CN107993243B - 一种基于rgb图像的小麦分蘖数自动检测方法 - Google Patents
一种基于rgb图像的小麦分蘖数自动检测方法 Download PDFInfo
- Publication number
- CN107993243B CN107993243B CN201711395655.3A CN201711395655A CN107993243B CN 107993243 B CN107993243 B CN 107993243B CN 201711395655 A CN201711395655 A CN 201711395655A CN 107993243 B CN107993243 B CN 107993243B
- Authority
- CN
- China
- Prior art keywords
- wheat
- image
- rgb
- tillering number
- adopting
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于RGB图像的小麦分蘖数自动检测方法,属于植物表型测量领域。以普通相机作为采集设备,采集小麦图像。通过数字图像处理技术,设计出一种基于RGB图像的小麦分蘖数自动检测方法。该方法如图1所示,具体包括:将采集的小麦RGB图像进行图像分割,将小麦整体从背景中提取出来;通过形态学处理将小麦秆茎部分去除;将分割后的小麦整体图像和形态学处理后的图像相减,得到包含小麦秆茎的图像;边缘检测后,经霍夫变换直线检测得到不连续的秆茎;通过填补间隙将共线的线段连成一条线段,检测线段的个数,从而实现小麦分蘖数目的自动检测。本方法是国内外首次采用霍夫变换方法,基于RGB图像的小麦分蘖数自动无损检测,适用于麦类和稻类分蘖数的自动无损检测,为小麦表型自动测量奠定基础。
Description
技术领域
本发明属于数字图像处理在植物表型测量领域的应用,是对小麦分蘖数目进行自动无损检测及测量的一种方法,适用麦类及稻类作物分蘖数目的自动无损检测。
背景技术
小麦是重要的粮食作物,在世界上播种面积和总产量都占据第一,以小麦为主要粮食的人口占世界总人口的1/3,小麦生产在国民经济中占重要地位,是整个农业生产的基础。分蘖是小麦的重要生物学特性,小麦对环境的适应及小麦群体的自动调节,在很大程度上是通过分蘖消长实现的。小麦分蘖的数量和成穗率决定于在合理的栽培措施下个体发育健壮的程度,而分蘖成穗率又在一定程度上决定着群体结构优劣和经济产量高低。因此,小麦的分蘖数作为影响小麦产量的重要因素一直备受育种家的关注。然而截止到目前为止,都是采用人工识别从而进行测量的方法,难于满足大批量快速测试的要求。基于RGB图像的小麦分蘖自动化无损测检测,国内外鲜有相关文献报道。Jiang N采用CT扫描的方法得到小麦的横截面视图,然后根据横截面的形状来区分小麦的叶子和秆茎,从而获得小麦的分蘖数目(Jiang N,Yang W,Duan L,et al.Acceleration of CT reconstruction for wheattiller inspection based on adaptive minimum enclosing rectangle[J].Computersand electronics in agriculture,2012,85:123-133)。这种方法的缺点是测量速度慢,而且CT扫描设备的限制,不能得到普遍应用。Boyle R D开发小麦分蘖计数方法是先取小麦侧视图像中一个特定的区域,区域中只包含叶子和秆径,然后通过阈值的方法来区分小麦秆径和叶子(Boyle R D,Corke F M K,Doonan J H.Automated estimation of tillernumber in wheat by ribbon detection[J].Machine Vision and Applications,2016,27(5):637-646)。该方法在应用上具有一定的局限性,因为在侧视图上,如果在侧视图上叶子和秆茎的投影粗细相当,就很难确定合适的阈值来区分叶子和秆茎。本发明开发了一种基于RGB图像的小麦分蘖数自动检测方法,采用普通相机采集小麦RGB图像,通过图像分割、形态学处理、边缘检测及霍夫变换的直线检测算法来测量小麦的分蘖。该方法克服上述两种方法的局限性,测量方便,计算速度快,能够有效检测小麦分蘖数,为小麦表型自动快速测量奠定基础。该方法适用于麦类及稻类作物分蘖数自动无损测量。
发明内容
本发明公开了一种基于RGB图像的小麦分蘖数自动检测方法,属于植物表型测量领域。以普通相机作为采集设备,采集小麦图像。通过数字图像处理技术,设计出一种基于RGB图像的小麦分蘖数自动检测方法。该方法如图1所示,本发明采用基于RGB图像小麦分蘖数自动识别方法,先进行小麦图像分割,提取小麦整体图像,采用霍夫变换方法检测小麦秆茎,检测秆茎的个数,从而实现小麦分蘖数目的自动检测。
本发明主要包括以下部分(图1):
具体包括:
图像分割:将采集的小麦RGB图像进行归一化处理获得每一个像素的RGB的值,提取色差灰度图,采用OSTU方法求得该灰度图阈值,利用该阈值对图像进行二值化处理,将小麦从背景中分割出来。
形态学处理:通过形态学腐蚀处理将小麦秆茎部分去除;将分割后的小麦整体二值图像和形态学处理后的二值图像相减,得到只包含小麦秆茎的图像;
边缘检测:采用Canny边缘检测算法进行边缘检测。
霍夫变换:应用霍夫变换进行小麦秆茎检测,得到不连续的秆茎;通过填补间隙将共线的线段连成一条线段,检测线段的个数,从而实现小麦分蘖数目的自动检测。
本方法是国内外首次采用霍夫变换方法,基于如果RGB图像的小麦分蘖数自动无损检测,适用于麦类和稻类分蘖数的自动无损检测,为小麦表型自动测量奠定基础。
附图说明
图1为一种基于图像的小麦分蘖数自动检测方法流程图;
图2为小麦RGB图像的整体二值化图像;
图3为去除参照物后的小麦图像分割图像;
图4为保护框图像;
图5为图像分割结果;
图6为形态学处理;
图7为图5和图6减操作后,进行边缘检测结果;
图8为霍夫变换直线检测;
图9为通过填充线段之间空隙,使共线的多条线段连成一条线段;
具体实施方式
本发明开发了一种基于霍夫变换的小卖分蘖数目自动识别方法,具体实施方式如下:
(1)用相机采集小麦的RGB图像。
(2)图像分割:对小麦RGB图像进行归一化处理获得每一个像素的RGB的值,提取2G-R-B(R-红色分量图像;G-绿色分量图像;B-蓝色分量图像)色差灰度图,采用OSTU方法求得该灰度图阈值,利用该阈值对图像进行二值化处理(如图2);通过检测花盆边缘,在图像中找出分界线行数,将分界线以下参照物去除后实现小麦图像分割(图3);提取RGB图像中蓝、绿色分量图像,采用蓝色分量的图像减去绿色分量的图像(B-G)的方法,提取小麦保护框图像如图4;将图3与图4进行减操作,将小麦从背景中分割出来(如图5)。
(3)形态学处理:采用膨胀腐蚀的开闭运算操作,去除小麦部分秆茎(图6)。选用圆盘做为结构元素的形状,结构半径取6。
(4)边缘检测:先将图5和图6进行减操作,然后采用canny算子进行边缘检测。选择高斯参数值为2,双阈值为[0.01,0.17],检测结果如图7所示。
(5)霍夫变换:采用霍夫变换算法进行直线检测,公式(1)为直线的离散极坐标公式。
X*cosθ+Y*sinθ=r (1)
其中角度θ指直线上的点与坐标原点的连线与X轴之间的夹角,r为到直线几何垂直距离。图8是采用霍夫变换方法检测直线的结果。通过填补线段之间的缝隙,将多条共线的线段合并成一条线段,图9为图8填补缝隙后的结果。
(6)计算小麦分蘖数:通过计算线段的数目来计算小麦分蘖数。
Claims (1)
1.一种基于RGB图像的小麦分蘖数目无损自动检测及测量方法,该方法按照以下步骤进行:
(1)对小麦RGB图像进行归一化处理获得每一个像素的RGB的值,提取2G-R-B色差灰度图,其中R代表红色分量图像,G代表绿色分量图像,B代表蓝色分量图像;采用OSTU方法求得该灰度图阈值,利用该阈值对图像进行二值化处理;
(2)通过检测花盆上边缘,在图像中找出上边缘对应的分界线行数,将分界线以下参照物去除后实现小麦图像分割;
(3)提取RGB图像中蓝、绿色分量图像,采用蓝色分量的图像减去绿色分量的图像的方法,提取小麦保护框图像;
(4)将(2)中图像分割结果与(3)图像分割结果进行减操作,将小麦从背景中分割出来;
(5)采用膨胀腐蚀的开闭运算操作,去除小麦部分秆茎;
(6)先将(4)得到图像和(5)得到的图像进行减操作,然后采用canny算子进行边缘检测;
(7)采用霍夫变换方法检测直线,通过填补线段之间的缝隙,将多条共线的线段合并成一条线段;
(8)通过计算线段的数目来计算小麦分蘖数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711395655.3A CN107993243B (zh) | 2017-12-21 | 2017-12-21 | 一种基于rgb图像的小麦分蘖数自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711395655.3A CN107993243B (zh) | 2017-12-21 | 2017-12-21 | 一种基于rgb图像的小麦分蘖数自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107993243A CN107993243A (zh) | 2018-05-04 |
CN107993243B true CN107993243B (zh) | 2020-06-23 |
Family
ID=62038174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711395655.3A Expired - Fee Related CN107993243B (zh) | 2017-12-21 | 2017-12-21 | 一种基于rgb图像的小麦分蘖数自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107993243B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109543543A (zh) * | 2018-10-25 | 2019-03-29 | 深圳市象形字科技股份有限公司 | 一种基于计算机视觉技术的辅助二胡练习者弓法检测方法 |
CN109978047B (zh) * | 2019-03-22 | 2022-05-27 | 南京农业大学 | 一种田间小麦茎蘖数提取方法 |
CN116030485B (zh) * | 2023-02-20 | 2023-07-18 | 深圳市大乐装建筑科技有限公司 | 基于装配式构件详图进行共线线段快速合并的方法和*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101349655A (zh) * | 2008-07-18 | 2009-01-21 | 华中科技大学 | 植物分蘖数自动测量装置及方法 |
CN102622755A (zh) * | 2012-02-28 | 2012-08-01 | 中国农业大学 | 植物枝干识别方法 |
CN102855485A (zh) * | 2012-08-07 | 2013-01-02 | 华中科技大学 | 一种小麦抽穗的自动检测方法 |
CN104949981A (zh) * | 2014-03-24 | 2015-09-30 | 华中科技大学 | 一种棉花五真叶期自动检测方法及*** |
CN105510362A (zh) * | 2015-12-07 | 2016-04-20 | 华中农业大学 | 基于微型ct的水稻分蘖性状无损测量装置及其测量方法 |
CN105719282A (zh) * | 2016-01-16 | 2016-06-29 | 常州大学 | 一种果园红色苹果图像果实枝叶区域获取方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8991098B2 (en) * | 2008-09-16 | 2015-03-31 | Basf Plant Science Gmbh | Method for improved plant breeding |
CN104751199B (zh) * | 2013-12-30 | 2017-11-24 | 华中科技大学 | 一种棉花裂铃期自动检测方法 |
CN104021369A (zh) * | 2014-04-30 | 2014-09-03 | 南京农业大学 | 基于数字图像处理技术的单株水稻穗部籽粒数计数方法 |
-
2017
- 2017-12-21 CN CN201711395655.3A patent/CN107993243B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101349655A (zh) * | 2008-07-18 | 2009-01-21 | 华中科技大学 | 植物分蘖数自动测量装置及方法 |
CN102622755A (zh) * | 2012-02-28 | 2012-08-01 | 中国农业大学 | 植物枝干识别方法 |
CN102855485A (zh) * | 2012-08-07 | 2013-01-02 | 华中科技大学 | 一种小麦抽穗的自动检测方法 |
CN104949981A (zh) * | 2014-03-24 | 2015-09-30 | 华中科技大学 | 一种棉花五真叶期自动检测方法及*** |
CN105510362A (zh) * | 2015-12-07 | 2016-04-20 | 华中农业大学 | 基于微型ct的水稻分蘖性状无损测量装置及其测量方法 |
CN105719282A (zh) * | 2016-01-16 | 2016-06-29 | 常州大学 | 一种果园红色苹果图像果实枝叶区域获取方法 |
Non-Patent Citations (5)
Title |
---|
A Review of Imaging Techniques for Plant Phenotyping;Lei Li 等;《Sensors》;20141024;第14卷(第11期);第20078-20111页 * |
Application of image analysis for grass tillering determination;Tomasz G 等;《Environmental Monitoring and Assessment》;20151130;第1-9页 * |
Automated estimation of tiller number in wheat by ribbon detection;R. D. Boyle 等;《Machine Vision and Applications》;20160731;第27卷(第5期);第637–646页 * |
Study on Spike Detection of Cereal Plants;Li Qiongyan 等;《International Conference on Control, Automation, Robotics & Visio》;20150323;第229-230页 * |
小麦分蘖形态学特征X射线-CT无损检测;吴迪 等;《农业工程学报》;20170731;第33卷(第14期);第179-204页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107993243A (zh) | 2018-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447945B (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
CN105389586B (zh) | 一种基于计算机视觉自动检测虾体完整性的方法 | |
Tong et al. | Skewness correction and quality evaluation of plug seedling images based on Canny operator and Hough transform | |
Lü et al. | Leaf area measurement based on image processing | |
WO2016091016A1 (zh) | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 | |
CN109255757B (zh) | 一种机器视觉自然放置葡萄串果梗区域分割方法 | |
CN107993243B (zh) | 一种基于rgb图像的小麦分蘖数自动检测方法 | |
CN111753577A (zh) | 自动采摘机器人中的苹果识别与定位方法 | |
CN109345554A (zh) | 一种基于rgb-d相机的粘连蘑菇视觉原位测量方法 | |
CN111007013B (zh) | 面向东北冷凉区的作物轮作休耕遥感监测方法与装置 | |
CN112395984B (zh) | 一种用于无人驾驶农业机械的苗列导航线检测方法 | |
CN105719283A (zh) | 一种基于Hessian矩阵多尺度滤波的路面裂缝图像检测方法 | |
CN102855485B (zh) | 一种小麦抽穗的自动检测方法 | |
CN109684938A (zh) | 一种基于作物冠层航拍俯视图的甘蔗株数自动识别方法 | |
CN110455201B (zh) | 基于机器视觉的茎秆作物高度测量方法 | |
CN106683098B (zh) | 一种重叠叶片图像的分割方法 | |
CN108960100A (zh) | 一种基于图像处理的甘蔗蔗节的识别方法 | |
Kaiyan et al. | Measurement of plant leaf area based on computer vision | |
CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
CN111060455A (zh) | 面向东北冷凉区的遥感图像作物标记方法和装置 | |
CN107220972B (zh) | 一种基于红外图像的禽蛋品质鉴别方法 | |
CN111369497B (zh) | 一种行走式树上果实连续计数方法及装置 | |
CN111932551B (zh) | 一种水稻插秧机的漏插率检测方法 | |
Yadav et al. | An automated image processing method for segmentation and quantification of rust disease in maize leaves | |
CN113421301B (zh) | 一种田间作物中心区域定位方法及*** |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200623 Termination date: 20201221 |