CN114332667B - 玉米株型识别方法、装置、电子设备及存储介质 - Google Patents
玉米株型识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114332667B CN114332667B CN202210262359.0A CN202210262359A CN114332667B CN 114332667 B CN114332667 B CN 114332667B CN 202210262359 A CN202210262359 A CN 202210262359A CN 114332667 B CN114332667 B CN 114332667B
- Authority
- CN
- China
- Prior art keywords
- path
- edge
- image
- corn plant
- path set
- 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
Links
Images
Abstract
本发明提供一种玉米株型识别方法、装置、电子设备及存储介质,该方法包括:获取田间玉米植株图像,基于田间玉米植株图像,得到边缘图像;基于边缘图像,断开边缘图像的环形路径,得到初始路径集合;基于初始路径集合,去除田间玉米植株图像对应的多路径连接点,得到路径端点集合;对路径端点集合中的每两个端点配对进行二次曲线拟合,得到目标路径集合;基于目标路径集合,确定玉米茎秆中心线与玉米叶脉拟合直线的夹角,基于夹角,确定玉米株型。本发明提供的方法,通过田间玉米植株图像就可以自动判断玉米株型,无需人工识别,极大提高株型数据采集效率,以及玉米株型判断的准确性,为品种评价自动化和商业化育种发展提供支撑。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种玉米株型识别方法、装置、电子设备及存储介质。
背景技术
玉米是世界上最主要的粮食作物,其品种株型分为紧凑型、半紧凑型、平展型三种,紧凑型玉米品种成为密植高产和抗倒伏适合机械化操作的理想品种,因此品种株型判断对于玉米品种的选育和评审具有重要意义。
玉米品种的株型以叶片与茎秆之间夹角判断,目前主要依靠手工测量、背景设置拍照、三维点云扫描或主观判断等方法。手工测量方法,田间操作劳动大,一人难以完成;背景设置拍照,需要在玉米植株后面设置背景幕布,然后拍摄照片,再进行图形分割及株型判断,背景设置繁琐;三维点云扫描,需要将单一玉米植株放置于三维扫描环境中,成本高,离田操作复杂,只能适用于实验室环境;主观判断是目前最常用的方法,观测者根据自己的经验直接给出株型判断,不同人员之间偏差较大。
因此,目前缺乏一种玉米株型识别方法,可以对田间环境下没有设置背景的玉米图片进行自动识别,判断玉米株型。
发明内容
本发明提供一种玉米株型识别方法、装置、电子设备及存储介质,可以对田间环境下没有设置背景的玉米图片进行自动识别,判断玉米株型。
本发明提供一种玉米株型识别方法,包括:
获取田间玉米植株图像,基于所述田间玉米植株图像,得到边缘图像;
断开所述边缘图像的环形路径,得到初始路径集合;
基于所述初始路径集合,去除所述边缘图像中的路径交叉点,得到独立路径集合;
对所述独立路径集合中符合预设的临近条件的每两个端点进行二次曲线拟合,得到叶脉路径集合;
基于所述叶脉路径集合,确定玉米茎秆中心线与玉米叶脉拟合直线的夹角,基于所述夹角,确定玉米株型。
根据本发明提供的玉米株型识别方法,所述基于所述田间玉米植株图像,得到边缘图像,包括:
对所述田间玉米植株图像去噪,并对去噪的玉米植株图像进行边缘检测操作,得到图像边缘矩阵;
对所述图像边缘矩阵的边缘进行填充,得到所述边缘图像。
根据本发明提供的玉米株型识别方法,所述断开所述边缘图像的环形路径,得到初始路径集合,包括:
确定所述边缘图像的环形路径;
循环遍历所述环形路径上每一个像素点的两侧梯度变化情况,确定目标断开点;
基于所述目标断开点,断开所述环形路径,得到所述初始路径集合。
根据本发明提供的玉米株型识别方法,所述基于所述初始路径集合,去除所述边缘图像中的路径交叉点,得到独立路径集合,包括:
遍历所述初始路径集合中每一个像素点的预设邻域内,分枝数变化情况;
基于所述分枝数变化情况,确定所述边缘图像中的路径交叉点;
将所述路径交叉点对应预设邻域内的像素点,对应的像素值置为零,得到所述独立路径集合。
根据本发明提供的玉米株型识别方法,所述对所述独立路径集合中符合预设的临近条件的每两个端点进行二次曲线拟合,得到叶脉路径集合,包括:
对所述独立路径集合中的分属于两条路径的两个端点,进行两条路径二次曲线拟合,得到多条曲线以及每条曲线对应的拟合度;
将拟合度大于预设的拟合度阈值的曲线中的两条路径端点,进行连接,得到多条叶脉路径,基于所述多条叶脉路径,得到所述叶脉路径集合。
根据本发明提供的玉米株型识别方法,所述基于所述叶脉路径集合,确定玉米茎秆中心线与玉米叶脉拟合直线的夹角,基于所述夹角,确定玉米株型,包括:
从所述叶脉路径集合中,选取满足预设长度范围的路径,作为目标叶脉路径,基于所述目标叶脉路径,确定玉米茎秆中心线;
基于预设的长度阈值和与所述茎秆中心线的相交位置,过滤所述叶脉路径集合中非本植株的叶脉路径,得到新路径集合;
基于所述新路径集合,确定玉米叶脉拟合直线与茎秆的夹角。
本发明还提供一种玉米株型识别装置,包括:
矩阵生成模块,用于获取田间玉米植株图像,基于所述田间玉米植株图像,得到边缘图像;
路径生成模块,用于断开所述边缘图像的环形路径,得到初始路径集合;
端点生成模块,用于基于所述初始路径集合,去除所述边缘图像中的路径交叉点,得到独立路径集合;
拟合模块,用于对所述独立路径集合中符合预设的临近条件的每两个端点进行二次曲线拟合,得到叶脉路径集合;
数据计算模块,用于基于所述叶脉路径集合,确定玉米茎秆中心线与玉米叶脉拟合直线的夹角,基于所述夹角,确定玉米株型。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述玉米株型识别方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述玉米株型识别方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述玉米株型识别方法。
本发明提供的玉米株型识别方法、装置、电子设备及存储介质,通过将田间玉米植株图像转化为边缘图像,断开边缘图像的环形路径,也即是将图像边缘路径在连接处断开,形成独立的小路径,然后根据自然条件,叶脉、叶边缘与茎秆之间的分布特点,进行路径合并,并以此为依据进行背景过滤。整个过程将图像转化为矩阵,再进行曲线拟合,即使获取的田间玉米植株图像时,没有设置特殊背景,也不影响对田间玉米植株图像的识别和判断,有效提高玉米株型判断的易操作性。
此外,对独立路径集合配对进行二次曲线拟合,符合自然环境下叶脉自然弯曲下垂的特点,可应用于其他类似植物生长领域需要图像识别的情景。
本发明提供的玉米株型识别方法,仅通过一张田间玉米植株图像就可以自动判断玉米株型,无需人工识别,因而无额外成本开销,极大提高株型数据采集效率,以及玉米株型判断的准确性,为品种评价自动化和商业化育种发展提供支撑。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的玉米株型识别方法的流程示意图之一;
图2是本发明提供的玉米株型识别方法的流程示意图之二;
图3是本发明提供的环形路径搜索中描边的示意图;
图4是本发明提供的环形路径检测及断开的示意图;
图5是本发明提供的路径合并示意图;
图6是本发明提供的路径构建与优化的示意图;
图7是本发明提供的玉米株型识别装置的结构示意图;
图8是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合图1-图8描述本发明的玉米株型识别方法、装置、电子设备及存储介质。
如图1所示,本发明提供一种玉米株型识别方法,包括:
步骤110、获取田间玉米植株图像,基于所述田间玉米植株图像,得到边缘图像。
可以理解的是,该田间玉米植株图像可以是在田间拍摄获得,即田间玉米植株,该田间玉米植株图像不需要人工单独设置背景后,再进行拍照。
需要说明的是,边缘图像,在前景边缘和背景边缘互相连接的情况,会存难以区分真正的玉米骨架。
前景是指目标玉米植株轮廓范围内的对象,背景是田间玉米植株图像中除前景以外的其它玉米植株、天空、地面等区域范围内的对象。由于图像拍摄时无采用背景隔离措施,背景对于前景轮廓和叶脉的提取,具有很大干扰影响。
步骤120、断开所述边缘图像的环形路径,得到初始路径集合。
可以理解的是,由于所述边缘图像对应的环形路径存在,难以将所有的叶片边缘分解为端到端的路径,首先要搜索环路,并断开环路。
需要说明的是,本发明中的路径,是指从边缘图像中的一个端点到另一个端点,所经历的所有像素点(即:特征点)的有序集合。独立路径,是指不存在交叉点的路径。
步骤130、基于所述初始路径集合,去除所述边缘图像中的路径交叉点,得到独立路径集合。
可以理解的是,为将田间玉米植株边缘图像上的所有交叉路径,分割为多个独立路径,需要去除路径交叉点。可以搜索叶片边缘中大于2分支的交叉点,去除区域为3x3邻域,保证路径再合并时,只有目标独立路径合并,非目标独立路径仍然断开,将所有边缘都变成只有两个端点,而没有中间交点的路径,形成独立路径集合Asingle。
步骤140、对所述独立路径集合中符合预设的临近条件的每两个端点进行二次曲线拟合,得到叶脉路径集合。
可以理解的是,对所述独立路径集合中的每两个端点配对进行二次曲线拟合,可以先对独立路径集合Asingle进行标签化,得到标签化的独立路径集合Alabel,即对独立路径集合Asingle中的所有端点先打上标签;搜索Alabel中所有端点,以每一个路径端点为中心,以预设阈值Tsearch大小的邻域内搜索,搜索其它标有不同标签的端点,所找到端点与原端点两两配对,将其分别所属两个路径端点进行合并,进行二次多项式拟合。
如果存在多个属于不同标签的端点,形成多个二次多项式拟合;选择拟合度最大且超过第一拟合度阈值的两条路径进行合并,并连接两个端点,形成一条新的路径,代替原来两条路径;依次,循环迭代合并所有符合条件路径后,形成目标路径集合的集合Amerge。
步骤150、基于所述叶脉路径集合,确定玉米茎秆中心线与玉米叶脉拟合直线的夹角,基于所述夹角,确定玉米株型。
可以理解的是,根据所述叶脉路径集合,确定玉米叶脉拟合直线和玉米茎秆中心线的位置。叶脉拟合直线,也即是叶片上所有叶脉拟合形成的直线。
玉米茎秆中心线位置,即茎秆位置,根据茎秆两侧叶片的路径与茎秆的交点分布具有均匀性的特点,确定最优的玉米茎秆中心线位置。
计算玉米叶脉拟合直线与茎秆夹角:取叶脉进行直线拟合,计算其与玉米茎秆中心线的夹角的平均值,该夹角的平均值作为判断株型的依据。
在一些实施例中,所述基于所述田间玉米植株图像,得到边缘图像,包括:
对所述田间玉米植株图像去噪,并对去噪的玉米植株图像进行边缘检测操作,得到图像边缘矩阵;
对所述图像边缘矩阵的边缘进行填充,得到所述边缘图像。
可以理解的是,图像边缘矩阵,即图像边缘对应的矩阵,是一个二值矩阵,在该二值矩阵中有0和255两个值,255表示叶片边缘,0表示叶片非边缘部分,将值为255的像素点称为一个边缘端点。
对所述图像边缘矩阵进行细化操作,即根据每个像素邻域的情况,将不改变其他像素连接情况的像素值由255变为0。
在一些实施例中,所述断开所述边缘图像的环形路径,得到初始路径集合,包括:
确定所述边缘图像的环形路径;
循环遍历所述环形路径上每一个像素点的两侧梯度变化情况,确定目标断开点;
基于所述目标断开点,断开所述环形路径,得到所述初始路径集合。
可以理解的是,路径是指边缘图像Aedge中,从一个端点沿着值为255的像素点到达另一端点所遍历的像素点的集合,每相邻两个像素点互为8邻域邻居。
搜索环路,是指将边缘图像Aedge置反,边缘部分的255变为0,0变为255;进行8邻域标签(label)操作,将互相连通的等值区域,顺序标识上编号Alabel;对除编号为0和1(编号为0区域为最外围背景,编号为1区域为边缘)的每个区域,进行4邻域描边操作,获得环形路径。
断开环路是指循环遍历环路上每一个像素点两侧梯度变化,找到梯度变化最大的像素点,将该点由255变为0,断开环。
在一些实施例中,所述基于所述初始路径集合,去除所述边缘图像中的路径交叉点,得到独立路径集合,包括:
遍历所述初始路径集合中每一个像素点的预设邻域内,分枝数变化情况;
基于所述分枝数变化情况,确定所述边缘图像中的路径交叉点;
将所述路径交叉点对应预设邻域内的像素点,对应的像素值置为零,得到所述独立路径集合。
可以理解的是,边缘图像Aedge中存在大量的路径交叉点,例如三分支路径交叉点或多分支路径交叉点,将大量的边缘路径连接在一起,形成两路很长的路径,对于前景中叶脉与叶片边缘的判断形成干扰,因此需要去除这些干扰。
路径交叉点,是指在3x3邻域内,邻域的中心点P0的像素值为255,沿邻域中心点的顺时针方向遍历其它8个像素点(P2,P3,P4,P5,P6,P7,P8,P9),统计像素点的像素值由0变为255的次数,表示该像素点连接的分支路径的数量,将n≥3的像素点及其3x3邻域中255置为0。
进一步,将邻域的中心点P0的3x3邻域中像素值255置为0,而不是仅仅将中心点P0的像素值置为0,是考虑在后续进行路径合并时,连接两个端点时,造成其它不期望的路径通过交叉点连接。
在一些实施例中,所述对所述独立路径集合中符合预设的临近条件的每两个端点进行二次曲线拟合,得到叶脉路径集合,包括:
对所述独立路径集合中的分属于两条路径的两个端点,进行两条路径二次曲线拟合,得到多条曲线以及每条曲线对应的拟合度;
将拟合度大于预设的拟合度阈值的曲线中的两条路径端点,进行连接,得到多条叶脉路径,基于所述多条叶脉路径,得到所述叶脉路径集合。
可以理解的是,对所述独立路径集合中的每两个端点配对进行二次曲线拟合,可以先对独立路径集合Asingle进行标签化,得到标签化的独立路径集合Alabel,即对独立路径集合Asingle中的所有端点先打上标签;搜索Alabel中所有端点,以每一个路径端点为中心,以预设阈值Tsearch大小的邻域内搜索,搜索其它标有不同标签的端点,所找到端点与原端点两两配对,将其分别所属两个路径数据点进行合并,进行二次多项式拟合。
如果存在多个属于不同标签的端点,形成多个二次多项式拟合;选择拟合度对最大且超过第一拟合度阈值的两条路径进行合并,并连接两个端点,形成一条新的路径,代替原来两条路径;依次,循环迭代合并所有符合条件路径后,形成目标路径集合的集合Amerge。
进一步,本实施例的标签化过程,与上述8邻域标签(label)过程中的标签化操作相同,搜索独立路径集合Asingle中分支路径数量为1的点作为端点。
进一步,搜索每个端点的预设阈值Tsearch内的与端点所在路径标签label不同的端点作为备选点。
将端点与备选点两两合并拟合,即将端点所在路径集合与备选点所在路径集合一起,形成两两组合,得到多组路径组合。基于多组路径组合,进行二次曲线拟合,获得多条拟合曲线,取最大拟合度的拟合曲线,若最大拟合度大于预设的拟合度阈值,可将最大拟合度组合对应的拟合曲线,所对应路径代替所对应两个端点的路径,实现路径的合并,得到叶脉路径。
在一些实施例中,所述基于所述叶脉路径集合,确定玉米茎秆中心线与玉米叶脉拟合直线的夹角,基于所述夹角,确定玉米株型,包括:
从所述叶脉路径集合中,选取满足预设长度范围的路径,作为目标叶脉路径,基于所述目标叶脉路径,确定玉米茎秆中心线;
基于预设的长度阈值和与所述茎秆中心线的相交位置,过滤所述叶脉路径集合中非本植株的叶脉路径,得到新路径集合;
基于所述新路径集合,确定玉米叶脉拟合直线与茎秆的夹角。
可以理解的是,玉米茎秆中心线位置判定是指利用合并后目标路径集合Amerge中,玉米叶脉的路径相对较长。
玉米茎秆中心线位置判定,是根据茎秆两侧叶片与茎秆的交点分布具有均匀性的特点确定最优的茎秆位置(即:玉米茎秆中心线位置)。确定大于第一长度阈值Ls的路径为叶脉。
设定玉米茎秆中心线为,每条叶脉拟合曲线与玉米茎秆中心线的交点为xn, 求解交点xn,n条叶脉所得交点为X={ x1,x2,x3,x4,…,xn },将X进行从小到大的排序;两个交点之间距离即为叶间距,根据假设条件所得叶间距为D={ d1,d2,d3,d4,…,dn-1:dn-1=xn- xn-1 },进一步计算假设玉米茎秆中心线位置条件下叶间距的标准差σd。从左到右(0≤y≤ymax)迭代玉米茎秆中心线,从y=0开始,依次加1,每次迭代计算σd,求σd最小时的y,即得到最理想的玉米茎秆中心线位置。
将干扰叶脉和叶片边缘路径过滤。将二次多项式拟合度大于预设的第二拟合度阈值Tr的路径,确定为背景中不符合抛物线和直线的路径,进行过滤;将路径拟合曲线延长线与玉米茎秆中心线相交的位置上方的路径,确定为其他植株的干扰叶脉,进行过滤。
利用上述步骤重复计算茎秆中心点的位置,对计算结果进行重复优化。
所述叶片中心叶脉或相邻植株叶脉边缘路径中心线进行直线拟合,获得多条拟合直线y=anx+bn,玉米叶脉拟合直线与茎秆中心线夹角θn=atan(an);其均值θavg=(θ1 +θ2 +...+θn)/n。
所述玉米株型判断是指θavg≤30o,判断为紧凑型;30o <θavg≤45o,判断为半紧凑型;θavg>45o,判断为平展型。
在一些实施例中,本发明提供的玉米株型识别方法,是去除图像背景边缘影响,加强前景目标路径(即叶脉路径)的方法。通过预处理、细化、环路搜索并断开、多路交叉点去除、路径合并、关键路径直线拟合、计算模拟叶片与茎秆的角度。其原理是先将整个边缘打散,模仿叶片伸展符合抛物线规律进行边缘拼接,强化叶脉和茎秆等关键特征。
首先,对本发明的一种玉米株型识别方法的前提条件及涉及的部分名称进行解释如下:
1)图像的方向设置:左上角为原点,坐标(0,0),矩阵行方向为x轴,方向向下;矩阵列方向为y轴,方向向右。
2)边缘:是指指玉米图片中,利用边缘提取核进行处理所获得特征。本说明以Canny算子进行边缘处理为例,将图片二值化,边缘像素点出为255,非边缘处为0。
3)邻接:两个值为255的像素点接触,则确定这两个像素点是邻接的。4邻域邻居,是指在上,下、左、右4个方向上互相邻接的像素点。8邻域邻居,是指上,下、左、右、上右、下右、上左、下左8个方向上邻接的像素点。
4)路径:是指边缘矩阵中从一个端点沿着值为255的点到达另一端点所遍历的像素点的集合,每相邻两个像素点互为8邻域邻居,该集合为path={ ptstart,…,ptn,…,ptend}。
5)路径交叉点:是指在边缘矩阵中,该像素点连接的分支路径的数量n≥3,n的统计方法为在3x3的8邻域范围内按照顺时针方向搜索,像素点P2,P3,P4,P5,P6,P7,P8,P9,P2,并统计像素点的像素值由0变为255的次数。
6)环路是指以环形路径,从任意一个像素点出发沿着邻居像素点单方向遍历经过不重复的像素点,会回到出发点的集合,该集合为loop={ Ptstart,…,Ptn,…,Ptstart},中间点不重复,ptstart是同一个点。
7)实施例的说明以numpy和openCV形式说明。
本实施例的玉米株型识别方法如图2所示,包括:
S210、田间玉米图像预处理;
S220、环形路径消除;
S230、路径交叉点去除;
S240、平行和延长线上的路径合并;
S250、玉米茎秆中心线位置判定;
S260、干扰叶脉和叶片边缘路径过滤;
S270、玉米叶脉拟合直线与茎秆夹角计算。
田间玉米图像预处理,包括:读取田间拍摄一株玉米图片,大概率包含背后或旁边其他植株;利用3x3高斯滤波进行去噪操作,接下来,形态学闭操作修复细小空洞缺陷,接着利用Canny算子提取图像边缘获得图像边缘矩阵Aedge, 然后对该矩阵进行填充操作,在矩阵前后各填充数值为0的行或列,行数和列数都比原有图像边缘矩阵增加2;最后进行细化操作得到边缘图像Aske,Aske中前景边缘与背景边缘互相连接的情况,难以区分真正玉米叶脉边缘,如图3中背景图所示,前景边缘与背景边缘交织在一起,难以分离。
环形路径消除,包括:由于环形路径存在,难以将所有的边缘分解为端到端的路径,首先要搜索环路,并断开环路。
边缘矩阵置反,包括:为实现环形路径搜索,首先将边缘图像Aske置反,这样由于进行边缘填充后,原有图像边缘矩阵Aedge边缘为0,Aske边缘也为0,所以置反后,边缘部分255为0,0变为255。
8邻域标签化操作,包括:将互相连通的等值区域,以原点(0,0)为起始点,按照从左到右,从上到下的方式进行遍历,将同值点标识相同编号,编号为0区域为最外围背景,编号为1区域为边缘。
环形路径区域搜索,包括:将除0和1编号以外的区域,即为环形路径区域内部,再将其像素值变为255,这样就将所有的环形路径内部标识出来了,即如图3中的像素值为255的区域;周围0和1编号两个区域变为0的背景或边缘。
4邻域描边操作,包括:每个像素点的像素值为255的区域,进行4邻域描边操作,即在像素值为255的像素点的上下左右方向搜索像素值为0的点,将其设置为88,作为环形路径的临时标号。矩阵全部描边完成后,将矩阵中除临时标号以外的值像素值置为0,将临时标号的像素点的像素值置为255,实现二值化矩阵Aloop。
搜索环路中梯度变化最大点,包括:设置断开点列表ptList,设置梯度比较宽度为7,遍历二值化矩阵Aloop中每一个环形路径的每一个像素点,计算在路径上前三个像素点和后三个像素点的梯度变化情况,当前梯度变化初始值设为0;如果新位置像素点的梯度变化大于当前梯度变化值,以新的梯度变化值替代旧的梯度变化值,并记录所在像素点位置;环形路径遍历结束,将梯度变化最大的像素点位置添加到断开点列表ptList中。
断开环路,是指根据断开点列表中像素点的坐标,将Aedge对应的点置为0,过程如图4中a框和A框区域所示,a框区域为检测到的环形路径,A框区域为a框区域断开环形路径后的结果。
去除路径交叉点,是指在Aedge中搜索分支路径数n≥3的点,作为路径交叉点,并将路径交叉点3x3邻域中像素值为255的像素点置为0,而不是仅仅将3x3邻域中的中心点P0置为0。断开效果如图4中b框和B框区域所示,B框区域为b框区域断开环形路径后的结果,可以看到将原来的复杂背景边缘碎片化。
路径合并,包括:找到Aedge中的端点,即分支路径数量n=1的点作为端点。再搜索每个端点的预设阈值Tsearch范围内,与端点所在路径标签不同的端点作为备选点,将端点与备选点路径两两合并拟合。将端点与备选点路径两两合并拟合,获得拟合曲线anx2+bnx+cn。取拟合度最高的且大于第一拟合度阈值两条路径作为同一条路径,并将两个相邻的端点采用直线方式连接起来,实现路径的合并。
路径合并中的平行合并,是指如图5中d框区域所示,一条叶脉有两条轮廓线,形成两条路径,采用平行合并方法,在该叶脉左上部进行连接,实现二次曲线拟合,获得图5中D框区域所示中间二次曲线代替原来的两条平行叶脉路径。
路径合并中延长合并,如图5中下图的e框所示,一条叶脉路径,中间形成断裂。采用延长合并方法,实现叶脉路径的延长连接,如图5中E框所示。
干扰叶脉和叶边缘路径过滤。是指路径长度大于设定阈值设置Tl为10,过滤掉背景中的细小边缘;二次多项式拟合度大于设定阈值Tr(设为0.95),过滤掉背景中不符合抛物线和直线的路径;路径拟合曲线延长线与玉米茎秆中心线相交的位置上方,过滤掉旁边其他植株的干扰叶片和叶脉,最后得到的玉米叶脉拟合直线与茎秆中心线夹角如图6所示。
综上所述,本发明提供的玉米株型识别方法,包括:获取田间玉米植株图像,基于所述田间玉米植株图像,得到边缘图像;断开所述边缘图像的环形路径,得到初始路径集合;基于所述初始路径集合,去除所述边缘图像中的路径交叉点,得到独立路径集合;对所述独立路径集合中符合预设的临近条件的每两个端点进行二次曲线拟合,得到叶脉路径集合;基于所述叶脉路径集合,确定玉米茎秆中心线与玉米叶脉拟合直线的夹角,基于所述夹角,确定玉米株型。
在本发明提供的玉米株型识别方法中,将田间玉米植株图像转化为边缘图像,断开边缘图像的环形路径,也即是将图像边缘路径在连接处断开,形成独立的小路径,然后根据自然条件,叶脉、叶边缘与茎秆之间的分布特点,进行路径合并,并以此为依据进行背景过滤。整个过程将图像转化为矩阵,再进行曲线拟合,即使获取的田间玉米植株图像时,没有设置特殊背景,也不影响对田间玉米植株图像的识别和判断,有效提高玉米株型判断的易操作性。
此外,对独立路径集合配对进行二次曲线拟合,符合自然环境下叶脉自然弯曲下垂的特点,可应用于其他类似植物生长领域需要图像识别的情景。
本发明提供的玉米株型识别方法,仅通过一张田间玉米植株图像就可以自动判断玉米株型,无需人工识别,因而无额外成本开销,极大提高株型数据采集效率,以及玉米株型判断的准确性,为品种评价自动化和商业化育种发展提供支撑。
下面对本发明提供的玉米株型识别装置进行描述,下文描述的玉米株型识别装置与上文描述的玉米株型识别方法可相互对应参照。
本发明提供的玉米株型识别装置,包括:矩阵生成模块、路径生成模块、端点生成模块、拟合模块和数据计算模块。
矩阵生成模块用于获取田间玉米植株图像,基于所述田间玉米植株图像,得到边缘图像;
路径生成模块用于断开所述边缘图像的环形路径,得到初始路径集合;
端点生成模块用于基于所述初始路径集合,去除所述边缘图像中的路径交叉点,得到独立路径集合;
拟合模块用于对所述独立路径集合中符合预设的临近条件的每两个端点进行二次曲线拟合,得到叶脉路径集合;
数据计算模块用于基于所述叶脉路径集合,确定玉米茎秆中心线与玉米叶脉拟合直线的夹角,基于所述夹角,确定玉米株型。
在一些实施例中,矩阵生成模块,包括:矩阵生成单元和填充单元。
矩阵生成单元用于对所述田间玉米植株图像去噪,并对去噪的玉米植株图像进行边缘检测操作,得到图像边缘矩阵;
填充单元用于对所述图像边缘矩阵的边缘进行填充,得到所述边缘图像。
在一些实施例中,路径生成模块包括:路径确定单元、端点确定单元和路径断开单元。
路径确定单元用于确定所述边缘图像的环形路径;
端点确定单元用于循环遍历所述环形路径上每一个像素点的两侧梯度变化情况,确定目标断开点;
路径断开单元用于基于所述目标断开点,断开所述环形路径,得到所述初始路径集合。
在一些实施例中,端点生成模块包括:遍历单元、连接点确定单元和端点处理单元。
遍历单元用于遍历所述初始路径集合中每一个像素点的预设邻域内,分枝数变化情况;
连接点确定单元用于基于所述分枝数变化情况,确定所述边缘图像中的路径交叉点;
端点处理单元用于将所述路径交叉点对应预设邻域内的像素点,对应的像素值置为零,得到所述独立路径集合。
在一些实施例中,拟合模块包括:拟合单元和目标路径确定单元。
拟合单元用于对所述独立路径集合中的分属于两条路径的两个端点,进行两条路径二次曲线拟合,得到多条曲线以及每条曲线对应的拟合度;
目标路径确定单元用于将拟合度大于预设的拟合度阈值的曲线中的两条路径端点,进行连接,得到多条叶脉路径,基于所述多条叶脉路径,得到所述叶脉路径集合。
在一些实施例中,数据计算模块包括:茎秆确定单元、路径过滤单元和计算单元。
茎秆确定单元用于从所述叶脉路径集合中,选取满足预设长度范围的路径,作为目标叶脉路径,基于所述目标叶脉路径,确定玉米茎秆中心线;
路径过滤单元用于基于预设的长度阈值和与所述茎秆中心线的相交位置,过滤所述叶脉路径集合中非本植株的叶脉路径,得到新路径集合;
计算单元用于基于所述新路径集合,确定玉米叶脉拟合直线与茎秆的夹角。
下面对本发明提供的电子设备、计算机程序产品及存储介质进行描述,下文描述的电子设备、计算机程序产品及存储介质与上文描述的玉米株型识别方法可相互对应参照。
图8示例了一种电子设备的实体结构示意图,如图8所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行玉米株型识别方法,该方法包括:
步骤110、获取田间玉米植株图像,基于所述田间玉米植株图像,得到边缘图像;
步骤120、断开所述边缘图像的环形路径,得到初始路径集合;
步骤130、基于所述初始路径集合,去除所述边缘图像中的路径交叉点,得到独立路径集合;
步骤140、对所述独立路径集合中符合预设的临近条件的每两个端点进行二次曲线拟合,得到叶脉路径集合;
步骤150、基于所述叶脉路径集合,确定玉米茎秆中心线与玉米叶脉拟合直线的夹角,基于所述夹角,确定玉米株型。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的玉米株型识别方法,该方法包括:
步骤110、获取田间玉米植株图像,基于所述田间玉米植株图像,得到边缘图像;
步骤120、断开所述边缘图像的环形路径,得到初始路径集合;
步骤130、基于所述初始路径集合,去除所述边缘图像中的路径交叉点,得到独立路径集合;
步骤140、对所述独立路径集合中符合预设的临近条件的每两个端点进行二次曲线拟合,得到叶脉路径集合;
步骤150、基于所述叶脉路径集合,确定玉米茎秆中心线与玉米叶脉拟合直线的夹角,基于所述夹角,确定玉米株型。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的玉米株型识别方法,该方法包括:
步骤110、获取田间玉米植株图像,基于所述田间玉米植株图像,得到边缘图像;
步骤120、断开所述边缘图像的环形路径,得到初始路径集合;
步骤130、基于所述初始路径集合,去除所述边缘图像中的路径交叉点,得到独立路径集合;
步骤140、对所述独立路径集合中符合预设的临近条件的每两个端点进行二次曲线拟合,得到叶脉路径集合;
步骤150、基于所述叶脉路径集合,确定玉米茎秆中心线与玉米叶脉拟合直线的夹角,基于所述夹角,确定玉米株型。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种玉米株型识别方法,其特征在于,包括:
获取在田间拍摄得到的田间玉米植株图像,对所述田间玉米植株图像去噪,并基于Canny算子对去噪的玉米植株图像进行边缘检测操作,得到图像边缘矩阵,对所述图像边缘矩阵的边缘进行填充,得到边缘图像;
对所述图像边缘矩阵的像素值进行置反后,对互相连通的等像素值区域进行遍历,将相同像素值的像素点标注相同编号,将除去最外围背景编号以及边缘编号的像素值变为255,得到所述边缘图像的环形路径,断开所述边缘图像的环形路径,得到初始路径集合;所述的环形路径,是基于对所述边缘图像中被边缘完全包围的每一个背景区域进行4邻域描边操作得到;
基于所述初始路径集合,去除所述边缘图像中的路径交叉点,得到独立路径集合;
对所述独立路径集合中符合预设的临近条件的每两个端点进行二次曲线拟合,得到叶脉路径集合;
基于所述叶脉路径集合,确定玉米茎秆中心线与玉米叶脉拟合直线的夹角,基于所述夹角,确定玉米株型。
2.根据权利要求1所述的玉米株型识别方法,其特征在于,所述断开所述边缘图像的环形路径,得到初始路径集合,包括:
确定所述边缘图像的环形路径;
循环遍历所述环形路径上每一个像素点的两侧梯度变化情况,确定目标断开点;
基于所述目标断开点,断开所述环形路径,得到所述初始路径集合。
3.根据权利要求1所述的玉米株型识别方法,其特征在于,所述基于所述初始路径集合,去除所述边缘图像中的路径交叉点,得到独立路径集合,包括:
遍历所述初始路径集合中每一个像素点的预设邻域内,分枝数变化情况;
基于所述分枝数变化情况,确定所述边缘图像中的路径交叉点;
将所述路径交叉点对应预设邻域内的像素点,对应的像素值置为零,得到所述独立路径集合。
4.根据权利要求1所述的玉米株型识别方法,其特征在于,所述对所述独立路径集合中符合预设的临近条件的每两个端点进行二次曲线拟合,得到叶脉路径集合,包括:
对所述独立路径集合中的分属于两条路径的两个端点,进行两条路径二次曲线拟合,得到多条曲线以及每条曲线对应的拟合度;
将拟合度大于预设的拟合度阈值的曲线中的两条路径端点,进行连接,得到多条叶脉路径,基于所述多条叶脉路径,得到所述叶脉路径集合。
5.根据权利要求1-4任一项所述的玉米株型识别方法,其特征在于,所述基于所述叶脉路径集合,确定玉米茎秆中心线与玉米叶脉拟合直线的夹角,基于所述夹角,确定玉米株型,包括:
从所述叶脉路径集合中,选取满足预设长度范围的路径,作为目标叶脉路径,基于所述目标叶脉路径,确定玉米茎秆中心线;
基于预设的长度阈值和与所述茎秆中心线的相交位置,过滤所述叶脉路径集合中非本植株的叶脉路径,得到新路径集合;
基于所述新路径集合,确定玉米叶脉拟合直线与茎秆的夹角。
6.一种玉米株型识别装置,其特征在于,包括:
矩阵生成模块,用于获取在田间拍摄得到的田间玉米植株图像,对所述田间玉米植株图像去噪,并基于Canny算子对去噪的玉米植株图像进行边缘检测操作,得到图像边缘矩阵,对所述图像边缘矩阵的边缘进行填充,得到边缘图像;
路径生成模块,用于对所述图像边缘矩阵的像素值进行置反后,对互相连通的等像素值区域进行遍历,将相同像素值的像素点标注相同编号,将除去最外围背景编号以及边缘编号的像素值变为255,得到所述边缘图像的环形路径,断开所述边缘图像的环形路径,得到初始路径集合;所述的环形路径,是基于对所述边缘图像中被边缘完全包围的每一个背景区域进行4邻域描边操作得到;
端点生成模块,用于基于所述初始路径集合,去除所述边缘图像中的路径交叉点,得到独立路径集合;
拟合模块,用于对所述独立路径集合中符合预设的临近条件的每两个端点进行二次曲线拟合,得到叶脉路径集合;
数据计算模块,用于基于所述叶脉路径集合,确定玉米茎秆中心线与玉米叶脉拟合直线的夹角,基于所述夹角,确定玉米株型。
7.一种电子设备,包括存储器、处理器及存储在所述存储器上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程序时实现如权利要求1至5任一项所述玉米株型识别方法。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,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5任一项所述玉米株型识别方法。
9.一种计算机程序产品,包括计算机程序,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5任一项所述玉米株型识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210262359.0A CN114332667B (zh) | 2022-03-17 | 2022-03-17 | 玉米株型识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210262359.0A CN114332667B (zh) | 2022-03-17 | 2022-03-17 | 玉米株型识别方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114332667A CN114332667A (zh) | 2022-04-12 |
CN114332667B true CN114332667B (zh) | 2022-07-01 |
Family
ID=81033484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210262359.0A Active CN114332667B (zh) | 2022-03-17 | 2022-03-17 | 玉米株型识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114332667B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115618021B (zh) * | 2022-12-19 | 2023-04-28 | 北京市农林科学院信息技术研究中心 | 农作物品种适宜种植区域推荐方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108470144A (zh) * | 2018-01-31 | 2018-08-31 | 浙江工业大学 | 一种基于曲线分段的汽车方向盘检测方法 |
CN110598692A (zh) * | 2019-08-09 | 2019-12-20 | 清华大学 | 一种基于深度学习的椭圆识别方法 |
CN110969654A (zh) * | 2018-09-29 | 2020-04-07 | 北京瑞智稷数科技有限公司 | 基于收割机的玉米高通量表型测量的方法及装置、收割机 |
CN112288764A (zh) * | 2020-03-03 | 2021-01-29 | 北京沃东天骏信息技术有限公司 | 图像分割方法、装置、设备及存储介质 |
-
2022
- 2022-03-17 CN CN202210262359.0A patent/CN114332667B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108470144A (zh) * | 2018-01-31 | 2018-08-31 | 浙江工业大学 | 一种基于曲线分段的汽车方向盘检测方法 |
CN110969654A (zh) * | 2018-09-29 | 2020-04-07 | 北京瑞智稷数科技有限公司 | 基于收割机的玉米高通量表型测量的方法及装置、收割机 |
CN110598692A (zh) * | 2019-08-09 | 2019-12-20 | 清华大学 | 一种基于深度学习的椭圆识别方法 |
CN112288764A (zh) * | 2020-03-03 | 2021-01-29 | 北京沃东天骏信息技术有限公司 | 图像分割方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
New memory and computation-efficient hough transform for detecting lines;CHUNG K L等;《Pattern Recognition》;20041231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114332667A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2019201268B2 (en) | Segmentation of an image based on color and color differences | |
CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
CN110866924B (zh) | 一种线结构光中心线提取方法及存储介质 | |
US20210366122A1 (en) | Method and apparatus for segmenting G-banded adhered chromosome based on geometrical characteristic and regional fusion, and chromosome karyotype analysis device | |
CN109166145B (zh) | 一种基于聚类分割的果树叶片生长参数提取方法及系统 | |
US8200010B1 (en) | Image segmentation by clustering web images | |
WO2020125057A1 (zh) | 牲畜个数的识别方法及装置 | |
CN111582294A (zh) | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 | |
CN107220647B (zh) | 一种叶片交叉条件下作物中心点定位方法及系统 | |
CN114529837A (zh) | 建筑物轮廓提取方法、系统、计算机设备及存储介质 | |
CN114332667B (zh) | 玉米株型识别方法、装置、电子设备及存储介质 | |
CN115239644A (zh) | 混凝土缺陷识别方法、装置、计算机设备和存储介质 | |
Hammami et al. | One-shot field spotting on colored forms using subgraph isomorphism | |
CN111738310B (zh) | 物料分类方法、装置、电子设备和存储介质 | |
CN109919164B (zh) | 用户界面对象的识别方法及装置 | |
Khan et al. | A novel technique combining image processing, plant development properties, and the Hungarian algorithm, to improve leaf detection in Maize | |
CN115457581A (zh) | 表格提取方法、装置及计算机设备 | |
CN114511862A (zh) | 表格识别方法、装置及电子设备 | |
CN114817595A (zh) | 基于草图的三维模型检索方法、装置、设备及介质 | |
CN112580452A (zh) | 故障树的处理方法、装置、计算机可读存储介质以及处理器 | |
Ramamurthy et al. | Skeletonization of 3D plant point cloud using a voxel based thinning algorithm | |
CN112215184A (zh) | 一种基于三维激光扫描仪的油茶果树产量检测方法 | |
CN113610066B (zh) | 基于人工智能的红枣数据识别方法 | |
CN111435537A (zh) | 模型训练方法、装置及基于拼接图的位姿优化方法、装置 | |
CN116977615B (zh) | 荔枝果梗识别定位方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |