CN103093456B - 基于图像的玉米果穗性状指标计算方法 - Google Patents

Abstract

本发明涉及图像处理技术，具体公开了一种玉米果穗性状指标的计算方法。所述方法包括：获取玉米果穗的彩色图像CI_i（i=1,2,3,4），并转化为灰度图像SI_i及二值图像BI_i；通过轴向和径向畸变校正，得到校正后的彩色图像CI2_i、灰度图像HI_i及二值图像BI2_i；对图像HI_i进行分割，得到仅包含玉米籽粒的二值图像BI3_i，将图像BI3_i进行拼接，得到籽粒全景图BI4；对图像BI3_i进行形态学运算，计算出玉米果穗的秃尖区域及秃尖长度，根据图像BI3_i计算出玉米果穗的行粒数，根据图像BI4计算出玉米果穗的穗行数。本发明的技术方案通过轴向和径向畸变校正恢复了果穗和籽粒的真实形态，保证了参数计算的准确性；同时为玉米果穗各项性状指标的计算提供了一体化的解决方案。

Description

基于图像的玉米果穗性状指标计算方法

技术领域

本发明涉及图像处理技术领域，特别涉及一种玉米果穗性状指标的计算方法。

背景技术

玉米果穗的农艺性状是科研与生产中的常规测量项目，对玉米产量存在不同程度的影响。为了充分了解果穗数量性状对产量的影响程度，明确各项性状指标对产量的构成作用，需要对大量果穗样本进行准确测量。目前，对于玉米果穗的穗粒数、行粒数、穗行数和秃尖长度等性状指标，一般采用人工测量和统计方法获取，过程繁琐、误差较大，尤其是行粒数和穗行数等具有统计学意义的指标，其测量结果易受测量人员的经验影响。

基于图像进行精准化玉米果穗考种，是一种融合计算机视觉技术和计算机图像处理技术对玉米果穗进行检测和分析，进而快速获取果穗性状特征数据的技术手段。基于果穗图像的考种方法简单直观、方便快捷，可以大大降低人力成本，提高玉米考种效率，推进玉米考种作业流程的精准化、标准化，实现考种流程的可管理、可追溯和可视化。现有的基于图像计算玉米果穗的性状特征参数的方法主要是针对单一性状指标，在实现方法上缺少统一、一体化的解决方案。如《计数玉米穗行数的机器视觉研究》（韩仲志等，玉米科学，2010）利用机器视觉方法自动检测穗行数指标，通过采集玉米果穗横断面图像计算玉米果穗的穗行数分布特征，该方法的缺点在于需要对果穗进行破坏性取样，破坏了宝贵样本并影响到其他果穗性状参数的测定。

随着计算机和信息技术在农业领域的广泛应用，基于图像处理技术的玉米果穗自动化考种已成为一种趋势。目前，对于玉米果穗的重要性状指标，包括穗粒数、穗行数、行粒数和秃尖率等，仍没有一套完整的计算方法。现有的基于图像的玉米果穗性状计算方法，往往是针对单一指标进行，缺少能够同时计算得到穗粒数、穗行数、行粒数和秃尖率等性状指标的一体化解决方案。

发明内容

（一）所要解决的技术问题

本发明的目的在于提供一种基于图像的玉米果穗性状指标计算方法，以解决现有的果穗性状指标计算方法单一、仅针对其中某项指标进行计算、取样方法存在破坏性的问题。

（二）技术方案

为了解决上述技术问题，本发明提出了一种基于图像的玉米果穗性状指标计算方法，所述方法包括以下步骤：

S1、通过每隔90度拍摄一张图像的方式，获取玉米果穗的彩色图像CI_i，且i=1,2,3,4，

将所述彩色图像CI_i转化为灰度图像SI_i，并将所述灰度图像SI_i转化为仅包含玉米果穗的二值图像BI_i；

S2、分别对所述彩色图像CI_i、所述灰度图像SI_i以及所述二值图像BI_i进行轴向畸变校正和径向畸变校正，得到校正后的彩色图像CI2_i、校正后的灰度图像HI_i以及校正后的二值图像BI2_i；

S3、对所述灰度图像HI_i进行分割，得到仅包含玉米籽粒的二值图像BI3_i，

将所述二值图像BI3_i进行拼接，得到籽粒全景图BI4，所述籽粒全景图BI4包括所述玉米果穗三维表面上的所有籽粒；

S4、对所述二值图像BI3_i进行形态学运算，计算出所述玉米果穗的秃尖区域，并计算出所述玉米果穗的秃尖长度，

根据所述二值图像BI3_i，计算出所述玉米果穗的行粒数，

根据所述籽粒全景图BI4，计算出所述玉米果穗的穗行数。

可选的，步骤S1中，将所述灰度图像SI_i转化为仅包含玉米果穗的二值图像BI_i具体包括：

确定所述灰度图像SI_i中玉米果穗与背景的边界像素强度并对所述灰度图像SI_i进行二值化，使用膨胀运算填充图像孔洞，使用腐蚀操作删除图像中的孤岛并恢复玉米果穗的边界，从而获得所述二值图像BI_i。

可选的，步骤S2中，所述轴向畸变校正和所述径向畸变校正具体包括：

基于所述二值图像BI_i，建立每个图像中玉米果穗的OBB包围盒，并根据所述OBB包围盒建立果穗局部坐标系，计算出轴向畸变校正参数和径向畸变校正参数，根据所述轴向畸变校正参数和所述径向畸变校正参数分别对所述彩色图像CI_i、所述灰度图像SI_i以及所述二值图像BI_i进行校正。

可选的，步骤S3进一步包括：

对所述灰度图像HI_i进行分割后，利用玉米籽粒的颜色特征和形状特征对分割出的玉米籽粒进行筛选，从而获得所述二值图像BI3_i，其中，

所述玉米籽粒的颜色特征由所述彩色图像CI2_i获得，所述玉米籽粒的形状特征由所述二值图像BI2_i获得。

可选的，步骤S3中，将所述二值图像BI3_i进行拼接具体包括：

将所述二值图像BI3_i按照果穗三维表面展开，建立各个图像上相同玉米籽粒之间的映射关系，并从每个图像上提取结构完整的玉米籽粒作为所述籽粒全景图BI4上的玉米籽粒。

可选的，步骤S4中，对所述二值图像BI3_i进行形态学运算具体包括：

对所述二值图像BI3_i进行膨胀运算，直至图像中的所有玉米籽粒融合形成一个单连通区域，记录膨胀像素个数，然后利用腐蚀运算恢复玉米籽粒的边界，再将得到的图像与所述二值图像BI2_i进行差运算，得到未包含玉米籽粒的区域，并进一步得到所述秃尖区域。

可选的，步骤S4中，计算所述玉米果穗的行粒数具体包括：

根据所述二值图像BI3_i中每个玉米籽粒在所述果穗局部坐标系中的坐标，建立点集S_i，设定行粒数计数的起点A_i和终点B_i，并将所述起点A_i和所述终点B_i加入到所述点集S_i中，

将所述点集S_i连接成平面三角网格T_i，并计算出所述平面三角网格T_i中从所述起点A_i到所述终点B_i的最短路径P_i，所述最短路径P_i中除所述起点A_i和所述终点B_i以外的网格节点的数目即为所述二值图像BI3_i的行粒数，所述二值图像BI3_i的行粒数的平均值即为所述玉米果穗的行粒数。

可选的，步骤S4中，计算所述玉米果穗的穗行数具体包括：

根据所述籽粒全景图BI4，计算出所述玉米果穗的穗粒数，所述穗粒数除以所述行粒数得到的商即为所述玉米果穗的穗行数。

可选的，步骤S4中，计算所述玉米果穗的穗行数具体包括：

根据所述籽粒全景图BI4，计算出所述玉米果穗的周长以及玉米籽粒的平均宽度，所述周长除以所述玉米籽粒的平均宽度得到的商即为所述玉米果穗的穗行数。

可选的，步骤S4中，计算所述玉米果穗的穗行数具体包括：

根据所述籽粒全景图BI4中每个玉米籽粒的中心点位置，建立点集S’，设定穗行数计数的起点A’和终点B’，并将所述起点A’和所述终点B’加入到所述点集S’中，

将所述点集S’连接成平面三角网格T’，并计算出所述平面三角网格T’中从所述起点A’到所述终点B’的最短路径P’，所述最短路径P’中除所述起点A’和所述终点B’以外的网格节点的数目即为所述玉米果穗的穗行数。

（三）有益效果

同现有技术相比，本发明提出的技术方案具有如下优点：

1、基于轴向/径向畸变校正恢复了果穗和籽粒的形态特征，提高了基于玉米籽粒颜色和形状的计算方法的准确率。

2、基于籽粒分割和拼接的结果，提供了新的穗粒数、秃尖长度、行粒数和穗行数的计算方法，为玉米果穗的性状参数计算提供了一体化的解决方案，使得对果穗各项性状参数的计算简单明确，为玉米果穗的自动化考种提供了解决方案。

附图说明

图1是本发明提出的基于图像的玉米果穗性状指标计算方法的基本流程图。

图2是本发明一个实施例中的玉米果穗图像的示意图。

图3是本发明一个实施例中的行粒数计算方法的示意图。

图4是本发明一个实施例中的穗行数计算方法的示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。

本发明提出了一种基于图像的玉米果穗性状指标计算方法，如图1所示，所述方法包括以下步骤：

S1、通过每隔90度拍摄一张图像的方式，获取玉米果穗的彩色图像CI_i，且i=1,2,3,4，

将所述彩色图像CI_i转化为灰度图像SI_i，并将所述灰度图像SI_i转化为仅包含玉米果穗的二值图像BI_i；

S2、分别对所述彩色图像CI_i、所述灰度图像SI_i以及所述二值图像BI_i进行轴向畸变校正和径向畸变校正，得到校正后的彩色图像CI2_i、校正后的灰度图像HI_i以及校正后的二值图像BI2_i；

S3、对所述灰度图像HI_i进行分割，得到仅包含玉米籽粒的二值图像BI3_i，

将所述二值图像BI3_i进行拼接，得到籽粒全景图BI4，所述籽粒全景图BI4包括所述玉米果穗三维表面上的所有籽粒；

S4、对所述二值图像BI3_i进行形态学运算，计算出所述玉米果穗的秃尖区域，并计算出所述玉米果穗的秃尖长度，

根据所述二值图像BI3_i，计算出所述玉米果穗的行粒数，

根据所述籽粒全景图BI4，计算出所述玉米果穗的穗行数。

下面通过具体的实施例，对各步骤的优选实现方式进行详细说明。

在步骤S1中，首先要对玉米果穗的图像进行采集和预处理。

在一定光照条件下，在纯色背景上沿垂直于玉米果穗中心轴的方向，每隔90度拍摄一幅图像，获得的4张彩色图像表示为CI_i（分别为CI₁、CI₂、CI₃和CI₄），将其转化为值域为255的灰度图像SI_i，并进一步结合形态学运算得到仅包含玉米果穗的二值图像BI_i。

其中，图像拍摄尽量保证光照条件相同，拍摄方向尽量垂直于玉米果穗中心轴，相邻图像拍摄角度保证为90度。

将彩色图像转换成灰度图像，转换方法是：灰度=（R×30+G×59+B×11）/100。

玉米果穗的二值图像，是指首先确定果穗与背景的边界像素强度，用于对灰度图像二值化，然后使用膨胀运算填充果穗图像孔洞，使用腐蚀操作删除图像中的孤岛和恢复果穗的边界，最后得到的二值图像中仅包含玉米果穗。

其中，果穗阈值可使用OSTU方法获取；运用形态学运算，应保证累计膨胀与腐蚀的像素个数相等，以恢复果穗的外轮廓边缘；判断二值图像中仅包含果穗的方法是，利用计算得到的果穗面积大小，结合先验知识判断果穗区域，删除其他噪声区域。

在步骤S2中，需要对图像进行轴向和径向畸变校正。

基于果穗的二值图BI_i，建立每个果穗的OBB包围盒，基于此建立果穗局部坐标系，计算出轴向和径向畸变校正参数，从而得到校正后的果穗彩色图像CI2_i、灰度图像HI_i和二值图像BI2_i。

其中，OBB包围盒是指最贴近果穗边界的长方形，其在长轴方向上的高度即为穗高，在短轴方向的宽度为穗宽。

果穗局部坐标系，是指以包围盒的长轴方向作为玉米果穗的中心轴方向Y，以包围盒一个短轴作为X轴建立新的坐标系，坐标系原点位于短轴的中心点。

轴向畸变校正，是计算果穗包围盒Y轴方向与图像高度方向的夹角，将果穗旋转到垂直方向，然后计算果穗的基准高度，将每个果穗区域等比缩小/放大到指定高度。基准高度，是直接计算4张图像上果穗高度的平均值得到；等比缩放是指在高度缩放到基准高度的同时，果穗宽度同比缩放，缩放因子是基准高度与缩放前果穗高度的比值。缩放后的新图像采用线性插值方法从原图生成。

径向畸变校正，是利用果穗的三维形状特征建立果穗图像上每个像素与三维果穗表面每个点之间的对应关系，从而将果穗图像沿径向展开，使得图像上每个像素与其表示的果穗表面节点具有相同的物理尺度。其中，果穗径向是指过果穗中心的横剖面上半径方向（沿图像宽度方向）；径向展开方法是，认为当前果穗图像为三维果穗的投影图，展开后图像为三维果穗表面图像平铺后的二维图像。其中，果穗中心是通过果穗二值图BI_i中的边缘像素特征确定的。

利用二值图像计算得到畸变校正参数，从而得到校正后的彩色图像CI2_i、灰度图像HI_i和二值图像BI2_i。

在步骤S3中，对图像进行籽粒分割与拼接。

畸变校正后的图像一定程度上恢复了果穗上玉米籽粒的真实尺寸，结合籽粒颜色特征和形状特征对果穗灰度图像HI_i进行分割，得到仅包含玉米籽粒的二值图像BI3_i。

其中，图像分割方法可以采用任何有效的玉米籽粒分割方法；分割出的籽粒结果采用其颜色特征和形状特征进行筛选，颜色特征从图像CI2_i中获得，籽粒形状特征从图像BI2_i中获得。其中，通过上面畸变校正，图像上籽粒形状特征能够反映籽粒的真实形状，使得基于籽粒形状的筛选更为准确。

籽粒拼接，是将从分割后的籽粒图像BI3_i中按照果穗三维表面展开，从每张籽粒图像中提取信息最完整的籽粒拼接成一幅籽粒全景图BI4。籽粒全景图包含了果穗三维表面上所有籽粒信息。拼接方法是建立不同分割后图像上相同籽粒之间的映射关系，从每张图像中提取出籽粒畸变最小、结构最完整的籽粒作为全景图BI4上的籽粒。

在步骤S4中，利用得到的图像计算玉米果穗的秃尖长度、行粒数、穗粒数、穗行数等性状指标。

秃尖区域定义为在果穗顶部没有生长玉米籽粒的区域，秃尖长度为该区域在垂直方向上的高度。目前，计算秃尖长度的方法一般是针对图像中的秃尖区域进行单独分割，由于秃尖性状、颜色、大小变化差异较大，一直缺乏有效的方法来分割出各种果穗类型的秃尖。本发明基于已经分割出的籽粒图像BI3_i，运用形态学运算填充籽粒之间的孔洞，将玉米籽粒区域合并为单一连通区域，然后与果穗图像BI2_i差运算，得到未包含籽粒的区域，在该区域中位于果穗顶部的部分判定为秃尖区域，并由此计算出秃尖面积、秃尖长度等参数。

其中，形态学运算的过程具体包括：对图像BI3_i应用膨胀运算，直到所有籽粒融合在一起形成一个单连通区域，记录膨胀像素个数；然后应用腐蚀运算恢复籽粒边界；再将得到的图像与原始轮廓图像相减，得到秃尖区域。

差运算，是指从果穗二值图BI2_i中减去玉米籽粒区域，得到未生长玉米籽粒的区域。

图2显示了从4张输入图像中提取出的秃尖区域。

行粒数定义为在果穗图像上每行上的平均玉米籽粒数目。由于籽粒排列形式多样，人工计数主要靠经验判断，缺乏自动化和标准化的计算方法。本发明基于分割出的籽粒图像BI3_i，建立了符合人类视觉习惯的行粒数计数方法。

首先计算出图像BI3_i上每个籽粒的形状中心坐标，输入到点集S_i中；设置行粒数计数的起点和终点（一般取校正后图像的OBB包围盒与Y轴的两个交点），并将其加入到中心点集S_i中。然后，将点集S_i连接成平面三角网格，对行粒数的计算转化为计算在给定网格中节点的最短路径，该路径中从起点到终点之间经过的网格节点（即，不包括起点和终点）的数目即为果穗的行粒数。

其中，从点集S_i生成三角网格采用Delaunay方法。Delaunay方法可以从散点集合剖分成三角形网格，其中三角形满足两个准则：空圆特征和最大化最小角特征。

计算平面网格中指定两点之间的最短路径，使用BellmanFord方法。BellmanFord方法是一种求解单源最短路径的动态规划算法。首先构造一个初始二维矩阵，矩阵大小等于节点个数，矩阵中每个元素值初始被赋值为极大值，表示该路径不通。然后提取网格中每条边的顶点索引，计算顶点之间连接的权重，其中连接权重以两点距离为主，并加入自定义的权重调节因子。权重调节因子，是为了使路径查找符合用户定义特征，本发明中从起点到终点之间生成一条初始直线，对每条边计算其与该初始直线的夹角以及边上每个点到初始直线的垂直距离，将夹角、垂直距离、边上两点距离作为该边权重，赋值到矩阵对应位置。进而利用BellmanFord方法计算得到从起点到终点经过的路径上所有的节点编号。

由于单张果穗图像上畸变最小、籽粒信息最完整的穗行数一般为3-4行，因此对每张图像均可计算出至少2条最短路径，用于统计出行粒数的平均值。对每张果穗图像计算多组行粒数的方法是：记录每次路径计算得到的网格节点（除了起点和终点），将与这些节点相连的所有网格边在数组中赋值为极大值，阻断路径查找，再次计算起点与终点之间的最短路径，即得到图像中其他行粒数指标。

图3是从4张输入图像中分别计算行粒数的示意图，最终得到的玉米果穗的行粒数是这些图像行粒数的平均值。

在基于图像的果穗考种中，穗行数是最难准确确定的指标。穗行数定义为果穗表面上独立成行的籽粒行数。由于果穗品种以及个体差异，果穗上籽粒排列方式具有多样化的特点，导致穗行数的确定非常困难。本发明建立了穗行数计算决策模型，该模型结合籽粒的特征利用三种方法来计算穗行数，并给出了适用条件。

第一种方法：穗行数1=穗粒数/行粒数。该方法的关键在于准确计算穗粒数和行粒数，其中穗粒数从籽粒全景图BI4中计算得到，行粒数从图像BI3_i中得到。

第二种方法：穗行数2=果穗周长/籽粒平均宽度。其中，果穗周长从图像BI4中直接计算得到；籽粒平均宽度的计算方法是，首先计算果穗上籽粒的平均面积，即籽粒平均面积=（果穗面积-秃尖面积-无效区域面积）/穗粒数，然后从图像BI4中计算得到籽粒的长宽比，结合上面两个参数计算出籽粒平均宽度。其中，无效区域是指果穗上除了籽粒和秃尖的区域，利用类似秃尖区域的计算方法得到。

第三种方法，与行粒数的计算方法相似，计算出籽粒全景图中所有籽粒的中心点，然后在全景图上设置起点和终点（一般取校正后图像的OBB包围盒沿Y轴的两条边的中点），将这些节点根据Delaunay准则生成三角网格，再次采用BellmanFord方法计算出从起点到终点之间最短路径经过的网格节点数目，将其作为穗行数3。图4是第三种计算穗行数的方法的示意图。

上述三种方法从不同角度计算得到穗行数，其中，第一种方法利用了果穗籽粒全局统计信息，适用条件是果穗的行粒数相差不大；第二种方法考虑了籽粒的形状特征，适用条件是果穗中籽粒大小基本一致；第三种方法则适合任意籽粒类型，需要调节网格连接的权重因子。最终，采用何种穗行数计算方法需要根据当前果穗及其籽粒的特征在图像处理过程中确定。

以上所述仅是本发明的优选实施方式，应当指出，对于本领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。

Claims (9)

1.一种基于图像的玉米果穗性状指标计算方法，其特征在于，所述方法包括以下步骤：

S1、通过每隔90度拍摄一张图像的方式，获取玉米果穗的彩色图像CI_i，且i＝1,2,3,4，

将所述彩色图像CI_i转化为灰度图像SI_i，并将所述灰度图像SI_i转化为仅包含玉米果穗的二值图像BI_i；

S2、分别对所述彩色图像CI_i、所述灰度图像SI_i以及所述二值图像BI_i进行轴向畸变校正和径向畸变校正，得到校正后的彩色图像CI2_i、校正后的灰度图像HI_i以及校正后的二值图像BI2_i；

S3、对所述灰度图像HI_i进行分割，得到仅包含玉米籽粒的二值图像BI3_i，

将所述二值图像BI3_i进行拼接，得到籽粒全景图BI4，所述籽粒全景图BI4包括所述玉米果穗三维表面上的所有籽粒；

S4、对所述二值图像BI3_i进行形态学运算，计算出所述玉米果穗的秃尖区域，并计算出所述玉米果穗的秃尖长度，

根据所述二值图像BI3_i，计算出所述玉米果穗的行粒数，

根据所述籽粒全景图BI4，计算出所述玉米果穗的穗行数；

步骤S4中，计算所述玉米果穗的行粒数具体包括：

根据所述二值图像BI3_i中每个玉米籽粒在所述果穗局部坐标系中的坐标，建立点集S_i，设定行粒数计数的起点A_i和终点B_i，并将所述起点A_i和所述终点B_i加入到所述点集S_i中，

将所述点集S_i连接成平面三角网格T_i，并计算出所述平面三角网格T_i中从所述起点A_i到所述终点B_i的最短路径P_i，所述最短路径P_i中除所述起点A_i和所述终点B_i以外的网格节点的数目即为所述二值图像BI3_i的行粒数，所述二值图像BI3_i的行粒数的平均值即为所述玉米果穗的行粒数。

2.根据权利要求1所述的基于图像的玉米果穗性状指标计算方法，其特征在于，步骤S1中，将所述灰度图像SI_i转化为仅包含玉米果穗的二值图像BI_i具体包括：

确定所述灰度图像SI_i中玉米果穗与背景的边界像素强度并对所述灰度图像SI_i进行二值化，使用膨胀运算填充图像孔洞，使用腐蚀操作删除图像中的孤岛并恢复玉米果穗的边界，从而获得所述二值图像BI_i。

3.根据权利要求1所述的基于图像的玉米果穗性状指标计算方法，其特征在于，步骤S2中，所述轴向畸变校正和所述径向畸变校正具体包括：

基于所述二值图像BI_i，建立每个图像中玉米果穗的OBB包围盒，并根据所述OBB包围盒建立果穗局部坐标系，计算出轴向畸变校正参数和径向畸变校正参数，根据所述轴向畸变校正参数和所述径向畸变校正参数分别对所述彩色图像CI_i、所述灰度图像SI_i以及所述二值图像BI_i进行校正。

4.根据权利要求1所述的基于图像的玉米果穗性状指标计算方法，其特征在于，步骤S3进一步包括：

对所述灰度图像HI_i进行分割后，利用玉米籽粒的颜色特征和形状特征对分割出的玉米籽粒进行筛选，从而获得所述二值图像BI3_i，其中，

所述玉米籽粒的颜色特征由所述彩色图像CI2_i获得，所述玉米籽粒的形状特征由所述二值图像BI2_i获得。

5.根据权利要求1-4之一所述的基于图像的玉米果穗性状指标计算方法，其特征在于，步骤S3中，将所述二值图像BI3_i进行拼接具体包括：

将所述二值图像BI3_i按照果穗三维表面展开，建立各个图像上相同玉米籽粒之间的映射关系，并从每个图像上提取结构完整的玉米籽粒作为所述籽粒全景图BI4上的玉米籽粒。

6.根据权利要求1所述的基于图像的玉米果穗性状指标计算方法，其特征在于，步骤S4中，对所述二值图像BI3_i进行形态学运算具体包括：

对所述二值图像BI3_i进行膨胀运算，直至图像中的所有玉米籽粒融合形成一个单连通区域，记录膨胀像素个数，然后利用腐蚀运算恢复玉米籽粒的边界，再将得到的图像与所述二值图像BI2_i进行差运算，得到未包含玉米籽粒的区域，并进一步得到所述秃尖区域。

7.根据权利要求1所述的基于图像的玉米果穗性状指标计算方法，其特征在于，步骤S4中，计算所述玉米果穗的穗行数具体包括：

根据所述籽粒全景图BI4，计算出所述玉米果穗的穗粒数，所述穗粒数除以所述行粒数得到的商即为所述玉米果穗的穗行数。

8.根据权利要求1所述的基于图像的玉米果穗性状指标计算方法，其特征在于，步骤S4中，计算所述玉米果穗的穗行数具体包括：

根据所述籽粒全景图BI4，计算出所述玉米果穗的周长以及玉米籽粒的平均宽度，所述周长除以所述玉米籽粒的平均宽度得到的商即为所述玉米果穗的穗行数。

9.根据权利要求1所述的基于图像的玉米果穗性状指标计算方法，其特征在于，步骤S4中，计算所述玉米果穗的穗行数具体包括：

根据所述籽粒全景图BI4中每个玉米籽粒的中心点位置，建立点集S’，设定穗行数计数的起点A’和终点B’，并将所述起点A’和所述终点B’加入到所述点集S’中，

将所述点集S’连接成平面三角网格T’，并计算出所述平面三角网格T’中从所述起点A’到所述终点B’的最短路径P’，所述最短路径P’中除所述起点A’和所述终点B’以外的网格节点的数目即为所述玉米果穗的穗行数。