竖杆和底座,所述横杆用于固定背景布。
10.一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7任意一项所述的方法步骤。
11.一种玉米株型参数测量装置,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7任意一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111354251.6A CN114170148A (zh) | 2021-11-12 | 2021-11-12 | 玉米株型参数测量方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111354251.6A CN114170148A (zh) | 2021-11-12 | 2021-11-12 | 玉米株型参数测量方法、系统、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114170148A true CN114170148A (zh) | 2022-03-11 |
Family
ID=80479263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111354251.6A Pending CN114170148A (zh) | 2021-11-12 | 2021-11-12 | 玉米株型参数测量方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114170148A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115393352A (zh) * | 2022-10-27 | 2022-11-25 | 浙江托普云农科技股份有限公司 | 基于图像识别的作物夹角测量方法及其应用 |
CN115457030A (zh) * | 2022-10-27 | 2022-12-09 | 浙江托普云农科技股份有限公司 | 基于图像技术的作物茎粗测量方法及其应用 |
CN115937151A (zh) * | 2022-12-12 | 2023-04-07 | 中国农业大学 | 一种作物叶片卷曲程度的判定方法 |
CN116468657A (zh) * | 2023-02-17 | 2023-07-21 | 七海行(深圳)科技有限公司 | 植株长势的检测方法、设备、装置及计算机存储介质 |
CN116778474A (zh) * | 2023-06-02 | 2023-09-19 | 河南农业大学 | 一种番茄果实智能表型分析仪 |
-
2021
- 2021-11-12 CN CN202111354251.6A patent/CN114170148A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115393352A (zh) * | 2022-10-27 | 2022-11-25 | 浙江托普云农科技股份有限公司 | 基于图像识别的作物夹角测量方法及其应用 |
CN115457030A (zh) * | 2022-10-27 | 2022-12-09 | 浙江托普云农科技股份有限公司 | 基于图像技术的作物茎粗测量方法及其应用 |
CN115937151A (zh) * | 2022-12-12 | 2023-04-07 | 中国农业大学 | 一种作物叶片卷曲程度的判定方法 |
CN115937151B (zh) * | 2022-12-12 | 2023-08-08 | 中国农业大学 | 一种作物叶片卷曲程度的判定方法 |
CN116468657A (zh) * | 2023-02-17 | 2023-07-21 | 七海行(深圳)科技有限公司 | 植株长势的检测方法、设备、装置及计算机存储介质 |
CN116778474A (zh) * | 2023-06-02 | 2023-09-19 | 河南农业大学 | 一种番茄果实智能表型分析仪 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114170148A (zh) | 玉米株型参数测量方法、系统、装置及存储介质 | |
Bao et al. | Field-based architectural traits characterisation of maize plant using time-of-flight 3D imaging | |
CN109146948B (zh) | 基于视觉的作物长势表型参数量化与产量相关性分析方法 | |
CN110619632B (zh) | 一种基于Mask R-CNN的芒果实例对抗分割方法 | |
CN111340826B (zh) | 基于超像素与拓扑特征的航拍图像单株树冠分割算法 | |
CN103077529A (zh) | 基于图像扫描的植物叶片特征分析系统 | |
Li et al. | An overlapping-free leaf segmentation method for plant point clouds | |
CN112907545B (zh) | 基于图像处理的种子芽长与根长检测方法 | |
CN114066842A (zh) | 穗头数统计方法、系统、装置及存储介质 | |
CN111445482B (zh) | 重叠双孢蘑菇的分割识别方法 | |
CN110969654A (zh) | 基于收割机的玉米高通量表型测量的方法及装置、收割机 | |
CN109961470B (zh) | 一种基于激光点云的活立木叶属性精准估测方法 | |
CN102542560B (zh) | 一种水稻移栽后密度自动检测的方法 | |
CN109871900A (zh) | 一种基于图像处理的复杂背景下苹果的识别定位方法 | |
CN113255434B (zh) | 一种融合果实特征与深度卷积神经网络的苹果识别方法 | |
CN109919088B (zh) | 一种喀斯特地区火龙果单株识别自动提取方法 | |
CN116523898A (zh) | 一种基于三维点云的烟草表型性状提取方法 | |
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 | |
CN113780144A (zh) | 一种基于3d点云的作物株数及茎宽自动提取方法 | |
CN110610438B (zh) | 一种农作物冠层叶柄夹角计算方法及系统 | |
CN114708208A (zh) | 一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法 | |
CN115205520A (zh) | 胃镜图像智能目标检测方法、系统、电子设备及存储介质 | |
Zhu et al. | A method for detecting tomato canopies’ phenotypic traits based on improved skeleton extraction algorithm | |
CN115294482B (zh) | 一种基于无人机遥感图像的食用菌产量估算方法 | |
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 |