，以使 不同大小的区域得到相同维度的特征； (3.4)语义标注，将（3.3)得到的特征向量送入到SVM分类模型中，为每个Region^ 行语义标注，最后得到雄穗的精细化分割结果TasselSegmenti，所述SVM分类模型也由历史 样本图像通过训练学习得到； (4)性状特征映射步骤，根据（2)和（3)的识别结果计算雄穗的一系列性状特征，具体 包括： (4. 1)长度性状与宽度性状，根据分割结果TasselSegmenti计算其外接椭圆的长短轴 像素数，用来表示雄穗的长度Length与宽度Widthi; (4. 2)周长性状，对分割结果TasselSegmenti进行边缘提取，然后用边缘像素数表示雄 穗的周长Perimeteri; (4. 3)直径性状，计算与有相同像素面积的圆的等效直径表示雄穗 的直径Diametei^; (4. 4)穗色性状，计算TasselSegmenti对应区域的RGB图像像素均值得到表示穗色的TasselColori； (4. 5)分枝数性状，先对行形态学细化操作提取骨架，然后提取骨架 的末端点（EndPoints)，用末端点数表示雄穗的分枝数NumBranchesi; (4. 6)总穗数性状，通过目标检测的结果，得到总穗数性状NumTassels。
2.如权利要求1所述的方法，其特征在于，所述步骤（1)中显著性颜色模型I(S，L，C)=U?max(0,W?I(R，G，B) +b)中的参数U，W和b训练方法包括： (a) 非监督特征学习，首先获取若干张含有雄穗的玉米历史图像，然后将像素的RGB颜 色特征送到自编码器样式的重构模型中进行特征学习，自编码器样式的重构模型具体为， 对输入特征进行一种非线性变换以得到其稀疏的特征表达，然后从这种稀疏表达重构出原 始的输入特征，中层特征P的表达式为：
特征学习的过程即通过优化目标函数来获取参数矩阵W和b的过程，首先，通过前向传 播，由I(R，G，B)得到，然后再由供重构出J)，使其与原始I(R，G，B)的误差达到最 小，目标函数的表达式为：
其中，n表示用于学习的像素数量，I(R，G，B)表示原始像素值，以/?,(7,句表示重构模 型输出的像素值； (b) 监督式度量学习，首先需要获取一些带标签的样本，即只包含雄穗的样本与只包含 背景的样本，并将所有带标签样本送入（1.la)步骤中已训练的重构模型中获得非线性的 特征向量，然后随机抽取特征向量对构成度量学习的训练样本，如果选取的一对特征向量 属于同一类，则标记为正样本，否则为负样本，参数矩阵U的学习过程通过优化以下目标函 数来获得，目标函数的表达式为：
其中，奶和灼表示从步骤（1.la)中获得的一对中层特征，而b为一个通过学习得到的 常数。
3. 如权利要求1或2所述的方法，其特征在于，所述步骤（1. 3)中使用高通滤波器进行 自适应滤波，其截止频率4设置为单侧置信区间的下限：
其中，^表示像素面积的均值估计值，s表示像素面积的标准差估计值，n表示自由度， 即连通区域的个数，ta (n-1)表示置信度为a，自由度为n-1时的学生分布的取值。
4. 如权利要求1或2所述的方法，其特征在于，所述步骤（2. 2)中利用费舍尔向量编码 方法对（2.1)中提取的颜色特征、轮廓特征以及纹理特征分别进行编码，获得描述能力更 强的中层特征描述，其中费舍尔向量的表达式为：
其中，表示编码后的费舍尔向量，U是归一化矩阵，▽a表示梯度向量，A表示统 计量的类型，ux表示学习得到的混合高斯模型，X为步骤（2.1)中获得的颜色特征，轮廓特 征以及纹理特征。
5. 如权利要求1或2所述的方法，其特征在于，所述步骤（2. 3)中的支撑向量机的训练 过程为： 所述支撑向量机模型构成了一个组合级联分类器，首先准备经过人工标注的雄穗图 像样本与背景图像样本，然后利用步骤（2.1)中的方法分别对每一个图像样本的显著性颜 色空间中的每个通道依次提取颜色直方图、梯度方向直方图以及局部二值模式这些表示颜 色、轮廓与纹理的视觉描述特征，然后利用步骤（2. 2)中的方法对利用步骤（2. 1)的方法提 取的图像样本的颜色直方图特征、HOG特征以及LBP特征分别进行编码，获得描述能力更强 的中层特征描述；然后对利用步骤（2.2)中的方法提取的中层颜色特征训练第一个SVM分 类器，对中层轮廓特征训练第二个SVM分类器，对中层纹理特征训练第三个SVM分类器，这 是第一级的分类器训练；之后需要融合三个分类器的输出结果，将第一级的三个分类器输 出的得分值作为特征再训练第二级SVM分类器；最后获得四个分类器的权值向量。
6. 如权利要求1或2所述的方法，其特征在于，所述步骤（3. 3)中的池化具体为： 对于颜色特征和位置特征通过平均池化，即计算对应区域的颜色均值以及质心位置分 别作为区域的颜色特征和位置特征； 对于纹理特征通过二阶池化，二阶池化的表达式为：
其中，Gavg表示池化后的区域特征，L表示第j个区域，xi表示纹理特征的第i维特征， |FKJ|表示&区域中的特征总数。
7. 如权利要求1或2所述的方法，其特征在于，所述步骤（3. 4)中的SVM分类模型的训 练方式为： 在获取了一些人为分割好的雄穗的图像样本以及背景图像样本后，利用步骤（3.1)的 方法提取颜色特征、纹理特征以及位置特征；利用步骤（3.3)的方法对上述颜色特征、纹理 特征以及位置特征分别进行池化；最后将上述经过池化后提取的区域特征送入SVM模型进 行训练，获得模型参数。
8. 如权利要求1或2所述的方法，其特征在于，所述步骤（1. 2)中Ti的取值范围为 [100, 150]〇
9. 如权利要求1或2所述的方法，其特征在于，所述步骤（1.4)中T2的取值范围为 [2, 4]。
10. 如权利要求1或2所述的方法，其特征在于，所述步骤（3. 2)中C的取值范围为 [3, 6]。
【专利摘要】本发明公开了一种玉米雄穗性状的自动检测方法，该方法首先对所采集的田间玉米下视图像进行目标性检测，生成雄穗候选框以获得雄穗潜在区域，随后通过多视角图像特征以及费舍尔向量编码方法对雄穗进行特征描述以及目标检测，从而对雄穗所属区域进行确认，同时在检测结果的基础上利用语义分割进一步完成雄穗精细形态的分割，最后建立了图像特征与长度性状、宽度性状、周长性状、直径性状、穗色性状、分枝数性状以及总穗数性状七种具有物理意义的生物量之间的映射关系。本发明方法能实时地对玉米雄穗的生长状态进行连续监测，检测结果准确率高，对玉米的生殖生长研究、玉米基因学与遗传学研究以及产量估计都具有重要的意义。
【IPC分类】G06K9-54, G06K9-62
【公开号】CN104573701
【申请号】CN201410722382
【发明人】曹治国, 陆昊, 肖阳, 方智文, 朱延俊, 朱磊, 李亚楠, 叶梦妮
【申请人】华中科技大学
【公开日】2015年4月29日
【申请日】2014年12月2日