CN113570538B - 一种叶片rgb图像偏态分布参数信息采集及分析方法 - Google Patents
一种叶片rgb图像偏态分布参数信息采集及分析方法 Download PDFInfo
- Publication number
- CN113570538B CN113570538B CN202010350189.2A CN202010350189A CN113570538B CN 113570538 B CN113570538 B CN 113570538B CN 202010350189 A CN202010350189 A CN 202010350189A CN 113570538 B CN113570538 B CN 113570538B
- Authority
- CN
- China
- Prior art keywords
- blade
- image
- color
- parameters
- distribution
- 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.)
- Active
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 64
- 238000004458 analytical method Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000003491 array Methods 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 9
- 229930002875 chlorophyll Natural products 0.000 claims description 7
- 235000019804 chlorophyll Nutrition 0.000 claims description 7
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims 1
- 238000000691 measurement method Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 20
- 241000208125 Nicotiana Species 0.000 abstract description 9
- 235000002637 Nicotiana tabacum Nutrition 0.000 abstract description 9
- 241000196324 Embryophyta Species 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000013488 ordinary least square regression Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 235000011299 Brassica oleracea var botrytis Nutrition 0.000 description 2
- 240000003259 Brassica oleracea var. botrytis Species 0.000 description 2
- 238000001727 in vivo Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 240000007124 Brassica oleracea Species 0.000 description 1
- 235000003899 Brassica oleracea var acephala Nutrition 0.000 description 1
- 235000011301 Brassica oleracea var capitata Nutrition 0.000 description 1
- 235000017647 Brassica oleracea var italica Nutrition 0.000 description 1
- 235000001169 Brassica oleracea var oleracea Nutrition 0.000 description 1
- 235000007340 Hordeum vulgare Nutrition 0.000 description 1
- 240000005979 Hordeum vulgare Species 0.000 description 1
- 240000008415 Lactuca sativa Species 0.000 description 1
- 235000003228 Lactuca sativa Nutrition 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开了一种叶片RGB图像偏态分布参数信息采集及分析方法,采用Photoshop软件对数码相机采集到的叶片进行切割并去噪后,采用MATLAB软件对Red,Green,Blue通道及灰度图像的叶色色阶分布情况进行偏态分析并提取相关参数,采用烟草单叶叶色偏态分布参数构建与SPAD值的非线性关联模型,并将其与传统参数传统方法所构建的回归模型进行比较,进而验证偏态分析方法在叶色‑生理指标预测中的可行性及优越性。本发明基于叶片RGB模型的色阶分布为偏态分布所提取的偏态分布参数极大丰富了RGB模型的信息量,可以从叶色深浅和分布均一性两个方面描述了叶色的变化状况,提升了对个体性状描述及模型预测的精准度。
Description
技术领域
本发明涉及植物叶片图像信息领域,尤其涉及一种叶片RGB图像偏态分布参数信息采集及分析方法。
背景技术
随着数字图像技术的日益成熟及高分辨率摄像设备的普及,利用数码图像对植物外观表型性状进行定性和定量描述的研究越来越多。数码相机可以记录可见波段的光谱信息,分辨率高,成本低。此外,数码静态彩色图像包含大量植物形态结构和叶色的信息,因此常被应用于鉴定叶色的变化。
数码彩色图像最为常用的分析方法是RGB颜色模型。其他方法(如:HSV颜色模型、Texture Analysis)也是通过RGB的数据进行转化。在RGB颜色模型中,可以使用每个像素的三个颜色传感器分别捕获红、绿、蓝光谱中的光线强度,从而描述物体图像中任何像素的颜色,这些参数都可以利用现有的软件,如 (MathWorks Inc.)or Image J对数码图片处理得到。
将RGB用于叶片叶色的研究已经有很长的历史了。从1988年开始用RGB数据来测定叶绿素含量开始,经过几十年的发展,叶片的RGB数据在植物中的应用的还是集中在测定叶绿素的含量,以及跟叶绿素含量变化相关的指标上。为深入挖掘RGB数据的应用价值,研究人员提出了很多种衍生参数比如(R-B)/(R+B),G/(R+G+B),R/(R+G+B),G/R,R+G+B,R-B,R+B,R+G,log sig((G-R/3-B/3)/255)用于测定小麦、花椰菜、卷心菜、大麦、番茄、生菜和花椰菜中叶绿素的含量(Kawashima and Nakatani 1998;Adamsen et al.1999;Hu etal.2010;Cai et al.2006;Ali et al.2012).但是不论怎样将R、G、B三个均值参数进行组合,都无法改变信息量少的问题,这成为了RGB模型应用的瓶颈,极大地限制了它的应用范围。人们转而研究高光谱或多光谱。
现有RGB模型进行叶色分析有明显的局限性,主要体现在:1.传统的图像色阶分析方法是采用基于正态分布条件下对数据进行分析,这只是一种方便的近似取值的方法,并不能全面、真实的反映出叶色的分布情况。2.从RGB图像中所获取的信息太少,只有Red、Green、Blue三个通道的色阶均值,虽然有不少研究人员提出了这三个基层参数的多种组合参数,但无法解决他们在描述叶色变化的生理学意义。3、传统的研究一般采用逐步回归模型构建叶色-生理参数模型,但有些生理指标与叶色变化并不是线性相关的,采用这样的方法所构建的模型拟合度较差,预测精度不高。
发明内容
本发明的目的在于提供一种叶片RGB图像偏态分布参数信息采集及分析方法,以便在更准确描述叶色深度和均匀性的变化情况。
本发明所解决的技术问题可以采用以下技术方案来实现:
一种叶片RGB图像偏态分布参数信息采集及分析方法,包括如下步骤:
步骤一:叶片图像采集;
步骤二:叶片图像切割去噪:采用Adobe Photoshop CS软件对步骤二采集到的叶片图像进行预处理,去除背景后保存为PNG图像模式,并将图像分辨率调整为1000*1330;
步骤三:将步骤二中预处理过的图像运用MATLAB软件对彩色图像进行数据提取及分析,过程包括:1)不同色彩通道色阶数组建立,通过imread函数读取彩色图像,通过函数读取叶片彩色图像Red、Green、Blue三个通道及Gray图像色阶信息,通过double函数将色阶数组转化为双精度数组;2)单体叶片色阶累积直方图构建。运用imhist函数分别获取叶片彩色图像Red、Green、Blue三个通道及Gray图像色阶累积直方图;3)叶色偏态参数表建立,通过mean、median、mode、std、var、skewness、kurtosis函数分别分析获取叶片彩色图像Red、Green、Blue三个通道及Gray图像双精度数组的均值、中位数、众数、标准差、方差、偏度、峰度等参数、形成叶色偏态分布参数表。
优选的,还包括空间建模,将三通道、灰度图像的均值、中位数、众数、偏度、峰度20个参数为输入变量,SPAD值为因变量,运用MATLAB软件的Curve FittingTool中多项式拟合的构建SPAD值-叶色空间多项式模型。
优选的,步骤一所述的图像采集采用高分辨率数码相机,采集到的原始数字图像分辨率为3840*5120。
本发明采用Photoshop软件对数码相机采集到的叶片进行切割并去噪后,采用MATLAB软件对Red,Green,Blue通道及灰度图像的叶色色阶分布情况进行偏态分析并提取相关参数,采用烟草单叶叶色偏态分布参数构建与SPAD值的非线性关联模型,并将其与传统参数传统方法所构建的回归模型进行比较,进而验证偏态分析方法在叶色-生理指标预测中的可行性及优越性。本发明基于叶片RGB模型的色阶分布为偏态分布所提取的偏态分布参数极大丰富了RGB模型的信息量,可以从叶色深浅和分布均一性两个方面描述了叶色的变化状况,提升了对个体性状描述及模型预测的精准度。
附图说明
图1为实施例的叶色RGB色阶累积直方图。
图2为基于偏态参数的叶色-SPAD傅里叶拟合模型。
图3为基于偏态参数的叶色-SPAD空间高阶拟合模型。
具体实施方式
以下结合附图及具体实施例对本发明做详细描述,但本发明的实施方式不限于此。
以烟叶为例说明叶片RGB图像偏态分布参数信息采集及分析方法。
首先测量活体叶片SPAD值。选取不同叶龄(40d、50d、60d、65d)的烟草叶片,测量活体叶片SPAD值。本发明活体叶片SPAD值测定所采用的仪器为托普品牌手持式TYS-A叶绿素测定仪,测量前确保发射窗、接收窗清洁无异物沾染,并进行空白校准;测量过程采用五点测量法,分别测取每张叶片叶尖、叶片中心左右方位、叶柄左右方位共5个部位叶肉SPAD值,测量过程中确保样品完全覆盖接收窗,且避开叶脉只对叶肉组织进行测定。数据处理中,每个叶片SPAD值为所测量5个方位数据点的均值。
步骤一:叶片图像采集:将采摘下来的叶片用保鲜袋装好后立即送至室内进行图像采集,鲜叶离体时长<3min。图像采集采用高分辨率数码相机,采集到的原始数字图像分辨率为3840*5120。采集到的叶片叶色Red、Green、Blue three channels and Gray image的色阶累积直方图如图1所示。从图1中可以看出叶色RGB的色阶累积直方图均呈现偏态分布;不同叶龄、不同通道的分布直方图还表现出不同的偏离程度。
步骤二:叶片图像切割去噪:采用Adobe Photoshop CS软件对步骤一采集到的叶片图像进行预处理,去除背景后保存为PNG图像模式,并将图像分辨率调整为1000*1330。
步骤三:将步骤二中预处理过的图像运用MATLAB软件对彩色图像进行数据提取及分析,过程包括:1)不同色彩通道色阶数组建立。通过imread函数读取彩色图像,通过函数读取叶片彩色图像Red(红通道)、Green(绿通道)、Blue(蓝通道)三个通道及Gray(灰色)图像色阶信息,通过double函数将色阶数组转化为双精度数组。2)单体叶片色阶累积直方图构建。运用imhist函数分别获取叶片彩色图像Red、Green、Blue三个通道及Gray图像色阶累积直方图。3)叶色偏态参数表建立。通过mean、median、mode、std、var、skewness、kurtosis函数分别分析获取叶片彩色图像Red、Green、Blue三个通道及Gray图像双精度数组的均值、中位数、众数、标准差、方差、偏度、峰度等参数、形成叶色偏态分布参数表。
采用MATLAB软件统计工具箱中所提供的Lilliefors test、Jarque-Bera test函数对每一片叶片叶色的色阶分布情况进行Normal distribution test。结果表明,两种检查的正态假设H值均为1,即否定正态分布假设;而统计量分布概率检测显著性P值均为0.001<0.05,说明烟草叶片不同叶龄不同通道的叶色色阶分布均不符合正态分布,结合图1可以看出,叶色分布为偏态分布。
通过mean函数分别分析获取叶片彩色图像Red、Green、Blue三个通道双精度数组的均值,并将这三个基础数值按照R+G+B、R/(R+G+B)、G/(R+G+B)、B/(R+G+B)、R-G、R-B、G-B、R+G、R+B、B+G进行组合,形成三通道色阶均值及其组合参数表。
三通道、灰度图像的均值、中位数、众数、偏度、峰度20个参数为输入变量,SPAD值为因变量,运用MATLAB软件的Curve Fitting Tool中多项式拟合的构建SPAD值-叶色空间多项式模型。
基于偏态分布的植物叶色个体参数与SPAD关联模型建立和比较
用偏态分布的分析方法可以将叶色RGB模型的参数扩展到三通道及灰度图像的均值、中位数、众数、方差、标准差、偏度、峰度等参数。在叶色分布中,方差、标准差、偏度、峰度都代表叶色分布的均一性,由于方差、标准差反映的是数据离散程度,但受统计量的影响;而偏度、峰度是衡量数据集的分布形状参数,消除了统计量的影响,因此,在统计分析中,以三通道及灰度图像的均值、中位数、众数、偏度、峰度等20个参数为主要参数。取四个叶龄各50张叶片的SPAD值与三通道及灰度图像偏态分布参数进行单因素LSD方差分析后可以看出,不同叶龄间的叶片SPAD值及偏态分布参数间均存在显著差异,见表1。将这些叶片的SPAD值与传统研究所采用三通道均值及其组合参数进行相关分析后,得到表2,可以看出有12个参数与SPAD值在0.01水平呈现极显著相关,有1个在0.05水平呈现显著相关;而这些叶片的SPAD值与三通道及灰度图像偏态分布参数进行相关分析后可以得到表3,有17个偏态参数与SPAD值在0.01水平上呈现极显著相关。这说明叶绿素含量的变化与叶色变化高度相关,这种相关不仅表现在叶色深浅程度上,在数值上表现为与均值、中位数、众数关;也反映在叶色分布区域的不均匀性上,在数值上表现为与偏度相关。
表1不同叶龄烟草叶片叶色参数表(n=50)
表2三通道均值及其组合参数与SPAD值相关分析表
Note:**indicates significant correlation at the 0.01level(Two-tailed);*indicates significant correlation at the 0.05level(Two-tailed).Thesame below.
表3三通道及灰度图像偏态分布参数与叶片SPAD值相关分析表
在明确叶片SPAD值与叶色参数存在相关后,采用不同类型参数及模型构建方法,对所构建SPAD值-叶色模型在拟合优度及预测精度两方面进行比较。
1)在以往的研究中,一般采用表2的三通道均值及其组合参数作为叶色模型的输入变量,采用基于最小二乘法(Ordinary Least Square,OLS)的逐步回归方式构建关联模型。采用SPSS软件利用传统参数表2构建SPAD-叶色模型Y1:
Y1=59.733-0.304×X1
式中,Y1为叶片SPAD值,X1为叶片Red通道均值。
从中可以看出,在传统的叶色模型中,可用的输入变量只有Red、Green、Blue三个通道均值,其它10个参数都由这三个参数组合得来,因此,传统叶色模型的参数间存在较大的自相关。在本发明中,SPSS软件在逐步回归建模过程中并没有采用组合参数,最终构建的模型也只用到了Red通道的均值,且所构建模型Y1的R2较低,见表5,只有0.583。
2)进一步扩展参数范围,采用表3的偏态分布参数作为输入变量构建SPAD-叶色模型Y2:
Y2=76.134-0.441×X1-11.203×X2-1.516×X3
式中,Y2为叶片SPAD值,X1为叶片Red通道均值,X2为灰度图像偏度,X3为Green通道峰度。
从拟合优度中可以看出,Y2的R2为0.694,较Y1提升了19.04%,说明采用偏态参数所构建的模型优于传统的参数所构建的模型,能够更好的拟合SPAD值。
3)由于Y1和Y2均为线性模型,但是从表1——40d-65d烟草叶片SPAD值变化可以看出,SPAD值呈现先上升后下降的变化趋势。为更好反映出SPAD值与叶色变化之间的关联,建立傅里叶拟合模型Y3:
Y3=19.38+7.972×cos(1.314×X)-6.747×sin(1.314×X)
式中,Y3为叶片SPAD值,X为叶片Red通道中位数,拟合曲线如图2所示。
在本研究中,发现,SPAD值的变化不仅仅和叶色深浅相关,还和叶色分布不均有关,Y3模型只用到了一个反映叶色深浅的参数,不能完全拟合SPAD值的变化规imhist函数律,这个现象表现为Y3的R2优于Y1,劣于Y2。
3)通过表1可以看出,随着叶龄的增加,叶色的深浅参数(均值、中位数、众数)及分布参数(偏度、峰度)均发生了变化,且两者的变化大小、方向是不同步。用单一类型参数(如Y3只用Red通道中位数叶色深浅参数)的非线性函数无法完全拟合SPAD值的变化。结合Y2和Y3,运用叶色变化双向性(深浅和分布)的原理及SPAD值变化的非线性规律,构建了基于空间双向量的多项式拟合模型Y4:
Y4=0.3344+0.8709×x-177.3×y-0.005536×x2+2.876×x×y+8.515×y2-0.01227×x2×y-0.1398×x×y2+7.301×y3
式中,Y4为叶片SPAD值,x为叶片Red通道均值,y为叶片Red通道偏度,拟合曲面如图3所示。
从表4可以看出,Y4模型的R-square、Adiusted R-square、SSE、RMSE均优于其他模型,Y4的R2较传统的Y1模型提升了23.33%。为验证四个模型的预测精度,我们以同一时间采集的另外一批四种叶龄共168片叶片为对象进行模型验证。从表5可以看出,Y4模型预测精度高于其它模型,预测标准差优于其他模型,表明采用叶色变化双向性(叶色深浅变化和叶色分布变化)的空间多项式可以更好的模拟叶片SPAD变化情况。
表4 Model Goodness of fit判定
表5模型预测精确度分析表
Note:Predictive accuracy=(1-|predictivevalue-measuredvalue|/measured)*100%
从上述实施例可看出:
1、均使用基于OLS的逐步回归方法建立模型时,采用偏态分布参数所构建的模型Y2优于传统参数所构建的模型Y1;
2、均使用单一叶色深浅参数时,采用非线性模型Y3优于传统线性模型Y1;
3、结合Y2模型的多维参数特点(叶色深浅参数和叶色分布参数)及Y3模型的非线性模型优点所构建的空间多项式模型Y4拟合优度在四种模型中表现最优,预测精度也最高,说明叶色偏态分布条件下,必须从叶色深浅及叶色分布两个维度进行参数选择及模型构建才能更为全面地拟合及预测叶色SPAD值的变化规律。
本发明通过对不同叶龄不同通道的烟草鲜叶RGB模型的色阶分布直方图进行观测,结合的色阶数组的正态检验后发现,叶色色阶分布均呈现偏态分布。由此扩展了RGB模型的叶色参数,将基础数据从每个通道只有均值、方差、标准差3个参数扩展到均值、中位数、众数、标准差、方差、偏度、峰度7个参数,三个色彩通道加一个灰度图片合计共有28个参数。其中均值、中位数、众数为数值参数,可以定量描述叶色深浅的状态;而标准差、方差、偏度、峰度为离散参数,主要反映叶色分布的均一性。这样使得可以从叶色深浅和叶色分布两个方面对叶色状态进行精确定量描述。
由于叶片RGB模型的色阶分布为偏态分布,基于此所提取的偏态分布参数(均值、中位数、众数、偏度、峰度等)极大丰富了RGB模型的信息量。从叶色深浅和分布均一性两个方面描述了叶色的变化状况,提升了对个体性状描述及模型预测的精准度。
以上所述,仅是本发明较佳实施例而已,并非对本发明的技术范围作任何限制,故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰,仍属于本发明的保护范围。
Claims (2)
1.一种叶片RGB图像偏态分布参数信息采集及分析方法,包括如下步骤:
步骤一:选取若干不同叶龄的叶片,用叶绿素测定仪采用五点测量法获取叶片的SPAD值并计算单个叶片的SPAD均值,制作叶龄与SPAD均值的对应关系表,作为偏态分布参数的对比标准;
步骤二:叶片图像采集;
步骤三:叶片图像切割去噪:采用Adobe Photoshop CS软件对步骤二采集到的叶片图像进行预处理,去除背景后保存为PNG图像模式,并将图像分辨率调整为1000*1330;
步骤四:将步骤二中预处理过的图像运用MATLAB软件对彩色图像进行数据提取及分析,过程包括:1)不同色彩通道色阶数组建立,通过imread函数读取彩色图像,通过函数读取叶片彩色图像Red、Green、Blue三个通道及Gray图像色阶信息,通过double函数将色阶数组转化为双精度数组;2)单体叶片色阶累积直方图构建,运用imhist函数分别获取叶片彩色图像Red、Green、Blue三个通道及Gray图像色阶累积直方图;3)叶色偏态参数表建立,通过mean、median、mode、std、var、skewness、kurtosis函数分别分析获取叶片彩色图像Red、Green、Blue三个通道及Gray图像双精度数组的均值、中位数、众数、标准差、方差、偏度、峰度参数,形成叶色偏态分布参数表;
步骤五:将步骤四中的偏态分布参数表与步骤一中的叶龄与SPAD均值的对应关系表进行相关度分析;
步骤六:空间建模,将三通道、灰度图像的均值、中位数、众数、偏度、峰度20个参数为输入变量,SPAD值为因变量,运用MATLAB软件的CurveFitting Tool中多项式拟合构建SPAD值-叶色空间多项式模型。
2.根据权利要求1所述的一种叶片RGB图像偏态分布参数信息采集及分析方法,其特征在于:步骤二所述的图像采集采用高分辨率数码相机,采集到的原始数字图像分辨率为3840*5120。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010350189.2A CN113570538B (zh) | 2020-04-28 | 2020-04-28 | 一种叶片rgb图像偏态分布参数信息采集及分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010350189.2A CN113570538B (zh) | 2020-04-28 | 2020-04-28 | 一种叶片rgb图像偏态分布参数信息采集及分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113570538A CN113570538A (zh) | 2021-10-29 |
CN113570538B true CN113570538B (zh) | 2024-05-17 |
Family
ID=78158040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010350189.2A Active CN113570538B (zh) | 2020-04-28 | 2020-04-28 | 一种叶片rgb图像偏态分布参数信息采集及分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113570538B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022389B (zh) * | 2021-11-17 | 2022-08-09 | 河北农业大学 | 一种基于数码相机进行植物叶色等级判别的方法 |
CN116486969B (zh) * | 2023-06-25 | 2023-09-26 | 广东工业大学 | 基于遗传算法的材料最优相关性关系获取方法及应用 |
CN117853936B (zh) * | 2024-03-08 | 2024-05-31 | 山东省气候中心 | 小麦冠层图像的冻害识别方法、***、终端及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968793A (zh) * | 2012-11-20 | 2013-03-13 | 百年金海安防科技有限公司 | 基于dct域统计特性的自然图像与计算机生成图像的鉴别方法 |
CN109410232A (zh) * | 2018-09-26 | 2019-03-01 | 漳州市佰佳贸易有限公司 | 基于常规低分辨率摄像头对叶色特征值的提取方法 |
CN110400293A (zh) * | 2019-07-11 | 2019-11-01 | 兰州理工大学 | 一种基于深度森林分类的无参考图像质量评价方法 |
-
2020
- 2020-04-28 CN CN202010350189.2A patent/CN113570538B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968793A (zh) * | 2012-11-20 | 2013-03-13 | 百年金海安防科技有限公司 | 基于dct域统计特性的自然图像与计算机生成图像的鉴别方法 |
CN109410232A (zh) * | 2018-09-26 | 2019-03-01 | 漳州市佰佳贸易有限公司 | 基于常规低分辨率摄像头对叶色特征值的提取方法 |
CN110400293A (zh) * | 2019-07-11 | 2019-11-01 | 兰州理工大学 | 一种基于深度森林分类的无参考图像质量评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113570538A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11029251B2 (en) | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle | |
CN113570538B (zh) | 一种叶片rgb图像偏态分布参数信息采集及分析方法 | |
CN102495005B (zh) | 高光谱图像技术诊断作物水分亏缺的方法 | |
CN110763698B (zh) | 一种基于特征波长的高光谱柑橘叶片病害识别方法 | |
CN110132862B (zh) | 小麦赤霉病检测专属病情指数构建方法及其应用 | |
CN111968080A (zh) | 一种基于高光谱和深度学习的肥城桃内外品质检测方法 | |
AU2006264799B2 (en) | Method and device for analysing berries | |
CN109726705B (zh) | 红树林信息的提取方法、装置及电子设备 | |
CN109827957B (zh) | 一种基于计算机视觉的水稻叶片spad值估测方法及*** | |
CN108734205A (zh) | 一种针对不同品种小麦种子的单粒定点识别技术 | |
KR102095539B1 (ko) | 인삼의 영상 이미지 분석을 통한 생육량 측정 방법 | |
CN108520127A (zh) | 一种树种叶面积指数的高光谱反演方法 | |
CN115495703B (zh) | 一种基于机载多光谱数据的烟草成熟度检测方法及*** | |
CN113887493B (zh) | 一种基于id3算法的黑臭水体遥感影像识别方法 | |
CN113109240B (zh) | 一种计算机实施的粮食不完善粒测定方法和*** | |
CN111751376A (zh) | 一种基于冠层图像特征衍生的水稻氮素营养估算方法 | |
CN115015258A (zh) | 一种农作物长势与土壤水分关联确定方法及相关装置 | |
CN112488997B (zh) | 基于特征插值的古代绘画印刷品颜色复现检测和评价方法 | |
Li et al. | Modeling forest aboveground biomass by combining spectrum, textures and topographic features | |
CN114136445B (zh) | 一种提高无人机机载高光谱辐射校正精度的方法 | |
CN113469127B (zh) | 河流敏感性等级划分方法、装置、设备及存储介质 | |
CN115392305A (zh) | 基于改进时间卷积网络的土壤有机质含量高光谱建模方法 | |
CN111257854B (zh) | 一种通用的基于遥感影像分割单元的地形校正优化方法 | |
CN112001910A (zh) | 一种自动识别植株穗数的方法、装置、电子设备和存储介质 | |
CN117309780B (zh) | 土壤锗元素含量的确定方法 |
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 |