CN110288594B - 一种植物冠层结构性状分析方法 - Google Patents
一种植物冠层结构性状分析方法 Download PDFInfo
- Publication number
- CN110288594B CN110288594B CN201910588033.5A CN201910588033A CN110288594B CN 110288594 B CN110288594 B CN 110288594B CN 201910588033 A CN201910588033 A CN 201910588033A CN 110288594 B CN110288594 B CN 110288594B
- Authority
- CN
- China
- Prior art keywords
- canopy
- value
- image
- height
- gray level
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 238000006243 chemical reaction Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000007621 cluster analysis Methods 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims 1
- 238000003672 processing method Methods 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 2
- 241000196324 Embryophyta Species 0.000 description 14
- 241001553178 Arachis glabrata Species 0.000 description 10
- 235000020232 peanut Nutrition 0.000 description 10
- 235000017060 Arachis glabrata Nutrition 0.000 description 9
- 235000010777 Arachis hypogaea Nutrition 0.000 description 9
- 235000018262 Arachis monticola Nutrition 0.000 description 9
- 238000000605 extraction Methods 0.000 description 2
- 230000008635 plant growth Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 241000555745 Sciuridae Species 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种植物冠层结构性状分析方法,包括以下步骤A、根据植物冠层高度信息,得到三维点云数据,然后根据三维点云数据将目标植株有效冠层高度值构建成一个冠层高度矩阵,冠层高度矩阵中每一行代表一条直线上冠层的高度数据;B、将冠层高度矩阵数据生成灰度图像,灰度图像取值范围为0~255;C、计算灰度图像的熵,并进行边缘提取;D、计算二值图像转换阈值;E、根据计算得到的转换阈值对灰度图像进行转换,灰度图像中大于阈值的像素点数值转换为1,否则转换为0;F、以二值图像为基础,对冠层结构性状的表型信息特征指数进行分析。本发明能够改进现有技术的不足,便于对植物冠层结构性状的提取和分析。
Description
技术领域
本发明涉及图像处理技术领域,尤其是一种植物冠层结构性状分析方法。
背景技术
冠层结构对于植物的健康生长有着重要的影响,冠层结构直接影响其对于太阳辐射的拦截程度、生长状况,以及与杂草竞争的能力;同时,冠层的叶片密度能够极大地影响冠层区域的小气候,特别是冠层内部的小气候,而冠层内部小气候环境对于疾病的发生有着直接的影响,在植物正常生长中,冠层温度及湿度是致病的主要因素。冠层的轮廓表达了植物植株的向外延展性,延展性不但同样会影响到冠层内部小气候,而且决定了植物植株是否能够有减少和土壤接触的机会,植株和土壤接触越少,感染病原菌的机会也相对越少。对于这些冠层表型信息的提取和分析方法的研究,是表型研究的一个重要内容,但是现在还没有一种统一的分析方法和分析指标。
发明内容
本发明要解决的技术问题是提供一种植物冠层结构性状分析方法,能够解决现有技术的不足,便于对植物冠层结构性状的提取和分析。
为解决上述技术问题,本发明所采取的技术方案如下。
一种植物冠层结构性状分析方法,包括以下步骤:
A、根据植物冠层高度信息,得到三维点云数据,然后根据三维点云数据将目标植株有效冠层高度值构建成一个冠层高度矩阵,冠层高度矩阵中每一行代表一条直线上冠层的高度数据,即一个扫描平面上或冠层深度图像中一行的高度值;
B、将冠层高度矩阵数据生成灰度图像,灰度图像取值范围为0~255;
C、计算灰度图像的熵,并进行边缘提取;
D、计算二值图像转换阈值;
E、根据计算得到的转换阈值对灰度图像进行转换,灰度图像中大于阈值的像素点数值转换为1,否则转换为0;
F、以二值图像为基础,对冠层结构性状的表型信息特征指数进行分析。
作为优选,步骤B中,在生成灰度图像前,首先将冠层高度矩阵进行归一化处理,处理方法为,
其中,Valuenormal为冠层高度值归一化之后的值,Valueorgin为冠层高度原始值,Valuemin、Valuemax分别为冠层高度矩阵中最小和最大值。
作为优选,步骤B中,对灰度图像进行去噪处理,包括以下步骤,B1、对灰度图像进行小波分解,得到n层图像分量;
B2、对第一层图像分量进行聚类分析,使用得到的第一层图像分量的聚类中心集合对第二层图像分量进行聚类分析,然后根据第二层图像分量的聚类结果对第二层图像分量的聚类中心集合进行修正,使用修正后的第二层图像分量的聚类中心集合对第三层图像分量进行聚类分析,以此类推,直至全部n层图像分量均完成聚类分析处理;将修正前后的聚类中心定义为相关聚类中心;
B3、将不同图像分量层中相关聚类中心对应的聚类集合进行正则化处理;
B4、对n层图像分量进行小波重构,得到处理后的灰度图像。
作为优选,步骤C中,灰度图像熵的计算方法为,
其中,i代表像素灰度值大小,j代表邻域灰度平均值,Pij代表邻域灰度平均值为j的灰度值i出现的概率,f(i,j)代表特征二元组(i,j)出现的频数,N代表图像的尺度,H就是所求的熵。
作为优选,步骤D中,转换阈值的计算方法为,
其中,k和l分别代表冠层高度矩阵的列数量和行数量,Graypixelp,q表示第q行第p列中的像素值,Threshold即为所求转换阈值。
作为优选,步骤F中,
熵值越大,灰度值越丰富,即冠层的高度值变化趋势越缓慢,波峰和波谷越不明显,高度分布越平衡;熵值越大,边缘相对越明显;
二值图像连通区域的数量少且平均面积大说明冠层的叶片分布密度大且高度变化平缓;欧拉数越大图像中孔洞数越小,由冠层高度矩阵转换过来的冠层图像的边缘相对平滑且锯齿越少。
采用上述技术方案所带来的有益效果在于:本发明对于植物冠层结构性状的分析过程简单、快捷,适用范围广。
附图说明
图1是本发明的原理图。
图2是SWR品种花生七月份冠层结构外形轮廓。
图3是MCD品种花生七月份冠层结构外形轮廓。
图4是GA04S品种花生七月份冠层结构外形轮廓。
图5是SWR品种花生八月份冠层结构外形轮廓。
图6是MCD品种花生八月份冠层结构外形轮廓。
图7是GA04S品种花生八月份冠层结构外形轮廓。
图8是SWR品种花生九月份冠层结构外形轮廓。
图9是MCD品种花生九月份冠层结构外形轮廓。
图10是GA04S品种花生九月份冠层结构外形轮廓。
具体实施方式
参照图1,本发明一个具体实施方式包括以下步骤:
根据植物冠层高度信息,得到三维点云数据,然后根据三维点云数据生成冠层高度矩阵CHM,即将目标植株有效冠层高度值构建成一个冠层高度矩阵(Canopy heightmatrix,CHM),CHM中每一行代表一条直线上冠层的高度数据,也就是一个扫描平面(冠层剖面)上或冠层深度图像中一行的高度值。
将CHM数据生成灰度图像,灰度图像取值范围为0~255,所以CHM要根据公式(1)首先进行归一化处理。
上式中,Valuenormal为冠层高度值CHM归一化之后的值,Valueorgin为冠层高度原始值,Valuemin、Valuemax分别为CHM矩阵中最小和最大值。
根据公式(2)计算灰度图像的熵,并进行边缘提取。熵代表图像中灰度值的集中度,熵值越大说明灰度值越丰富,这就意味着冠层的高度值变化趋势缓慢,没有较大和明显的波峰和波谷出现,高度分布较为平衡;熵值大小也和冠层轮廓的边缘是否明显有较大的关系,熵值越大,边缘相对越明显。
上式中,i代表像素灰度值大小,j代表邻域灰度平均值,Pij代表邻域灰度平均值为j的灰度值i出现的概率,f(i,j)代表特征二元组(i,j)出现的频数,N代表图像的尺度,H就是所求的熵。
二值图像转换阈值的求解。本方法的算法中最关键的就是二值图像转换阈值的确定,如果阈值取值较小则不同品种之间特征不突出、区别不明显,取值较大则会丢失一部分信息,转换阈值可以通过公式(3)来确定。
上式中,k和l分别代表CHM的列数量和行数量,Graypixelp,q表示第q行第p列中的像素值。Threshold即为所求转换阈值。
根据计算得到的转换阈值对灰度图像进行转换,灰度图像中大于阈值的像素点数值转换为1,反之转换为0。
以二值图像为基础,对冠层结构性状的表型信息特征指数进行分析。根据CHM转换而来的二值图像中,连通区域的大小和面积可以反映出冠层密度和高度的分布情况,连通区域的数量较少且平均面积较大说明冠层的叶片分布密度较大且高度变化比较平缓,因为如果冠层叶片密度较为稀疏或高度变化剧烈,则在扫描时会出现一些孔洞,经过变换后连通区域的数量就会增多,连通区域平均面积就会变小;欧拉数代表者图像中连通区域与孔洞之间的差值,欧拉数越大则说明图像中孔洞数越小,这就意味着由CHM转换过来的冠层图像的边缘相对平滑且锯齿较少。
下表为三个品种花生冠层结构特征指数随时间变化情况。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种植物冠层结构性状分析方法,其特征在于包括以下步骤:
A、根据植物冠层高度信息,得到三维点云数据,然后根据三维点云数据将目标植株有效冠层高度值构建成一个冠层高度矩阵,冠层高度矩阵中每一行代表一条直线上冠层的高度数据,即一个扫描平面上或冠层深度图像中一行的高度值;
B、将冠层高度矩阵数据生成灰度图像,灰度图像取值范围为0~255;
C、计算灰度图像的熵,并进行边缘提取;
D、计算二值图像转换阈值;
E、根据计算得到的转换阈值对灰度图像进行转换,灰度图像中大于阈值的像素点数值转换为1,否则转换为0;
F、以二值图像为基础,对冠层结构性状的表型信息特征指数进行分析;
步骤B中,在生成灰度图像前,首先将冠层高度矩阵进行归一化处理,处理方法为,
其中,Valuenormal为冠层高度值归一化之后的值,Valueorgin为冠层高度原始值,Valuemin、Valuemax分别为冠层高度矩阵中最小和最大值;
步骤B中,对灰度图像进行去噪处理,包括以下步骤,
B1、对灰度图像进行小波分解,得到n层图像分量;
B2、对第一层图像分量进行聚类分析,使用得到的第一层图像分量的聚类中心集合对第二层图像分量进行聚类分析,然后根据第二层图像分量的聚类结果对第二层图像分量的聚类中心集合进行修正,使用修正后的第二层图像分量的聚类中心集合对第三层图像分量进行聚类分析,以此类推,直至全部n层图像分量均完成聚类分析处理;将修正前后的聚类中心定义为相关聚类中心;
B3、将不同图像分量层中相关聚类中心对应的聚类集合进行正则化处理;
B4、对n层图像分量进行小波重构,得到处理后的灰度图像。
4.根据权利要求3所述的植物冠层结构性状分析方法,其特征在于:步骤F中,
熵值越大,灰度值越丰富,即冠层的高度值变化趋势越缓慢,波峰和波谷越不明显,高度分布越平衡;熵值越大,边缘相对越明显;
二值图像连通区域的数量少且平均面积大说明冠层的叶片分布密度大且高度变化平缓;欧拉数越大图像中孔洞数越小,由冠层高度矩阵转换过来的冠层图像的边缘相对平滑且锯齿越少。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910588033.5A CN110288594B (zh) | 2019-07-02 | 2019-07-02 | 一种植物冠层结构性状分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910588033.5A CN110288594B (zh) | 2019-07-02 | 2019-07-02 | 一种植物冠层结构性状分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110288594A CN110288594A (zh) | 2019-09-27 |
CN110288594B true CN110288594B (zh) | 2021-06-04 |
Family
ID=68021652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910588033.5A Expired - Fee Related CN110288594B (zh) | 2019-07-02 | 2019-07-02 | 一种植物冠层结构性状分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110288594B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091114A (zh) * | 2019-12-30 | 2020-05-01 | 滁州学院 | 一种基于高分辨率遥感图片的单木树冠提取方法 |
CN113822839B (zh) * | 2020-06-18 | 2024-01-23 | 飞依诺科技股份有限公司 | 医学图像的处理方法、装置、计算机设备和存储介质 |
CN112329856B (zh) * | 2020-11-06 | 2024-05-14 | 神农智慧农业研究院南京有限公司 | 一种基于光谱与rgb-d融合图像的小麦氮积累量预测方法 |
CN113222917B (zh) * | 2021-04-29 | 2022-06-14 | 桂林理工大学 | 机载激光雷达点云数据chm的dbi树顶点探测方法 |
CN113469112B (zh) * | 2021-07-19 | 2022-06-21 | 三门峡市乡村振兴局 | 农作物生长状况图像识别方法及*** |
CN113947729A (zh) * | 2021-11-12 | 2022-01-18 | 华南农业大学 | 基于竞争网络的植株点云数据深度图像处理方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360494A (zh) * | 2011-10-18 | 2012-02-22 | 中国科学院自动化研究所 | 一种多前景目标交互式图像分割方法 |
CN103440648A (zh) * | 2013-08-22 | 2013-12-11 | 北京农业信息技术研究中心 | 农作物冠层整齐度的自动测量方法及装置 |
CN107610066A (zh) * | 2017-09-21 | 2018-01-19 | 电子科技大学 | 一种叶面积指数测量方法 |
CN107767383A (zh) * | 2017-11-01 | 2018-03-06 | 太原理工大学 | 一种基于超像素的道路图像分割方法 |
CN109166158A (zh) * | 2018-08-24 | 2019-01-08 | 中国电建集团华东勘测设计研究院有限公司 | 一种林地郁闭度确定方法、装置及*** |
CN109632799A (zh) * | 2019-01-23 | 2019-04-16 | 湖北大学 | 基于机器视觉的水稻叶片氮含量移动检测分级方法、***和计算机可读存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9082164B2 (en) * | 2008-04-04 | 2015-07-14 | Lina Jamil Karam | Automatic cell migration and proliferation analysis |
CN104914053B (zh) * | 2015-05-15 | 2017-07-28 | 中国农业大学 | 构建树木冠层光合性状预测模型及检测光合性状 |
CN106971409B (zh) * | 2017-02-23 | 2019-10-18 | 北京农业信息技术研究中心 | 玉米冠层叶色建模***及方法 |
-
2019
- 2019-07-02 CN CN201910588033.5A patent/CN110288594B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360494A (zh) * | 2011-10-18 | 2012-02-22 | 中国科学院自动化研究所 | 一种多前景目标交互式图像分割方法 |
CN103440648A (zh) * | 2013-08-22 | 2013-12-11 | 北京农业信息技术研究中心 | 农作物冠层整齐度的自动测量方法及装置 |
CN107610066A (zh) * | 2017-09-21 | 2018-01-19 | 电子科技大学 | 一种叶面积指数测量方法 |
CN107767383A (zh) * | 2017-11-01 | 2018-03-06 | 太原理工大学 | 一种基于超像素的道路图像分割方法 |
CN109166158A (zh) * | 2018-08-24 | 2019-01-08 | 中国电建集团华东勘测设计研究院有限公司 | 一种林地郁闭度确定方法、装置及*** |
CN109632799A (zh) * | 2019-01-23 | 2019-04-16 | 湖北大学 | 基于机器视觉的水稻叶片氮含量移动检测分级方法、***和计算机可读存储介质 |
Non-Patent Citations (4)
Title |
---|
Automatic noise attenuation based on clustering and empirical wavelet transform;Wei Chen , Hui Song;《Journal of Applied Geophysics》;20181231;第649-665页 * |
Development of a Peanut Canopy Measurement System Using a Ground-Based LiDAR Sensor;Hongbo Yuan et al.;《 frontiers in Plant Science》;20190228;第10卷;第6页左栏最后一段-第7页右栏最后一段,表1 * |
基于K-均值聚类与小波分析的声发射信号去噪;周俊 等;《石油化工高等学校学报》;20130630;第26卷(第3期);第69-73页 * |
基于小波去噪和互谱估计的基因表达数据分析;曹祥红;《中国优秀博硕士学位论文全文数据库 (硕士) 基础科学辑》;20060915;A006-85 * |
Also Published As
Publication number | Publication date |
---|---|
CN110288594A (zh) | 2019-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110288594B (zh) | 一种植物冠层结构性状分析方法 | |
CN111985543B (zh) | 一种高光谱图像分类模型的构建方法、分类方法及*** | |
CN111507319A (zh) | 一种基于深度融合卷积网络模型的农作物病害识别方法 | |
Eskandari et al. | Investigation on genetic diversity of Persian walnut and evaluation of promising genotypes | |
CN109671092A (zh) | 一种改进的Canny图像分割方法和*** | |
CN115358349B (zh) | 一种数据优化聚类方法 | |
CN111291686B (zh) | 农作物根果表型参数的提取与根果表型判别方法及*** | |
CN114913359A (zh) | 一种大田玉米高通量叶夹角和叶倾角分布提取方法 | |
Kumar et al. | Analysis of apple plant leaf diseases detection and classification: A review | |
CN114266752A (zh) | 一种基于Faster R-CNN的小麦穗数识别方法、***和介质 | |
CN104657949A (zh) | 一种煤泥浮选泡沫图像去噪中结构元素优化的方法 | |
CN110428401B (zh) | 一种梨种质资源表型果点数据的测量与分析方法 | |
CN113935963B (zh) | 一种荔枝种胚发育程度的图像识别检测方法及*** | |
Padmavathi et al. | The role of image enhancement in citrus canker disease detection | |
CN114898364A (zh) | 一种葡萄的高效栽培方法及*** | |
CN115392311A (zh) | 基于变分模态分解的高效甘蔗茎节识别方法 | |
CN114937030A (zh) | 一种用于智慧农业种植生菜的表型参数计算方法 | |
CN113627329A (zh) | 基于混合卷积网络的小麦种子高光谱图像分类方法及*** | |
CN114049346A (zh) | 一种基于剪裁YOLOv3-SPP3的柑橘木虱检测与识别方法 | |
CN106651864A (zh) | 一种面向高分辨率遥感图像的分割方法 | |
Yan et al. | Identification and Location Method of Cherry Tomato Picking Point Based on Si-YOLO | |
CN111986149A (zh) | 一种基于卷积神经网络的植物病虫害检测方法 | |
CN114882291B (zh) | 基于高光谱图像像素块机器学习的籽棉地膜识别分类方法 | |
CN112434676B (zh) | 一种基于汇流累计量信息的体内静脉识别方法及装置 | |
CN110400327B (zh) | 一种基于改进pcnn的番茄植株夜间图像分割方法 |
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: 20210604 |