本发明涉及农业领域、计数领域，具体地，涉及一种基于轮廓信息多尺度分析的稻穗粒无损计数方法与系统。
背景技术：
在水稻育种研究中，水稻的表型性状对优质育种研究具有极其重要的作用。其中，每株在穗稻粒这一谷粒性状参数直接反应了水稻的产量大小。因此，实现对每株稻穗籽粒数进行准确、高效的计数，对水稻育种具有重要意义。现有的稻穗粒计数方法主要分为两种。一种是采用脱粒机构将稻穗粒从枝梗上脱下，再利用光电传感器进行计数，这种计数方式精度较高，但属于有损检测破坏了植株的完整性，且计数方式复杂不便于高通量的稻穗籽粒计数。另一种是采用整株图像的无损计数方法
当前无损在穗稻籽计数方法为面积法，其过程为：拍摄一幅稻穗图像；对图像预处理计算图像中稻穗的面积；在同等拍摄条件下拍摄多个稻穗粒，根据粒数计算每个稻穗粒的平均面积；利用图像中稻穗的总面积除以单个稻穗的平均面积得到总粒数。这种方式计数精度较差，没有考虑到稻穗粒之间的重叠情况而造成计算所得的稻穗粒数偏小，计数鲁棒性不好。当前较为流行的p-trap植物分析软件在此基础上，使用总面积除以单个面积乘以一个固定的修正系数来对稻穗粒进行修正。这种方法提高了计数精度，但仍然存在一些缺点，例如修正系数无法有效的确定，需要大量样本进行线性回归确定，且该修正系数为固定值无法根据稻穗粒之间不同程度的重叠而修改，造成计数精度不够高。
技术实现要素：
针对现有技术中的缺陷，本发明的目的是提供一种基于轮廓信息多尺度分析的稻穗粒无损计数方法与系统。
根据本发明提供的基于轮廓信息多尺度分析的稻穗粒无损计数方法，包含以下步骤：
轮廓波动频率获取步骤：获取参照稻穗在无重叠情况下构成的连通区域的参照轮廓波动频率f0，与实测稻穗构成的连通区域的计数轮廓波动频率f′；
稻穗粒数计算步骤：将频率比f′/f0作为修正系数，根据修正系数计算实测稻穗粒数。
优选地，轮廓波动频率获取步骤包含以下步骤：
图像预处理步骤：对样本图像进行处理，获得连通区域；
一维序列获取步骤：获取连通区域的主轴，计算连通区域外轮廓点到主轴的距离，获得关于距离的一维序列；
轮廓波动频率计算步骤：对一维序列进行连续小波变换，计算获得连通区域的轮廓波动频率；所述轮廓波动频率包含参照轮廓波动频率f0与计数轮廓波动频率f′。
优选地，图像预处理步骤包含以下任一个或任多个步骤：
灰度化与二值化处理步骤：将样本图像中的稻穗图像从背景中分离；
圆检测处理步骤：去除样本图像中的圆形磁铁图像；
腐蚀与膨胀处理步骤：去除样本图像中的稻穗枝梗图像；
孔洞填充处理步骤：填充稻穗图像中分割不完全的孔洞。
优选地，所述一维序列获取步骤包含以下步骤：
主轴计算步骤：根据如下公式求取连通区域的协方差矩阵a：
x＝{(x1,y1),(x2,y2),...,(xm,ym)}
式中：m为连通区域上外轮廓坐标点的个数；
x为连通区域上外轮廓坐标点的坐标序列；
e(x)为连通区域上外轮廓坐标点在两个坐标方向上的平均值；
(x-e(x))t表示求取(x-e(x))的转置矩阵；
(xm,ym)为连通区域上第m个外轮廓坐标点；
根据如下公式对协方差矩阵a进行特征值分解，获得特征值与特征向量矩阵：
a＝qλq-1
式中：q为协方差矩阵a的特征向量所组成的特征向量矩阵；
λ为由矩阵a的所有特征值组成大小为m×m的对角阵；
q-1表示求取q的逆矩阵；
根据如下公式求取主轴l的直线表达式：
q1(1)×(y-yc)＝q1(2)×(x-xc)
式中：q1为矩阵q的第一列构成的向量；
q1(1)为二维向量q1的第一个元素；
y为l上任一点的纵坐标；
yc为连通区域上所有外轮廓点的纵坐标的平均值，
q1(2)为二维向量q1的第二个元素；
x为主轴l上任一点的横坐标；
xc为连通区域上所有外轮廓点的横坐标的平均值，
一维轮廓序列计算步骤：将l转化为c1x+c2y+c3＝0的表达形式，再根据如下公式计算一维轮廓序列：
式中：s(k)为第k个外轮廓坐标点到主轴l的距离，k＝1,2,...,m；
c1、c2、c3为主轴l的直线表达式c1x+c2y+c3＝0中的三个系数；
xk为连通区域上第k个外轮廓坐标点的横坐标；
yk为连通区域上第k个外轮廓坐标点的纵坐标；
外轮廓上所有坐标点到主轴l的距离构成一维轮廓序列s＝{s(1),s(2),...,s(m)}。
优选地，所述轮廓波动频率计算步骤包含以下步骤：
对一维轮廓序列s的进行连续小波变换获得时间t、频率f下的第一小波系数矩阵w(t,f)与相应的第一频率序列f；根据第一频率序列f设定小波重构频段带；
根据设定的小波重构频段带对s进行小波重构得到重构序列s′，对s′进行连续小波变换得到时间t、频率f下的第二小波系数矩阵w′(t,f)和相应的第二频率序列f′；
按以下公式计算轮廓波动频率favg：
m(t)＝maxw′(t,f)，t＝1,2,...,m
式中：m(t)为w′(t,f)中每个时间点t上频率幅值的最大值；
max表示求最大值运算；
m为m(t)对应的频率幅值最大值向量；
f′idx(t)为m(t)对应在第二频率序列f′中的频率；
稻穗粒数计算步骤中，按以下公式计算实测稻穗粒数：
式中：n(a)为实测稻穗中第a个连通区域内稻穗粒数n；
m(a)为实测稻穗中第a个连通区域的面积；
m0为参照稻穗中单个稻穗的平均面积；
favg(a)为实测稻穗中第a个连通区域的计数轮廓波动频率；
p为实测稻穗中连通区域的个数，a＝1,2,...,p。
本发明还提供了一种基于轮廓信息多尺度分析的稻穗粒无损计数系统，包含以下模块：
轮廓波动频率获取模块：获取参照稻穗在无重叠情况下构成的连通区域的参照轮廓波动频率f0，与实测稻穗构成的连通区域的计数轮廓波动频率f′；
稻穗粒数计算模块：将频率比f′/f0作为修正系数，根据修正系数计算实测稻穗粒数。
优选地，轮廓波动频率获取模块包含以下模块：
图像预处理模块：对样本图像进行处理，获得连通区域；
一维序列获取模块：获取连通区域的主轴，计算连通区域外轮廓点到主轴的距离，获得关于距离的一维序列；
轮廓波动频率计算模块：对一维序列进行连续小波变换，计算获得连通区域的轮廓波动频率；所述轮廓波动频率包含参照轮廓波动频率f0与计数轮廓波动频率f′。
优选地，图像预处理模块包含以下任一个或任多个模块：
灰度化与二值化处理模块：将样本图像中的稻穗图像从背景中分离；
圆检测处理模块：去除样本图像中的圆形磁铁图像；
腐蚀与膨胀处理模块：去除样本图像中的稻穗枝梗图像；
孔洞填充处理模块：填充稻穗图像中分割不完全的孔洞。
优选地，所述一维序列获取模块包含以下模块：
主轴计算模块：根据如下公式求取连通区域的协方差矩阵a：
x＝{(x1,y1),(x2,y2),...,(xm,ym)}
式中：m为连通区域上外轮廓坐标点的个数；
x为连通区域上外轮廓坐标点的坐标序列；
e(x)为连通区域上外轮廓坐标点在两个坐标方向上的平均值；
(x-e(x))t表示求取(x-e(x))的转置矩阵；
(xm,ym)为连通区域上第m个外轮廓坐标点；
根据如下公式对协方差矩阵a进行特征值分解，获得特征值与特征向量矩阵：
a＝qλq-1
式中：q为协方差矩阵a的特征向量所组成的特征向量矩阵；
λ为由矩阵a的所有特征值组成大小为m×m的对角阵；
q-1表示求取q的逆矩阵；
根据如下公式求取主轴l的直线表达式：
q1(1)×(y-yc)＝q1(2)×(x-xc)
式中：q1为矩阵q的第一列构成的向量；
q1(1)为二维向量q1的第一个元素；
y为l上任一点的纵坐标；
yc为连通区域上所有外轮廓点的纵坐标的平均值，
q1(2)为二维向量q1的第二个元素；
x为主轴l上任一点的横坐标；
xc为连通区域上所有外轮廓点的横坐标的平均值，
一维轮廓序列计算模块：将l转化为c1x+c2y+c3＝0的表达形式，再根据如下公式计算一维轮廓序列：
式中：s(k)为第k个外轮廓坐标点到主轴l的距离，k＝1,2,...,m；
c1、c2、c3为主轴l的直线表达式c1x+c2y+c3＝0中的三个系数；
xk为连通区域上第k个外轮廓坐标点的横坐标；
yk为连通区域上第k个外轮廓坐标点的纵坐标；
外轮廓上所有坐标点到主轴l的距离构成一维轮廓序列s＝{s(1),s(2),...,s(m)}。
优选地，所述轮廓波动频率计算模块包含以下模块：
对一维轮廓序列s的进行连续小波变换获得时间t、频率f下的第一小波系数矩阵w(t,f)与相应的第一频率序列f；根据第一频率序列f设定小波重构频段带；
根据设定的小波重构频段带对s进行小波重构得到重构序列s′，对s′进行连续小波变换得到时间t、频率f下的第二小波系数矩阵w′(t,f)和相应的第二频率序列f′；
按以下公式计算轮廓波动频率favg：
m(t)＝maxw′(t,f)，t＝1,2,...,m
式中：m(t)为w′(t,f)中每个时间点t上频率幅值的最大值；
max表示求最大值运算；
m为m(t)对应的频率幅值最大值向量；
f′idx(t)为m(t)对应在第二频率序列f′中的频率；
稻穗粒数计算模块中，按以下公式计算实测稻穗粒数：
式中：n(a)为实测稻穗中第a个连通区域内稻穗粒数n；
m(a)为实测稻穗中第a个连通区域的面积；
m0为参照稻穗中单个稻穗的平均面积；
favg(a)为实测稻穗中第a个连通区域的计数轮廓波动频率；
p为实测稻穗中连通区域的个数，a＝1,2,...,p。
与现有技术相比，本发明具有如下的有益效果：
1、与有损脱粒式的稻穗计数方法相比，本发明计算速度快，计数精度相当，操作简单只需拍摄一张图片即可，无需进行脱粒操作，不会破坏一株稻穗的完整性，能够满足高通量稻穗籽粒计数需求。
2、与无损式面积法相比，本发明计数精度高，充分利用了稻穗边缘轮廓的抖动信息，利用抖动频率表征稻穗粒之间的重叠程度，有效的对稻穗籽粒数进行了修正，计数精度高，鲁棒性强。
3、本发明采用多尺度分析，能进行多个尺度的分析，因为某种无法检测的特性可能在另一种分辨率下能很容易检测到。
4、本发明采用小波分析，可以同时观察频率和时间轴，在频率高时有较好的时间分辨率，在频率低时有较好的频率分辨率。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明提供的基于轮廓信息多尺度分析的稻穗粒无损计数方法流程图；
图2为实测稻穗样本拍摄图像；
图3为实测稻穗样本拍摄图像预处理后的图像；
图4为主轴位置示意图；
图5为无重叠的稻穗粒二值图片；
图6为参照稻穗连通区域外轮廓序列的波形以及经过8-16hz重构后的波形；
图7为参照稻穗重构前轮廓序列时频图；
图8为参照稻穗重构后轮廓序列时频图；
图9为本发明对50组稻穗籽粒数计数结果与实际结果统计对比表。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
在本发明的描述中，需要理解的是，术语“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和简化描述，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。
本发明提供了一种基于轮廓信息多尺度分析的稻穗粒无损计数系统，包含以下模块：轮廓波动频率获取模块：获取参照稻穗在无重叠情况下构成的连通区域的参照轮廓波动频率f0，与实测稻穗构成的连通区域的计数轮廓波动频率f′；稻穗粒数计算模块：将频率比f′/f0作为修正系数，根据修正系数计算实测稻穗粒数。
轮廓波动频率获取模块包含以下模块：图像预处理模块：对样本图像进行处理，获得连通区域；一维序列获取模块：获取连通区域的主轴，计算连通区域外轮廓点到主轴的距离，获得关于距离的一维序列；轮廓波动频率计算模块：对一维序列进行连续小波变换，计算获得连通区域的轮廓波动频率；所述轮廓波动频率包含参照轮廓波动频率f0与计数轮廓波动频率f′。
图像预处理模块包含以下任一个或任多个模块：灰度化与二值化处理模块：将样本图像中的稻穗图像从背景中分离；圆检测处理模块：去除样本图像中的圆形磁铁图像；腐蚀与膨胀处理模块：去除样本图像中的稻穗枝梗图像；孔洞填充处理模块：填充稻穗图像中分割不完全的孔洞。
所述一维序列获取模块包含以下模块：主轴计算模块：根据如下公式求取连通区域的协方差矩阵a：
x＝{(x1,y1),(x2,y2),...,(xm,ym)}
式中：m为连通区域上外轮廓坐标点的个数；x为连通区域上外轮廓坐标点的坐标序列；e(x)为连通区域上外轮廓坐标点在两个坐标方向上的平均值；(x-e(x))t表示求取(x-e(x))的转置矩阵；(xm,ym)为连通区域上第m个外轮廓坐标点；根据如下公式对协方差矩阵a进行特征值分解，获得特征值与特征向量矩阵：
a＝qλq-1
式中：q为协方差矩阵a的特征向量所组成的特征向量矩阵；λ为由矩阵a的所有特征值组成大小为m×m的对角阵；q-1表示求取q的逆矩阵；根据如下公式求取主轴l的直线表达式：
q1(1)×(y-yc)＝q1(2)×(x-xc)
式中：q1为矩阵q的第一列构成的向量；q1(1)为二维向量q1的第一个元素；y为l上任一点的纵坐标；yc为连通区域上所有外轮廓点的纵坐标的平均值，
一维轮廓序列计算模块：将l转化为c1x+c2y+c3＝0的表达形式，再根据如下公式计算一维轮廓序列：
式中：s(k)为第k个外轮廓坐标点到主轴l的距离，k＝1,2,...,m；c1、c2、c3为主轴l的直线表达式c1x+c2y+c3＝0中的三个系数；xk为连通区域上第k个外轮廓坐标点的横坐标；yk为连通区域上第k个外轮廓坐标点的纵坐标；外轮廓上所有坐标点到主轴l的距离构成一维轮廓序列s＝{s(1),s(2),...,s(m)}。
所述轮廓波动频率计算模块包含以下模块：对一维轮廓序列s的进行连续小波变换获得时间t、频率f下的第一小波系数矩阵w(t,f)与相应的第一频率序列f；根据第一频率序列f设定小波重构频段带；根据设定的小波重构频段带对s进行小波重构得到重构序列s′，对s′进行连续小波变换得到时间t、频率f下的第二小波系数矩阵w′(t,f)和相应的第二频率序列f′；按以下公式计算轮廓波动频率favg：
m(t)＝maxw′(t,f)，t＝1,2,...,m
式中：m(t)为w′(t,f)中每个时间点t上频率幅值的最大值；max表示求最大值运算；m为m(t)对应的频率幅值最大值向量；f′idx(t)为m(t)对应在第二频率序列f′中的频率；稻穗粒数计算模块中，按以下公式计算实测稻穗粒数：
式中：n(a)为实测稻穗中第a个连通区域内稻穗粒数n；m(a)为实测稻穗中第a个连通区域的面积；m0为参照稻穗中单个稻穗的平均面积；favg(a)为实测稻穗中第a个连通区域的计数轮廓波动频率；p为实测稻穗中连通区域的个数，a＝1,2,...,p。
如图1所示，本发明还提供了一种基于轮廓信息多尺度分析的稻穗粒无损计数方法，包含以下步骤：轮廓波动频率获取步骤：获取参照稻穗在无重叠情况下构成的连通区域的参照轮廓波动频率f0，与实测稻穗构成的连通区域的计数轮廓波动频率f′；稻穗粒数计算步骤：将频率比f′/f0作为修正系数，根据修正系数计算实测稻穗粒数。
轮廓波动频率获取步骤包含以下步骤：图像预处理步骤：对样本图像进行处理，获得连通区域；一维序列获取步骤：获取连通区域的主轴，计算连通区域外轮廓点到主轴的距离，获得关于距离的一维序列；轮廓波动频率计算步骤：对一维序列进行连续小波变换，计算获得连通区域的轮廓波动频率；所述轮廓波动频率包含参照轮廓波动频率f0与计数轮廓波动频率f′。
图像预处理步骤包含以下任一个或任多个步骤：灰度化与二值化处理步骤：将样本图像中的稻穗图像从背景中分离；圆检测处理步骤：去除样本图像中的圆形磁铁图像；腐蚀与膨胀处理步骤：去除样本图像中的稻穗枝梗图像；孔洞填充处理步骤：填充稻穗图像中分割不完全的孔洞。
所述一维序列获取步骤包含以下步骤：主轴计算步骤：根据如下公式求取连通区域的协方差矩阵a：
x＝{(x1,y1),(x2,y2),...,(xm,ym)}
式中：m为连通区域上外轮廓坐标点的个数；x为连通区域上外轮廓坐标点的坐标序列；e(x)为连通区域上外轮廓坐标点在两个坐标方向上的平均值；(x-e(x))t表示求取(x-e(x))的转置矩阵；(xm,ym)为连通区域上第m个外轮廓坐标点；根据如下公式对协方差矩阵a进行特征值分解，获得特征值与特征向量矩阵：
a＝qλq-1
式中：q为协方差矩阵a的特征向量所组成的特征向量矩阵；λ为由矩阵a的所有特征值组成大小为m×m的对角阵；q-1表示求取q的逆矩阵；根据如下公式求取主轴l的直线表达式：
q1(1)×(y-yc)＝q1(2)×(x-xc)
式中：q1为矩阵q的第一列构成的向量；q1(1)为二维向量q1的第一个元素；y为l上任一点的纵坐标；yc为连通区域上所有外轮廓点的纵坐标的平均值，
一维轮廓序列计算步骤：将l转化为c1x+c2y+c3＝0的表达形式，再根据如下公式计算一维轮廓序列：
式中：s(k)为第k个外轮廓坐标点到主轴l的距离，k＝1,2,...,m；c1、c2、c3为主轴l的直线表达式c1x+c2y+c3＝0中的三个系数；xk为连通区域上第k个外轮廓坐标点的横坐标；yk为连通区域上第k个外轮廓坐标点的纵坐标；外轮廓上所有坐标点到主轴l的距离构成一维轮廓序列s＝{s(1),s(2),...,s(m)}。
所述轮廓波动频率计算步骤包含以下步骤：对一维轮廓序列s的进行连续小波变换获得时间t、频率f下的第一小波系数矩阵w(t,f)与相应的第一频率序列f；根据第一频率序列f设定小波重构频段带；根据设定的小波重构频段带对s进行小波重构得到重构序列s′，对s′进行连续小波变换得到时间t、频率f下的第二小波系数矩阵w′(t,f)和相应的第二频率序列f′；按以下公式计算轮廓波动频率favg：
m(t)＝maxw′(t,f)，t＝1,2,...,m
式中：m(t)为w′(t,f)中每个时间点t上频率幅值的最大值；max表示求最大值运算；m为m(t)对应的频率幅值最大值向量；f′idx(t)为m(t)对应在第二频率序列f′中的频率；稻穗粒数计算步骤中，按以下公式计算实测稻穗粒数：
式中：n(a)为实测稻穗中第a个连通区域内稻穗粒数n；m(a)为实测稻穗中第a个连通区域的面积；m0为参照稻穗中单个稻穗的平均面积；favg(a)为实测稻穗中第a个连通区域的计数轮廓波动频率；p为实测稻穗中连通区域的个数，a＝1,2,...,p。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
优选实施方式：
图2为对实测稻穗进行拍摄获得的图像，图像预处理步骤包含灰度化、二值化、圆检测、腐蚀和膨胀以及孔洞填充处理。灰度化处理和二值化处理可将稻穗图像从背景中分割出来，圆检测用于检测和去除图中黑色圆形磁铁，腐蚀和膨胀处理用于去除图中稻穗的枝梗，孔洞填充用于填充稻穗中分割不完全的孔洞。经过上述处理后得到的二值图像结果如图3所示，图中共有22个连通区域。经过实测稻穗经一维序列获取步骤后获得的连通区域中的主轴如图4所示。
实验中随机选取了175颗稻穗粒，将其整齐摆放并在上述拍摄条件下进行拍摄，将图片转化为灰度图后利用ostu法对其进行二值化处理，并进行非目标物体的去除，最后计算175个连通区域的总像素个数，取其均值即为单个稻穗粒的平均面积。最终计算的平均每粒稻穗所占的像素点个数为m0＝2670.27个。为得到在完全没有重叠的理想情况下参照稻穗边缘轮廓的主频率，本文将多颗不重叠的单颗稻穗粒沿一条直线摆放在一起，并使用ostu算法对其进行二值化处理，所得到的图像如图5所示。根据参照稻穗中每个连通区域的主轴l0及其外轮廓坐标点x0，计算xa到直线的距离得到序列s0(k)。s0(k)的波形图如图6所示。对一维轮廓序列s0＝{s(1),s(2),...,s(m)}进行连续小波变换，取采样频率为1000hz并使用时间带宽乘积为60、3阶对称‘morlet’小波，所得到的时频图如图7所示。经过连续小波变换可得到小波系数矩阵w(t,f)以及相应的频率序列f。观察到：在无重叠的情况下，稻穗粒边缘的波动频率8hz至16hz之间。因此在8hz至16hz区间对序列进行小波重构，得到轮廓序列主要波动信息s′，如图8所示。经过重构后的轮廓序列能有效反应出每个稻穗粒边缘的波动信息。轮廓波动频率计算步骤后，计算所得到的理想情况下稻穗边缘抖动的平均频率f0为10.5595hz。
对实测稻穗的图像进行预处理并得到每个连通区域的一维轮廓序列sa(k),a＝1,2,...,p，p为图像中连通区域的个数。对sa(k)进行一维连续小波变换，考虑到重叠后稻穗粒边缘轮廓的抖动频率一定会大于理想情况下无重叠的稻穗边缘的抖动频率，因此取频率f0至64hz为小波重构频段带，其中f0为无重叠情况下稻穗粒边缘轮廓的波动频率。对sa(k)在f0至64hz进行小波重构得到新序列s′a(k)，再对s′a(k)进行连续小波变换得到小波系数矩阵w′(t,f)和相应的频率序列f′，根据w′(t,f)和f′计算实测稻穗第a个连通区域稻穗边缘轮廓的平均频率favg(a)。最后根据稻穗粒数计算步骤中的公式计算各个连通区域的稻穗籽粒数，并对p个连通区域的稻穗籽粒数进行求和。
依据上述基于轮廓信息多尺度分析的稻穗粒无损计数方法流程，进行了50组稻穗籽粒数计数实验。实验样本的稻穗品种为梗稻，产地来自江苏沐县。计算结果如图9所示。经过稻穗边缘轮廓小波频率比当做修正系数的稻穗籽粒数计数方法的平均计数精度为93.91％。计数精度满足实际需求。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。