CN109145848A - 一种麦穗计数方法 - Google Patents

Abstract

本发明提一种麦穗计数方法，包括以下步骤：(1)采集麦穗图像；(2)对采集的麦穗图像进行颜色空间转换；(3)对颜色空间转换后的图像进行图像分割，使得图像内的内容被分割为麦穗、耕地、麦叶和茎秆三部分；(4)对分割处理后的图像进行二值化处理，以使麦穗单独从图像中分离出来；(5)对二值化图像进行滤波，滤除掉面积过大或过小的二值化连通区域，然后根据过滤后的二值化图像来统计麦穗数。本发明方法通过颜色特征，建立从图像低层特征到图像中包含麦穗数的一个直接映射关系，从而不需要再对目标进行分割或检测。这类方法更加适应于复杂的光照和密集麦穗的场景，相比基于图像分割的方法具有更高的计算效率和准确率。

Description

一种麦穗计数方法

技术领域

本发明涉及作物生长信息测量技术领域，尤其涉及一种麦穗计数方法。

背景技术

单位面积麦穗数是小麦产量和种植密度构成的重要因素之一，小麦种植密度不仅影响小麦生长对水、肥料的需求，而且影响小麦群体内的通风和透光，进而影响到小麦个体的生长发育，从而影响小麦的产量。所以，单位面积的麦穗数是实现局部范围小麦产量预测和种植密度评估的重要参数之一。

目前国内外已有研究学者将图像处理和视频监控技术应用于作物生长监控中，并且对小麦产量预测做了一些有意义的研究工作，尤其是在基于图像处理技术的小麦麦穗自动计数方面做了一些有益的探索。国内，一些学者提出利用图像的颜色特征和纹理特征对大田环境下麦穗图像进行分割，该方法在麦穗图像没有粘连时计数精度较高，当麦穗粘连时该方法精度较差。国内另外一些学者提出提取麦穗的颜色、纹理特征，采用SVM学习的方法，精确提取小麦麦穗轮廓，同时构建麦穗特征数据库，对麦穗的二值图像细化得到麦穗骨架，最后通过计算麦穗骨架的数量以及麦穗骨架有效交点的数量，即可得到图像中麦穗的数量。国外一些学者提出基于RGB图像，利用边缘检测、膨胀腐蚀、孔洞区域填充等方法对麦穗进行计数，并且对在不同生长期条件下生长的五种无芒小麦品种进行检测试验，取得了不错的效果。另有一些国外学者提出利用拉普拉斯频域滤波器去除图像中高频和低频部分，接着用中值滤波器去除麦穗图像的噪声，最后找到图像的局部峰值的个数，从而实现麦穗的计数。这些方法都存在效率低，计数准确率不高等问题。

发明内容

本发明的目的在于解决上述现有技术存在的缺陷，针对传统的基于图像颜色特征、纹理特征、Haar特征的麦穗图像分割计数方法，本发明提出一种基于密度聚类和面积回归的麦穗计数方法。

一种麦穗计数方法，包括以下步骤：

(1)采集麦穗图像；

(2)对采集的麦穗图像进行颜色空间转换；

(3)对颜色空间转换后的图像进行图像分割，使得图像内的内容被分割为麦穗、耕地、麦叶和茎秆三部分；

(4)对分割处理后的图像进行二值化处理，以使麦穗单独从图像中分离出来；

(5)对二值化图像进行滤波，滤除掉面积过大或过小的二值化连通区域，然后根据过滤后的二值化图像来统计麦穗数。

进一步地，如上所述的麦穗计数方法，步骤(2)包括对采集的麦穗图像采用RGB颜色空间转换为超绿色波段E_G空间

E_G＝2g-r-b (1)

式中，r、g、b是RGB图像的红色、绿色和蓝色分量。

进一步地，如上所述的麦穗计数方法，步骤(3)中采用密度聚类算法对颜色空间转换后的图像进行图像分割，所述密度聚类算法包括以下步骤：

步骤1:按照公式(2)计算数据x_i与数据集中其它数据点x_i之间的距离d_ij；

设待聚类的数据集I_s＝{i＝1,2,…,N}为相应的指标集；

步骤2：按照公式求得截断距离d_c；

步骤3：按照公式(3)计算第j个数据点的局部密度ρ_j；

步骤4：计算第j个数据点的最近邻类距离δ_j，所述ε-邻域最近邻类距离δ_j为x_j距最近的局部密度比它小的邻域距离；

步骤5：计算t_j＝ρ_jδ_j，根据t_j值的大小，选取合适的聚类中心；

步骤6：根据选取的聚类中心，按照距离最近的原则，将数据分配到每个类别。

进一步地，如上所述的麦穗计数方法，所述步骤(5)中滤波采用面积滤波法来滤除掉面积过大或过小的二值化连通区域，该面积滤波法包括：

设二值化麦穗图像有M个连通区域，用U＝{u₁,u₂,…,u_M}表示，第i个连通区域的面积用s_i表示，s_i的大小用区域的像素数表示，算所有连通区域面积的均值和方差σ，

根据莱特准则，设计面积滤波器，当第i个连通区域u_i的面积s_i满足

则认为u_i是一个麦穗区域，于是麦穗的计数公式为

有益效果：

本发明方法通过颜色特征，建立从图像低层特征到图像中包含麦穗数的一个直接映射关系，从而不需要再对目标进行分割或检测。这类方法更加适应于复杂的光照和密集麦穗的场景，相比基于图像分割的方法具有更高的计算效率和准确率。

附图说明

图1(a)为本发明用于验证密度聚类算法性能的数据分布图；

图1(b)为本发明用于验证密度聚类算法性能的(ρ_j,δ_j)分布图；

图2(a)为3幅不同的用于麦穗计数的原始图；

图2(b)为与图2(a)对应的3幅不同的麦穗反色图；

图3(a)为与图2(b)对应的3幅不同的基于密度聚类算法对麦穗图像分割结果图；

图3(b)为与图3(a)对应的3幅不同的二值化麦穗图；

图4为利用本发明方法标记的与图2(a)对应的3幅不同的麦穗计数图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供了一种麦穗的统计方法，具体包括以下步骤：

1.颜色空间的选择：颜色信息是小麦的重要特征，对于成长期的小麦，其颜色与背景有显著的差异。按照颜色的显著不同，麦穗图像分为麦穗、耕地、麦叶和茎秆三部分。RGB颜色空间是最常用的一种，但由于在颜色空间上对图像进行处理和分割时，RGB空间存在不直观和不均匀的缺点，因此可以考虑用绿色波段G和超绿色波段E_G更加显著的颜色空间来进行麦穗分割。超绿色波段E_G可以用式(1)表示。

E_G＝2g-r-b (1)

式中，r、g、b是RGB图像的红色、绿色和蓝色分量。

2.密度聚类算法：本发明提出基于密度的聚类算法，首先假定类别可以通过样本分布的紧密程度决定，即密度大小决定。同一类别的样本，他们之间是紧密相连的，也就是说，这个类别围绕一个聚类中心，其它样本紧紧围绕它。通过将紧密相连的样本划为一类，这样就得到了一个聚类类别。通过将所有各组紧密相连的样本划为各个不同的类别，则我们就得到了最终的所有聚类类别结果。为了刻画这个算法的思想，首先定义几个概念，即局部密度和最近邻类距离。

假设待聚类的数据集I_s＝{i＝1,2,…,N}为相应的指标集，该方法是基于一组邻域来描述样本集的紧密程度的，参数(ε，MinPts)用来描述邻域的样本分布紧密程度，其中ε描述了某一样本的邻域距离阈值，MinPts描述了某一样本的距离为ε的邻域中样本个数的阈值。

(1)ε-邻域：对于x_j∈D，其ε-邻域包含样本集D中与x_j的距离不大于ε的子样本集，即N_ε(x_j)＝{x_i∈D|distance(x_i,x_j)≤ε}这个子样本集的个数记为N_ε(x_j)。

(2)核心对象：对于任一样本x_j∈D，如果其ε-邻域样本集N_ε(x_j)至少包含MinPts个样本，即如果N_ε(x_j)≥MinPts，则x_j是核心对象。

(3)局部密度：对于ε-邻域，其核心样本集N_ε(x_j)以x_j为中心，其它样本x_i与x_j之间的距离d_ij用欧式距离表示：

于是定义ε-邻域的局部密度ρ_j用式(3)表示，

式中d_c为截断距离，本发明中取

(4)最近邻类距离：分别以x_j∈D为中心构建ε-邻域，该邻域的局部密度为ρ_j，按照局部密度大小由大到小排序，定义ε-邻域最近邻类距离δ_j为x_j距最近的局部密度比它小的邻域距离。

根据以上定义，对于每个样本点x_j，相应的可以求出(ρ_j,δ_j)，设t_j＝ρ_jδ_j，选t_j值明显大的x_j值为聚类中心。具体基于密度聚类算法的步骤描述如下：

a)按照公式(2)计算数据x_i与数据集中其它数据点x_i之间的距离d_ij；

b)按照公式求得截断距离d_c；

c)按照公式(3)计算第j个数据点的局部密度ρ_j；

d)计算第j个数据点的最近邻类距离δ_j

e)计算t_j＝ρ_jδ_j，根据t_j值的大小，选取合适的聚类中心；

f)根据选取的聚类中心，按照距离最近的原则，将数据分配到每个类别。

本发明提出的密度聚类算法不需要预先设定聚类数和初始聚类中心，该算法能自动得到聚类中心和聚类数。图1(a)是一组数据的分布图，用本发明密度聚类算法对数据集D进行聚类。首先求出数据集D中每个数据点的(ρ_j,δ_j)，其分布图1(b)所示。由图1(b)可以看出，第8个数据点、第16个数据点、第12个数据点所对应的(ρ_j,δ_j)值明显大于其他数据点所对应的值，所以选取数据点8、16、12做为聚类中心。与图1(a)数据分布图对比分析，本发明计算结果与原图分布完全一样。

3.基于密度聚类的麦穗图像分割：将获取的麦穗图像，从RGB颜色空间转换到超绿颜色空间(转换公式见式(1))。由麦穗原始图像和它的反色图像可以看出(见图2(a)、图2(b))，麦穗图像分为麦穗、耕地、叶子和茎秆三部分。用提出的密度聚类算法对麦穗图像进行分类，分类结果如图3(a)所示,由图3(a)可以看出，利用本发明提出的密度聚类算法能将麦穗、耕地、麦叶和茎秆很好的区分出来，麦穗的图像用绿色表示、耕地的颜色用蓝色表示、叶子和茎秆用红色表示。这样麦穗图像被划分成三个部分，将其中麦穗部分单独提取出来并进行二值化，如图3(b)所示，图3(b)中二值化图像大部分区域剩余麦穗。

4.麦穗计数：由图3(b)可以看出，图中绝大部分二值化区域是麦穗图像，少部分过小或过大的二值化区域是由叶子影响造成，为了准确进行麦穗计数，需要过滤掉这些过小或过大的二值化区域。为此本发明提出用面积滤波来进行麦穗的计数。

设二值化麦穗图像有M个连通区域，用U＝{u₁,u₂,…,u_M}表示，第i个连通区域的面积用s_i表示，s_i的大小用区域的像素数表示。计算所有连通区域面积的均值和方差σ，

根据莱特准则，设计面积滤波器，当第i个连通区域u_i的面积s_i满足

就认为u_i是一个麦穗区域，于是麦穗的计数公式为，

图4是最终的麦穗标记计数结果图。

实施例：

首先，图像采集。用手机或数码相机正对着麦田，距离地面80cm，调整好焦距进行拍照，图像要求清晰、没有出现抖动模糊；

其次，颜色空间转换。按照公式(1)将麦穗图像的RGB颜色空间转换为超绿色波段E_G空间，便于进行麦穗分割；

再其次，图像分割和二值化。用本发明提出的基于密度聚类方法对图像进行分割，并进行二值化，使得麦穗单独从图像中分离出来。

再其次，面积滤波。用本发明提出的面积滤波器对二值化图像进行滤波，滤除掉面积过大或过小的二值化连通区域。

最后，麦穗计数。运用公式(7)，完成对麦穗的计数。

为了验证本专利方法的有效性，将本发明提出的麦穗算法计数与人工计数精度进行比较。运用统计误差、统计精度进行综合比较分析，见表1。由表1可以统计出，统计的平均测量精度是94.69％，统计误差在2.17％～7.41％之间，平均为5.31％。以上比较分析表明，说明利用本发明方法可以有效地进行麦穗自动计数，且精度高。

表1人工计数与算法计数比较

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (4)

1.一种麦穗计数方法，其特征在于，包括以下步骤：

(1)采集麦穗图像；

(2)对采集的麦穗图像进行颜色空间转换；

(3)对颜色空间转换后的图像进行图像分割，使得图像内的内容被分割为麦穗、耕地、麦叶和茎秆三部分；

(4)对分割处理后的图像进行二值化处理，以使麦穗单独从图像中分离出来；

(5)对二值化图像进行滤波，滤除掉面积过大或过小的二值化连通区域，然后根据过滤后的二值化图像来统计麦穗数。

2.根据权利要求1所述的麦穗计数方法，其特征在于，步骤(2)包括对采集的麦穗图像采用RGB颜色空间转换为超绿色波段E_G空间

E_G＝2g-r-b (1)

式中，r、g、b是RGB图像的红色、绿色和蓝色分量。

3.根据权利要求1所述的麦穗计数方法，其特征在于，步骤(3)中采用密度聚类算法对颜色空间转换后的图像进行图像分割，所述密度聚类算法包括以下步骤：

步骤1:按照公式(2)计算数据x_i与数据集中其它数据点x_i之间的距离d_ij；

设待聚类的数据集I_s＝{i＝1,2,…,N}为相应的指标集；

步骤2：按照公式求得截断距离d_c；

步骤3：按照公式(3)计算第j个数据点的局部密度ρ_j；

步骤4：计算第j个数据点的最近邻类距离δ_j，所述ε-邻域最近邻类距离δ_j为x_j距最近的局部密度比它小的邻域距离；

步骤5：计算t_j＝ρ_jδ_j，根据t_j值的大小，选取合适的聚类中心；

步骤6：根据选取的聚类中心，按照距离最近的原则，将数据分配到每个类别。

4.根据权利要求1所述的麦穗计数方法，其特征在于，所述步骤(5)中滤波采用面积滤波法来滤除掉面积过大或过小的二值化连通区域，该面积滤波法包括：

设二值化麦穗图像有M个连通区域，用U＝{u₁,u₂,…,u_M}表示，第i个连通区域的面积用s_i表示，s_i的大小用区域的像素数表示，算所有连通区域面积的均值和方差σ，

根据莱特准则，设计面积滤波器，当第i个连通区域u_i的面积s_i满足

则认为u_i是一个麦穗区域，于是麦穗的计数公式为