基于无人机影像的玉米生长初期行中心线提取方法及系统技术方案

本发明专利技术公开一种基于无人机影像的玉米生长初期行中心线提取方法及系统

【技术实现步骤摘要】
基于无人机影像的玉米生长初期行中心线提取方法及系统


[0001]本专利技术涉及遥感影像处理
，特别是一种基于无人机影像的玉米生长初期行中心线提取方法及系统
。

技术介绍

[0002]近年来，农业的自动化和智能化受到广泛关注
。
中国作为一个农业大国，农业自动化和智能化的应用尤为重要
。
农业生产过程中，作物行自动检测对于精确耕作
、
自动导航和农业机器人都非常关键，其广泛应用于种植
、
施肥
、
植物保护
、
除草和收获
。
基于无人机图像准确检测作物行，引导自动驾驶汽车实现行引导自动化，不仅可以减少操作人员的疲劳，而且可以提高车辆的定位精度，以提高农业生产率，降低成本，减少劳动力以及标准化种植
。
因此，随着智慧农业的发展，对作物行识别精度和速度的要求不断提高，开发可靠
、
实时的作物行检测方法在精准农业领域具有重要意义
。
[0003]精确的农作物行中心线检测是实现自动农业化的关键问题之一
。
霍夫变换，线性回归，斑点分析，立体视觉和水平条带是农作物行中心线提取的主要方法
。
[0004]霍夫变换是目前最常用的目标检测算法，该方法是作物行识别时最常用的机器视觉方法之一，不仅能识别直线，也能够借由算法中的投票步骤，在复杂的参数空间中找到图形的参数，从而识别出任何形状，常见的有圆形，椭圆形；被广泛应用在图像分析，计算机视觉以及影像处理方面
。
线性回归方法用于检测拟合到异常值的线，作为识别作物行指导信息的方法
。
斑点分析方法分割图像中连续的白色像素区域，然后计算该区域内的重心，最后将重心连接起来，即为作物行中心线
。
立体视觉方法通常适用于作物和杂草距离地面高度比较显著，同时作物和杂草的高度不同时
。
水平条带方法可以仅通过图像分析，而无需分割就可以确定作物行
。
[0005]综上可知，现有的研究方法大部分以连续作物作为研究对象，实际田地中由于受外界环境等因素的影响，作物行中会存在作物缺失的现象，难以保证作物行中心线的检测精度
。
针对上述问题，本研究提出缺苗区域检测算法和补苗位置算法，以检测缺苗位置，为自动化补苗提供技术支持
。

技术实现思路

[0006]有鉴于此，本专利技术的目的在于提供一种基于无人机影像的玉米生长初期行中心线提取方法及系统，该方法利用基于无人机采集的玉米影像数据，通过遥感图像处理，获取玉米苗的位置，最终进行提取行中心线
。
[0007]为达到上述目的，本专利技术提供如下技术方案：
[0008]本专利技术提供的基于无人机影像的玉米生长初期行中心线提取方法，包括以下步骤：
[0009]获取玉米生长初期的无人机影像，将影像进行切割；
[0010]对图像进行背景分割处理，将绿色植物与土壤进行分割；
[0011]通过垂直投影法获取作物行数；
[0012]利用微感兴趣区域
(micro
‑
ROI)
求取质心点，即特征点；
[0013]对目前获得的特征点，用位置聚类法去除其中的伪特征点，从而获取最终准确的特征点；
[0014]通过基于最小二乘的线性回归方法拟合所有的特征点，得到行中心线；
[0015]得知所有特征点的位置后，通过缺苗区域检测算法计算出缺苗率，并准确获取需要补苗的位置
。
[0016]进一步，背景分割按照以下步骤确定：
[0017]首先，采用的是改进的绿色植被指数
ExGG
，通过对图像进行
ExGG
灰度化处理；然后把粒子群算法和
OTSU
算法相结合，将
OTSU
方法作为粒子群算法的优化目标函数，提高图像分割的效率，快速找到图像分割的最佳阈值，将原图像由彩色图像转为二值图像
。
最后，通过线性中值滤波去除大量的杂草点
。
[0018]进一步，作物行数的获取按照以下步骤确定：
[0019]二值图像按照垂直方向将白色像素投影下来，白色像素在垂直方向的累加和，计算方法如下：
[0020][0021]其中
s(j)
表示第
j
列的白色像素在垂直方向的累加和，
I(i,j)
为点
(i,j)
处的灰度值
[0022][0023]判断
s(j)
与均值
m
的关系，若
s(k
‑
1)<m<s(k)
或者
s(k)<m<s(k+1)
，这两种情况都可以计数
count
，最终的作物行数为
N
＝
count/2。
[0024]进一步，感兴趣区域
(micro
‑
ROI)
的获取按照以下步骤确定：
[0025]将二值化图像从左到右按列平均裁剪为
N
份，在每份图像矩阵中从下到上
、
从左到右扫描特征点图像
。
每份图像矩阵扫描到的第一个白色像素点是每列作物行的起点
。
[0026]进一步，在确定起始点的基础上，我们可以根据作物行的基本方向去确定其他的特征点
[0027]进一步，在上述二值图像按列从左到右分为
N
份的基础上，再按行从下到上裁剪为适合的若干水平条带，为保证特征点提取的准确性，每个水平条带必须由一个以上的像素行组成；
[0028]进一步，然后在起始点上方取适当区域作为微感兴趣区域
(micro
‑
ROI)
[18]，再取其质心点，即为第二个特征点；
[0029]进一步，之后按照作物行的基本方向持续操作上述步骤，取到其他特征点；
[0030]进一步，运用位置聚类法去除伪特征点按照以下步骤确定：
[0031]位置聚类法将二值图像从左到右按列分为
N
列，再按照从下到上，从左到右的顺序找到初始点，最后按照距离约束和角度约束两大条件去除伪特征点，筛选出符合条件的特
征点集；
[0032]进一步，所有特征点的拟合按照以下步骤确定：
[0033]采用线性回归最小二乘法对特征点集进行拟合，使各个特征点到该拟合直线的偏差平方和达到最小
。
[0034]进一步，缺苗率的计算按照以下步骤确定：
[0035]获取图像中每个像素点的位置，计算相邻像素点之间的距离，若大于距离阈值，则将此距离放入指定集合
D
里面
,
将集合
D
里的所有元素本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于无人机影像的玉米生长初期行中心线的提取方法，其特征在于：包括以下步骤：获取玉米生长初期的无人机影像，将影像进行切割；对图像进行背景分割处理，将绿色植物与土壤进行分割；通过垂直投影法获取作物行数；利用微感兴趣区域
(micro
‑
ROI)
求取质心点，即特征点；对目前获得的特征点，用位置聚类法去除其中的伪特征点，从而获取最终准确的特征点；通过基于最小二乘的线性回归方法拟合所有的特征点，得到行中心线
。2.
如权利要求1所述的基于无人机影像的玉米生长初期行中心线提取方法，其特征在于：所述背景分割按照以下步骤确定：首先，采用的是改进的绿色植被指数
ExGG
，通过对图像进行
ExGG
灰度化处理；然后把粒子群算法和
OTSU
算法相结合，将
OTSU
方法作为粒子群算法的优化目标函数，提高图像分割的效率，快速找到图像分割的最佳阈值，将原图像由彩色图像转为二值图像
。
最后，通过线性中值滤波去除大量的杂质点
。3.
如权利要求1所述的基于无人机影像的玉米生长初期行中心线的提取方法，其特征在于：所述通过垂直投影法获取作物行数按照以下步骤确定：二值图像按照垂直方向将白色像素投影下来，白色像素在垂直方向的累加和，计算方法如下：其中
s(j)
表示第
j
列的白色像素在垂直方向的累加和，
I(i,j)
为点
(i,j)
处的灰度值判断
s(j)
与均值
m
的关系，若
s(k
‑
1)<m<s(k)
或者
s(k)<m<s(k+1)
，这两种情况都可以计数
count
，最终的作物行数为
N
＝
count/2。4.
如权利要求1所述的基于无人机影像的玉米生长初期行中心线提取方法，其特征在于：所述利用微感兴趣区域
(micro
‑
roi)
求取质心点
(
即特征点
)
按照以下步骤确定：将二值化图像从左到右按列分为
N
份，对于每一份，我们按照从下到上，从左到右的顺序依次扫描白色像素点，直到扫描到有白色像素点的列为止，起始点就位于这一列，具体的起始点位置位于：这一行所有白色像素点...

【专利技术属性】
技术研发人员：行敏锋，薛璐璐，
申请(专利权)人：电子科技大学长三角研究院湖州，
类型：发明
国别省市：