CN103810522B - 一种玉米果穗籽粒计数方法和装置 - Google Patents

Abstract

本发明提供了一种玉米果穗籽粒计数方法和装置，该方法包括：步骤S1，获取玉米果穗籽粒估算模型；其中所述玉米果穗籽粒估算模型用于表示玉米单面的果穗籽粒数与全部果穗籽粒数之间的函数关系；步骤S2，获取玉米的单面图像，并对所述单面图像进行图像预处理，得到相应的灰度图像；步骤S3，对步骤S2中得到的灰度图像进行多阈值分割，得到相应的二值图像；步骤S4，对具有相同灰度值的连通区域进行计数，获取具有用于表示玉米粒的灰度值对应的连通区域的个数；步骤S5，根据步骤S4中获取到的个数以及步骤S1中的玉米粒估算模型确定全部果穗籽粒数。采用本发明提供的玉米果穗籽粒计数方法，能够实现玉米果穗籽粒的快速简便计数。

Description

一种玉米果穗籽粒计数方法和装置

技术领域

本发明涉及图像处理技术，尤其涉及一种玉米果穗籽粒计数方法和装置。

背景技术

玉米选育是利用玉米异花授粉与遗传基础的杂合性，对大量的自交系与杂配组合进行杂交试验，最终选出个别优异的杂交种投入生产使用。其中果穗的出籽率是评判玉米品种好坏的重要指标。

目前我国玉米果穗籽粒计数工作主要以人工为主。这种方式不仅工作量十分庞大，读取数据误差大，且无法重复对已读取的数据进行再读取，出现问题难以验证其正误。欧美等发达国家研究使用考种仪器。然而此类仪器价格过高，体积重量大，不易流动使用，不适合在生产实际中推广和使用。

因此研制一种自动化计算机辅助来提高玉米果穗籽粒计数效率，改进计数方法，加速品种的考核和推广是十分必要的。

发明内容

本发明提供了一种玉米果穗籽粒计数方法和装置，能够实现玉米果穗籽粒的快速简便计数，

本发明提供一种玉米果穗籽粒计数方法，该方法包括：

一种玉米果穗籽粒计数方法，其特征在于，包括：

步骤S1，获取玉米果穗籽粒估算模型；其中所述玉米果穗籽粒估算模型用于表示玉米单面的果穗籽粒数与全部果穗籽粒数之间的函数关系；

步骤S2，获取玉米的单面图像，并对所述单面图像进行图像预处理，得到相应的灰度图像；

步骤S3，对步骤S2中得到的灰度图像进行多阈值分割，得到相应的二值图像；

步骤S4，对具有相同灰度值的连通区域进行计数，获取具有用于表示玉米粒的灰度值对应的连通区域的个数；

步骤S5，根据步骤S4中获取到的个数以及步骤S1中的玉米粒估算模型确定全部果穗籽粒数。

优选的，所述步骤S1具体包括：

获取如下公式作为玉米果穗籽粒估算模型：

y=ax+b；

其中，x表示玉米果穗的单面图像中的玉米籽粒数，a、b为训练值，y为全部果穗籽粒数。

优选的，所述步骤S2包括：

步骤S21，对所述单面图像进行中值滤波处理；

步骤S22，对步骤S21中得到的图像进行Wallis滤波处理；

步骤S23，对步骤S22中得到的图像进行直方图增强处理，得到所述单面图像对应的灰度图像。

优选的，所述步骤S3，具体包括：

采取RBGM和OTSU相结合的多阈值分割方法对步骤S2中得到的灰度图像进行图像分割进而得到玉米籽粒的二值图像。

优选的，所述采取RBGM和OTSU相结合的多阈值分割方法对玉米果穗籽粒灰度图像进行图像分割进而得到玉米籽粒的二值图像，具体包括：

步骤S31，选择初始迭代点t_i和迭代步长η_m对如下多阈值分割迭代求解公式进行迭代求解，获取最佳分割阈值所述最佳分割阈值为使取最大值的分割阈值：

$x_i^{\mathrm{mN}+j+1}=x_i^{\mathrm{mN}+j}-{\mathrm{\η}}_m\frac{\∂{\mathrm{\σ}}_B^2}{\∂t_i},i=\mathrm{1,2},...,N;$

其中，

j＝0,1,...,N-1;m＝0,1,...

${\mathrm{\σ}}_B^2=\underset{k=0}{\overset{n-1}{\mathrm{\Σ}}}\underset{j=k+1}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{\ω}}_k{\mathrm{\ω}}_j{({\mathrm{\μ}}_k-{\mathrm{\μ}}_j)}^2;$

其中ω_k、μ_k分别为表示对n类问题进行分割时第k类问题对应的概率和均差；

步骤S32，使用步骤S31中得到的最佳分割阈值对步骤S2中得到的灰度图像进行多阈值分割。

本发明提供了一种玉米果穗籽粒计数装置，包括：

建模模块，用于获取玉米果穗籽粒估算模型；其中所述玉米果穗籽粒估算模型用于表示玉米单面的果穗籽粒数与全部果穗籽粒数之间的函数关系；

图像预处理模块，用于获取玉米的单面图像，并对所述单面图像进行图像预处理，得到相应的灰度图像；

图像分割模块，用于对所述图像预处理模块得到的灰度图像进行多阈值分割，得到相应的二值图像；

计数模块，用于对具有相同灰度值的连通区域进行计数，获取具有用于表示玉米粒的灰度值对应的连通区域的个数；

计算模块，根据所述计数模块中获取到的个数以及所述建模模块获取的玉米粒估算模型确定全部果穗籽粒数。

优选的，所述建模模块具体用于获取如下公式作为玉米果穗籽粒估算模型：

y=ax+b；

其中，x表示玉米果穗的单面图像中的玉米籽粒数，a、b为训练值，y为全部果穗籽粒数。

优选的，所述图像预处理模块包括：

第一处理子模块，用于对所述单面图像进行中值滤波处理；

第二处理子模块，用于对第一处理子模块得到的图像进行Wallis滤波处理；

第三处理子模块，用于对第二处理子模块得到的图像进行直方图增强处理，得到所述单面图像对应的灰度图像。

优选的，所述图像分割模块，具体用于采取RBGM和OTSU相结合的多阈值分割方法对所述图像预处理模块得到的灰度图像进行图像分割进而得到玉米籽粒的二值图像。

优选的，所述图像分割模块用于采取RBGM和OTSU相结合的多阈值分割方法对所述图像预处理模块得到的灰度图像进行图像分割进而得到玉米籽粒的二值图像时，具体用于执行：

步骤S31，选择初始迭代点t_i和迭代步长η_m对如下多阈值分割迭代求解公式进行迭代求解，获取最佳分割阈值所述最佳分割阈值为使取最大值的分割阈值：

$x_i^{\mathrm{mN}+j+1}=x_i^{\mathrm{mN}+j}-{\mathrm{\η}}_m\frac{\∂{\mathrm{\σ}}_B^2}{\∂t_i},i=\mathrm{1,2},...,N;$

其中，

j＝0,1,...,N-1;m＝0,1,...

${\mathrm{\σ}}_B^2=\underset{k=0}{\overset{n-1}{\mathrm{\Σ}}}\underset{j=k+1}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{\ω}}_k{\mathrm{\ω}}_j{({\mathrm{\μ}}_k-{\mathrm{\μ}}_j)}^2;$

其中ω_k、μ_k分别为表示对n类问题进行分割时第k类问题对应的概率和均差；

步骤S32，使用步骤S31中得到的最佳分割阈值对步骤S2中得到的灰度图像进行多阈值分割。

采用本发明提供的玉米果穗籽粒计数方法，能够实现玉米果穗籽粒的快速简便计数。

附图说明

图1为本发明实施例提供的一种玉米果穗籽粒计数方法的流程示意图；

图2为本发明实施例提供的玉米果穗籽粒计数方法中灰度处理的流程示意图；

图3为本发明实施例提供的玉米果穗籽粒计数方法中图像分割的流程示意图；

图4a为使用本发明实施例提供的玉米果穗籽粒计数方法对玉米果穗进行标识后的单面玉米图像；

图4b为使用本发明实施例提供的玉米果穗籽粒计数方法对玉米果穗进行标识后的局部单面玉米图像；

图5为本发明实施例提供的玉米果穗籽粒计数装置的结构示意图。

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描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

下面结合附图，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不是限制本发明的范围。

实施例一

提供了一种玉米果穗籽粒计数，如图1所示，该方法包括：

步骤S1，获取玉米果穗籽粒估算模型；其中所述玉米果穗籽粒估算模型用于表示玉米单面的果穗籽粒数与全部果穗籽粒数之间的函数关系；

步骤S2，获取玉米的单面图像，并对所述单面图像进行图像预处理，得到相应的灰度图像；

步骤S3，对步骤S2中得到的灰度图像进行多阈值分割，得到相应的二值图像；

步骤S4，对具有相同灰度值的连通区域进行计数，获取具有用于表示玉米粒的灰度值对应的连通区域的个数；

步骤S5，根据步骤S4中获取到的个数以及步骤S1中的玉米粒估算模型确定全部果穗籽粒数。

采用本发明提供的玉米果穗籽粒计数方法，能够实现玉米果穗籽粒的快速简便计数。

在实现本发明的过程中，本申请发明人发现：（1）玉米果穗籽粒行数大体固定，通常为14行或16行；（2）玉米图像采样时，使用正像投影方法，玉米籽粒在图像可见部分占玉米籽粒区域固定，在此基础上，本发明优选的实施例中，所述步骤S1可以具体为：获取如下公式（1）作为玉米果穗籽粒估算模型：

y=ax+b； （1）

其中，x表示玉米果穗的单面图像中的玉米籽粒数，a、b为训练值，y为全部果穗籽粒数。

这里的a、b可以通过训练得到，即通过对部分玉米果穗进行人工计数，并对a、b值进行赋值。需要指出的是，这里建立的训练模型可以供步骤S2-S5多次使用，便于实现对其他玉米果穗籽粒的快速计数。

由于步骤S4是对玉米的单面图像的处理结果，因此得到的籽粒也是单面的，即相当于上述关系式中的x，此时将x带入到上述的关系式中，即可得到玉米果穗籽粒的总个数。

当然实际应用中，本领域技术人员也可以使用其他的数学模型，具体使用何种模型并不影响本发明的保护范围。

优选的，上述的步骤S2中对单面图像进行图像预处理的方法可以包括如图2所示的：

步骤S21，对所述单面图像进行中值滤波处理；

步骤S22，对步骤S21中得到的图像进行Wallis滤波处理；

步骤S23，对步骤S22中得到的图像进行直方图增强处理，得到所述单面图像对应的灰度图像。

实际应用中，在步骤S21之前，还会取玉米果果穗籽粒灰度图像f(x,y)，其中f(x,y)是(x,y)像素点对应的灰度值。

其中，步骤S21中的中值滤波处理中所采用的公式为如下公式（2）：

$f^{\text{'}}(x_0,y_0)={\left[\underset{(x_i,y_i)\∈S}{\mathrm{Sort}}{\mathrm{\ω}}_{\mathrm{ij}}f(x_i,y_i)\right]}_{\frac{\left|S\right|+1}{2}}---\left(2\right)$

其中S为像素(x₀,y₀)的邻域集合其中包含(x₀,y₀)，(x,y)表示S中的任意元素，f(x,y)表示(x,y)点的灰度值，|S|表示集合S中元素的个数，Sort表示排序，ω表示计算中间像素值时加上的权值。

步骤S22中Wallis滤波处理所采用的公式为如下公式（3）：

$g(i,j)=[\mathrm{\α}{m}_d+(1-\mathrm{\α})\stackrel{\‾}{f}(i,j)]+[f(i,j)-\stackrel{\‾}{f}(i,j)]\frac{A{\mathrm{\σ}}_d}{\mathrm{A\σ}(i,j)+{\mathrm{\σ}}_d}---\left(3\right)$

其中[f(i,j)]_M×N表示原始图像，[g(i,j)]_M×N表示增强后的图像，表示局部均值，m_d表示平均值，σ_d表示标准偏差，A表示增益系数，α是控制增强图像中边缘和背景组成的比例常数。

步骤S23中直方图增强处理所采用的公式为如下公式（4）

z＝G^-1[T(r)] （4）

r表示图像增强前的像素灰度级，变换函数s＝T(r)表示增强后的像素灰度值，逆变换函数z＝G^-1(s)表示所期望的新灰度级。

优选的，所述步骤S3，具体包括：

采取RBGM和OTSU相结合的多阈值分割方法对步骤S2中得到的灰度图像进行图像分割进而得到玉米籽粒的二值图像。

具体的，步骤S3可以包括如图3所示的各个步骤：

步骤S31，选择初始迭代点t_i和迭代步长η_m对如下多阈值分割迭代求解公式（5）进行迭代求解，获取最佳分割阈值所述最佳分割阈值为使取最大值的分割阈值：

$x_i^{\mathrm{mN}+j+1}=x_i^{\mathrm{mN}+j}-{\mathrm{\η}}_m\frac{\∂{\mathrm{\σ}}_B^2}{\∂t_i},i=\mathrm{1,2},...,N;---\left(5\right)$

其中，

j＝0,1,...,N-1;m＝0,1,...

${\mathrm{\σ}}_B^2=\underset{k=0}{\overset{n-1}{\mathrm{\Σ}}}\underset{j=k+1}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{\ω}}_k{\mathrm{\ω}}_j{({\mathrm{\μ}}_k-{\mathrm{\μ}}_j)}^2;$

其中ω_k、μ_k分别为表示对n类问题进行分割时第k类问题对应的概率和均差。

步骤S32，使用步骤S31中得到的最佳分割阈值对步骤S2中得到的灰度图像进行多阈值分割。

上述步骤S31的原理在于：

假设对于n类分割问题，总方差标记为σ²，各类的概率、均值、方差分别标记为ω_k、μ_k、(k＝0,1,...,n-1)，各分割阈值的组合标记为t＝{t_k|k＝1,2,...,n-1}，则有：

其中k＝0,1,....,n-1（6）

t₀＝0,t_n＝L为直方图边界（7）

其中1＜t_k＜L(k＝1,2,...,n-1)为各分割阈值，（8）

则多阈值各个类内方差为：

${\mathrm{\σ}}_w^2=\underset{k=0}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{\ω}}_k{\mathrm{\σ}}_k^2---\left(9\right)$

类似于单阈值问题，建立多阈值问题的约束方程：

${\mathrm{\σ}}^2=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{(i-\mathrm{\μ})}^2{P}_i=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{i}^2{P}_i-2\mathrm{\μ}\underset{i=1}{\overset{L}{\mathrm{\Σ}}}i{P}_i+{\mathrm{\μ}}^2\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{P}_i=\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{i}^2{P}_i-{\mathrm{\μ}}^2;$

根据以上公式可以得出 ${\mathrm{\σ}}^2-{\mathrm{\σ}}_w^2=\underset{k=0}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{\ω}}_k{\mathrm{\μ}}_k^2+\underset{k=0}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{\ω}}_k{\mathrm{\μ}}_k\underset{j\≠k}{\mathrm{\Σ}}{\mathrm{\ω}}_j{\mathrm{\μ}}_j;$

经过整理推导可以得出 ${\mathrm{\σ}}_B^2={\mathrm{\σ}}^2-{\mathrm{\σ}}_w^2=\underset{k=0}{\overset{n-1}{\mathrm{\Σ}}}\underset{j=k+1}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{\ω}}_k{\mathrm{\ω}}_j{({\mathrm{\μ}}_k-{\mathrm{\μ}}_j)}^2---\left(10\right);$ 显然为相对于自变量t_i的函数。

之后将梯度下降法（RBGM）公式（11）中的x_i替换为t_i，将f（x）替换为可得跌代求解公式（12）：

其中，

j＝0,1,...,N-1;m＝0,1,...。

$x_i^{\mathrm{mN}+j+1}=x_i^{\mathrm{mN}+j}-{\mathrm{\η}}_m\frac{\∂{\mathrm{\σ}}_B^2}{\∂t_i},i=\mathrm{1,2},...,N;---\left(12\right).$

采用RBGM和OTSU相结合的多阈值分割方法针对处理传统OSTU多阈值分割方法中随着分割阈值数从单阈值增加到多阈值，对最佳阈值求解的计算量将成几何式增长的问题，采用该方法可以在相同精度下大大减少分割计算量，进而缩短分割计算时间。

经步骤S3之后可以得到的玉米果穗籽粒的二值图像，其中每个玉米籽粒都被分割成一个连通的区域，此时，对具有相同灰度值的连通区域进行计数，获取具有用于表示玉米粒的灰度值对应的连通区域的个数，之后根据预先建立的玉米果穗籽粒估算模型计算玉米果穗籽粒总数。如图4（a）（b）中所示，玉米果穗籽粒的二值图像中每个玉米籽粒都被分割成一个连通的区域，即在这个区域内相邻的像素都有同样的灰度值0或者1。标识之前先初始化一个计数器C，初始值为1，用来计数单面玉米籽粒个数，p(x,y)代表像素在(x,y)点的像素值。从图像任意一个初始点(x₀,y₀)出发逐行对每个像素进行扫描，当遇到p(x,y)不为1时说明是图像背景或已标识像素跳过此像素；当遇到p(x,y)为1的像素时将该像素标识为计数器C值，并扫描像素相邻所有像素值为1的像素并将其值标识为C，完成标识后将C值加1，继续下一个像素标识。逐个标识像素直至所有像素被扫描完毕位置，最终得到单面玉米籽粒数。

本发明的有益效果包括：（1）利用计算机图形处理技术代替了手工玉米果穗籽粒计数法，可以快速、简便、准确地得出玉米果穗籽粒总数，克服了现有技术方案中玉米果穗籽粒计数时间长，主观性强，读取数据误差大等不足；（2）本发明通过将采集到的部分单面玉米果穗籽粒图像作为样本，根据图像中单面玉米果穗籽粒数与实际玉米果穗籽粒总数作回归分析，得到玉米果穗籽粒估算模型y=ax+b，并根据玉米籽估算模型，可以由图像中单面玉米籽粒数估算出玉米果穗籽粒总数，准确率达到93%；（3）本发明采用RBGM和OTSU相结合的多阈值分割方法针对处理传统OSTU多阈值分割方法中随着分割阈值数从单阈值增加到多阈值，对最佳阈值求解的计算量将成几何式增长的问题，采用该方法可以在相同精度下大大减少分割计算量，进而缩短分割计算时间。

实施例二

基于相同的构思，本发明还提供了一种玉米果穗籽粒计数装置，如图5所示，该装置包括：

建模模块501，用于获取玉米果穗籽粒估算模型；其中所述玉米果穗籽粒估算模型用于表示玉米单面的果穗籽粒数与全部果穗籽粒数之间的函数关系；

图像预处理模块502，用于获取玉米的单面图像，并对所述单面图像进行图像预处理，得到相应的灰度图像；

图像分割模块503，用于对图像预处理模块502得到的灰度图像进行多阈值分割，得到相应的二值图像；

计数模块504，用于对具有相同灰度值的连通区域进行计数，获取具有用于表示玉米粒的灰度值对应的连通区域的个数；

计算模块505，根据计数模块504中获取到的个数以及建模模块501获取的玉米粒估算模型确定全部果穗籽粒数。

优选的，建模模块501具体用于获取如下公式作为玉米果穗籽粒估算模型：

y=ax+b；

其中，x表示玉米果穗的单面图像中的玉米籽粒数，a、b为训练值，y为全部果穗籽粒数。

优选的，图像预处理模块502具体包括：

第一处理子模块，用于对所述单面图像进行中值滤波处理；

第二处理子模块，用于对第一处理子模块得到的图像进行Wallis滤波处理；

第三处理子模块，用于对第二处理子模块得到的图像进行直方图增强处理，得到所述单面图像对应的灰度图像。

优选的，图像分割模块503，具体用于采取RBGM和OTSU相结合的多阈值分割方法对图像预处理模块502得到的灰度图像进行图像分割进而得到玉米籽粒的二值图像。

优选的，分割模块图像分割模块用于采取RBGM和OTSU相结合的多阈值分割方法对图像预处理模块502得到的灰度图像进行图像分割进而得到玉米籽粒的二值图像时，具体用于执行：

步骤S31，选择初始迭代点t_i和迭代步长η_m对如下多阈值分割迭代求解公式进行迭代求解，获取最佳分割阈值所述最佳分割阈值为使取最大值的分割阈值：

$x_i^{\mathrm{mN}+j+1}=x_i^{\mathrm{mN}+j}-{\mathrm{\η}}_m\frac{\∂{\mathrm{\σ}}_B^2}{\∂t_i},i=\mathrm{1,2},...,N;$

其中，

j＝0,1,...,N-1;m＝0,1,...

${\mathrm{\σ}}_B^2=\underset{k=0}{\overset{n-1}{\mathrm{\Σ}}}\underset{j=k+1}{\overset{n-1}{\mathrm{\Σ}}}{\mathrm{\ω}}_k{\mathrm{\ω}}_j{({\mathrm{\μ}}_k-{\mathrm{\μ}}_j)}^2;$

其中ω_k、μ_k分别为表示对n类问题进行分割时第k类问题对应的概率和均差；

步骤S32，使用步骤S31中得到的最佳分割阈值对步骤S2中得到的灰度图像进行多阈值分割。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术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润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种玉米果穗籽粒计数方法，其特征在于，包括：

步骤S1，获取玉米果穗籽粒估算模型；其中所述玉米果穗籽粒估算模型用于表示玉米单面的果穗籽粒数与全部果穗籽粒数之间的函数关系；

步骤S2，获取玉米的单面图像，并对所述单面图像进行图像预处理，得到相应的灰度图像；

步骤S3，对步骤S2中得到的灰度图像进行多阈值分割，得到相应的二值图像；

步骤S4，对具有相同灰度值的连通区域进行计数，获取具有用于表示玉米粒的灰度值的连通区域的个数；

步骤S5，根据步骤S4中获取到的个数以及步骤S1中的玉米粒估算模型确定全部果穗籽粒数；

其中，所述步骤S1具体包括：

获取如下公式作为玉米果穗籽粒估算模型：

y＝ax+b；

其中，x表示玉米果穗的单面图像中的玉米籽粒数，a、b为训练值，y为全部果穗籽粒数。

2.如权利要求1所述的方法，其特征在于，所述步骤S2包括：

步骤S21，对所述单面图像进行中值滤波处理；

步骤S22，对步骤S21中得到的图像进行Wallis滤波处理；

步骤S23，对步骤S22中得到的图像进行直方图增强处理，得到所述单面图像对应的灰度图像。

3.如权利要求1所述的方法，其特征在于，所述步骤S3，具体包括：

采取梯度下降法RBGM和最大类间方差法OTSU相结合的多阈值分割方法对步骤S2中得到的灰度图像进行图像分割进而得到玉米籽粒的二值图像。

4.如权利要求3所述的方法，其特征在于，所述采取RBGM和OTSU相结合的多阈值分割方法对玉米果穗籽粒灰度图像进行图像分割进而得到玉米籽粒的二值图像，具体包括：

步骤S31，选择初始迭代点t_i和迭代步长η_m对如下多阈值分割迭代求解公式进行迭代求解，获取最佳分割阈值所述最佳分割阈值为使取最大值的分割阈值：

${x_i}^{mN+j+1}={x_i}^{mN+j}-{\mathrm{\η}}_m\frac{\∂{\mathrm{\σ}}_B^2}{\∂t_i},i=1,2,...,N;$

其中，x_i ^mN+j+1＝x_i ^mN+j-η_mΔ_i(x_i ^mN+j),i＝1,2,...,N

${\mathrm{\Δ}}_i\left(x^{mn+j}\right)=\left\{\begin{array}{cc}\frac{\∂f\left(x^{mn+j}\right)}{\∂x^i},& j=i-1\\ 0,& j\≠i-1\end{array}\right.,j=0,1,...,N-1;m=0,1,...$

${\mathrm{\σ}}_B^2=\underset{k=0}{\overset{n-1}{\Σ}}\underset{j=k+1}{\overset{n-1}{\Σ}}{\mathrm{\ω}}_k{\mathrm{\ω}}_i{({\mathrm{\μ}}_k-{\mathrm{\μ}}_j)}^2;$

其中ω_k、μ_k分别为表示对n类问题进行分割时第k类问题对应的概率和均差；

步骤S32，使用步骤S31中得到的最佳分割阈值对步骤S2中得到的灰度图像进行多阈值分割。

5.一种玉米果穗籽粒计数装置，其特征在于，包括：

建模模块，用于获取玉米果穗籽粒估算模型；其中所述玉米果穗籽粒估算模型用于表示玉米单面的果穗籽粒数与全部果穗籽粒数之间的函数关系；

图像预处理模块，用于获取玉米的单面图像，并对所述单面图像进行图像预处理，得到相应的灰度图像；

图像分割模块，用于对所述图像预处理模块得到的灰度图像进行多阈值分割，得到相应的二值图像；

计数模块，用于对具有相同灰度值的连通区域进行计数，获取具有用于表示玉米粒的灰度值的连通区域的个数；

计算模块，根据所述计数模块中获取到的个数以及所述建模模块获取的玉米粒估算模型确定全部果穗籽粒数；

其中，所述建模模块具体用于获取如下公式作为玉米果穗籽粒估算模型：

y＝ax+b；

其中，x表示玉米果穗的单面图像中的玉米籽粒数，a、b为训练值，y为全部果穗籽粒数。

6.如权利要求5所述的装置，其特征在于，所述图像预处理模块包括：

第一处理子模块，用于对所述单面图像进行中值滤波处理；

第二处理子模块，用于对第一处理子模块得到的图像进行Wallis滤波处理；

第三处理子模块，用于对第二处理子模块得到的图像进行直方图增强处理，得到所述单面图像对应的灰度图像。

7.如权利要求5所述的装置，其特征在于，所述图像分割模块，具体用于采取梯度下降法RBGM和最大类间方差法OTSU相结合的多阈值分割方法对所述图像预处理模块得到的灰度图像进行图像分割进而得到玉米籽粒的二值图像。

8.如权利要求7所述的装置，其特征在于，所述图像分割模块用于采取RBGM和OTSU相结合的多阈值分割方法对所述图像预处理模块得到的灰度图像进行图像分割进而得到玉米籽粒的二值图像时，具体用于执行：

步骤S31，选择初始迭代点t_i和迭代步长η_m对如下多阈值分割迭代求解公式进行迭代求解，获取最佳分割阈值所述最佳分割阈值为使取最大值的分割阈值：

${x_i}^{mN+j+1}={x_i}^{mN+j}-{\mathrm{\η}}_m\frac{\∂{\mathrm{\σ}}_B^2}{\∂t_i},i=1,2,...,N;$

其中，x_i ^mN+j+1＝x_i ^mN+j-η_mΔ_i(x_i ^mN+j),i＝1,2,...,N

${\mathrm{\Δ}}_i\left(x^{mn+j}\right)=\left\{\begin{array}{cc}\frac{\∂f\left(x^{mn+j}\right)}{\∂x^i},& j=i-1\\ 0,& j\≠i-1\end{array}\right.,j=0,1,...,N-1;m=0,1,...$

${\mathrm{\σ}}_B^2=\underset{k=0}{\overset{n-1}{\Σ}}\underset{j=k+1}{\overset{n-1}{\Σ}}{\mathrm{\ω}}_k{\mathrm{\ω}}_i{({\mathrm{\μ}}_k-{\mathrm{\μ}}_j)}^2;$

其中ω_k、μ_k分别为表示对n类问题进行分割时第k类问题对应的概率和均差；

步骤S32，使用步骤S31中得到的最佳分割阈值对步骤S2中得到的灰度图像进行多阈值分割。