一种小麦抽穗的自动检测方法技术

本发明专利技术提供一种小麦抽穗的自动检测方法，以麦田中采集到的实时前下视图像为对象，以表征小麦麦穗的颜色特征作为分割依据，通过训练得到小麦麦穗的颜色特征，实时地对小麦麦穗进行检测，经过一系列综合的去噪处理，若图像中明显的出现了小麦麦穗的连通域，则表明当前小麦图像中的小麦进入抽穗期。本发明专利技术以表征小麦生长状况的重要参数作为判断依据，实时地对小麦生长图像进行检测，检测结果准确率高，对抽穗期相关的农事活动具有重要的指导意义。

【技术实现步骤摘要】

本专利技术属于数字图像处理和农业气象观测的交叉领域，具体涉及到ー种小麦抽穗的自动检测方法，即以田间拍摄的小麦前下视图像序列为对象，从图像特征上自动检测小麦是否进入抽穗期的方法。
技术介绍
小麦是世界上总产量第二的粮食作物，在我国东北、华北、华东等地区大范围种植。为了提高小麦的产量和质量，需要对它的发育速度和进程进行了解，并在此基础上分析它的各发育期与气象条件之间的联系，从而鉴定小麦生 长的农业气象条件。然而长期以来，对于小麦各发育期的观测主要是通过人工观测的方式，受观察员主观因素的影响很大；同时由于小麦的种植地域广、生长周期长，利用人工进行观测也不够经济，没有办法保证精确度。小麦抽穗期是小麦生长期中的关键时期，对小麦产量形成过程较为重要。小麦抽穗期是衡量小麦成熟的重要指标。有效而准确地识别这个时期，是农业气象观测的重要内容。2009年李卫国、李正金、申双和在《江苏农业科学》上发表的“小麦遥感估产研究现状及趋势分析”中就小麦遥感估产精度的提高、遥感和模型结合的估产研究与应用、极端气候条件下的遥感估产以及遥感估产技术的信息集成化做了阐述；2009年张旭东在其硕士论文《卫星遥感监测江苏省小麦籽粒产量和品质初步探索》中利用遥感技术在小麦生长的中后期对籽粒产量及蛋白质含量进行了预测；2010年蔡薇在其硕士论文《基于MODIS遥感数据混合像元分解的小麦识别及面积估算》中对Langsat5TM数据采用监瞀分类，根据分类结果图提取小麦种植区域，并进行像元聚类分析，将其结果作为MODIS混合像元分解精度的评价标准。但以上对小麦产量、生长状况的监测都是利用遥感数据确定的，而由于遥感图像本身存在分辨率低，容易受到云层、云阴影和气溶胶等影响，且每天在固定区域也仅有单张图像可以使用，因此有较大的局限性，不适用于实际大田环境下小麦抽穗期的自动连续检测，难以获得实时、准确的小麦抽穗信息。目前还需ー种准确率高、实用性强和操作方便的方式来代替抽穗期人工检测方式，以获取小麦抽穗期的准确时间，便于及时指导农事活动。通过田间拍摄的小麦前下视序列图像，其涵盖的有用信息更多，有助于小麦抽穗期的实时、准确检測。因此通过拍摄的小麦前下视序列图像，借助图像处理、信息汇总的手段，对小麦发育期进行自动观测就显得十分必要，但基于图像的小麦抽穗期自动检测技术目前尚未见公开报道。
技术实现思路
本专利技术目的在于提供ー种小麦抽穗期的自动检测方法，以实时田间米集的小麦前下视序列图像为对象，利用其图像特征准确地检测出小麦抽穗期的时间。ー种小麦抽穗的自动检测方法，包括以下步骤⑴训练阶段(I. I)拍摄已进入拔节期的田间小麦图像序列，从田间小麦图像序列中的每ー张图像中按照相同方式提取多块子区域作为观测区域；(I. 2)分别对各图像的观测区域进行主成分分析，得到各观测区域的特征向量；(I. 3)依据步骤(I. 2)得到的各观测区域的特征向量将各图像中的观测区域投影到特征空间的第一或第三維，获得每ー观测区域的特征图像；将各图像同一位置的特征图像合并，获得该观测区域的特征合并图像；通过阈值分割将各特征合并图像转化为ニ值图；对于每一二值图，若其包含的黒色像素点多于白色像素点，则表明该观测区域的麦穗颜色类型为偏暗型，否则，表明该观测区域的麦穗颜色类型为偏亮型；(2)检测阶段(2. I)按照与步骤(I. I)的相同方式从待检 测图像提取多块子区域作为检测区域；(2. 2)依据步骤(I. 2)得到的各观测区域的特征向量将待检测图像中对应的检测区域投影到特征空间的第一或第三維，获得每ー检测区域的特征图像；(2. 3)通过阈值分割将每ー检测区域的特征图像转换为ニ值图，若该ニ值图对应的观测区域的麦穗颜色类型为偏暗型，则从该ニ值图中选取黑色像素点区域作为麦穗候选区域，若该ニ值图对应的观测区域的麦穗颜色类型为偏亮型，则从该ニ值图中选取白色像素点区域作为麦穗候选区域；(2. 4)分别提取每一麦穗候选区域的图像特征，根据提取的图像特征对麦穗候选区域做去噪处理，最終保留的区域即为麦穗区。(2. 5)若各检测区域中确定的麦穗区个数大于预定的第一界定数，则表明该检测区域进入抽穗期；若待检测图像中一半或一半以上的检测区域都进入抽穗期，则表明待检测图像进入抽穗期。所述步骤(2. 4)按照如下方式进行提取麦穗候选区域的图像特征，根据提取的图像特征对麦穗候选区域做去噪处理(2.4. I)从待检测图像中提取与麦穗候选区域位置对应的区域图像，将其从RGB空间转换到LAB空间；对于该区域图像的每ー像素点，若其L分量大于第一噪声阈值，则从麦穗候选区域中去除与该像素点对应的像素点，否则，在麦穗候选区域中保留与该像素点对应的像素点；(2. 4. 2)从麦穗候选区域提取与其具有相同ニ阶矩的椭圆，计算该椭圆长轴与短轴的比值；(2. 4. 3)若椭圆长轴与短轴的比值大于第二噪声阈值，则保留该麦穗候选区域，进入步骤(2. 4. 4)，否则去除该麦穗候选区域，结束；(2.4.4)计算椭圆长轴与标定后的垂直方向的夹角，若夹角在预定夹角范围内，则该麦穗候选区域为小麦麦穗。所述第ー噪声阈值取值范围为50 100，第二噪声阈值取值范围为2 6，所述预定夹角范围为。所述步骤(2. 4. I)还统计麦穗候选区域的像素点个数，若像素点个数在理想区间内，进入步骤(2. 4. 2)，否则去除该麦穗候选区域。本专利技术的技术效果体现在本专利技术自动对所采集的实时前下视田间小麦图像进行特征提取，并利用提取到的图像特征，判定该麦田中的小麦是否到达抽穗期。该方法以检测到的麦穗数量为判断依据，实时的对小麦抽穗期进行判断，检测结果准确率高，对小麦的农事活动具有重要的指导意义。附图说明图I是本专利技术整体流程图；图2是训练阶段的流程图；图3是检测阶段的流程图；图4是待检测的小麦区 域图像；图5是小麦初步检测出麦穗候选区的图像；图6是将小麦区域图像投影到特征空间第三维的结果示意图；图7是合并图6的结果示意图；图8是除去麦穗候选区各像素的L分量小于Len的结果示意图；图9是除去与各麦穗候选区具有相同ニ阶矩的椭圆的长短轴比小于rThre的结果示意图；图10是除去与各麦穗候选区具有相同ニ阶矩的椭圆的长轴与标定后的垂直生长方向的夹角在之外的结果示意图；图11是某麦穗候选区具有相同ニ阶矩的椭圆及其长短轴示意图；图12是某麦穗候选区具有相同ニ阶矩的椭圆长轴与标定后的垂直生长方向的夹角示意图。具体实施例方式下面结合附图来详细说明本专利技术的实施例。本专利技术实施例中使用图像序列采集于离地面高5米的相机，镜头焦距为16毫米，相机分辨率为3648X2736像素，相机光轴与水平地面的夹角约为60度。实施例以每一天为ー检测时段,每ー检测时段内拍摄w张小麦图像(本实施例中w = 8)。此专利技术g在自动检测小麦是否到达抽穗期。整个方法分为训练阶段和检测阶段，整个流程如图I所示。一、训练阶段观察实时拍摄的田间小麦序列图像，从小麦已经进入拔节期开始获得以后L(L取值一般8 12天，本实施例中L取10)天的小麦图像序列，作为训练样本，其中对每天拍摄的w张小麦图像做相同的处理，流程如图2所示，具体步骤如下(I)获取训练样本图像。田间小麦序列图像是RGB颜色空间的，大小为3648 X 2736像素，从图像序列的每张图本文档来自技高网...

【技术保护点】
一种小麦抽穗的自动检测方法，包括以下步骤：(1)训练阶段：(1.1)拍摄已进入拔节期的田间小麦图像序列，从田间小麦图像序列中的每一张图像中按照相同方式提取多块子区域作为观测区域；(1.2)分别对各图像的观测区域进行主成分分析，得到各观测区域的特征向量；(1.3)依据步骤(1.2)得到的各观测区域的特征向量将各图像中的观测区域投影到特征空间的第一或第三维，获得每一观测区域的特征图像；将各图像同一位置的特征图像合并，获得该观测区域的特征合并图像；通过阈值分割将各特征合并图像转化为二值图；对于每一二值图，若其包含的黑色像素点多于白色像素点，则表明该观测区域的麦穗颜色类型为偏暗型，否则，表明该观测区域的麦穗颜色类型为偏亮型；(2)检测阶段：(2.1)按照与步骤(1.1)的相同方式从待检测图像提取多块子区域作为检测区域；(2.2)依据步骤(1.2)得到的各观测区域的特征向量将待检测图像中对应的检测区域投影到特征空间的第一或第三维，获得每一检测区域的特征图像；(2.3)通过阈值分割将每一检测区域的特征图像转换为二值图，依据步骤(1.3)若该二值图对应的观测区域的麦穗颜色类型为偏暗型，则从该二值图中选取黑色像素点区域作为麦穗候选区域，若该二值图对应的观测区域的麦穗颜色类型为偏亮型，则从该二值图中选取白色像素点区域作为麦穗候选区域；(2.4)分别提取每一麦穗候选区域的图像特征，根据提取的图像特 征对麦穗候选区域做去噪处理，最终保留的区域即为麦穗区。(2.5)若各检测区域中确定的麦穗区个数大于预定的第一界定数，则表明该检测区域进入抽穗期；若待检测图像中一半或一半以上的检测区域都进入抽穗期，则表明待检测图像进入抽穗期。...

【技术特征摘要】

【专利技术属性】
技术研发人员：曹治国，王玉，余正泓，白晓东，吴茜，张雪芬，薛红喜，李翠娜，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：