基于数字图像处理技术的单株水稻穗部籽粒数计数方法
【专利摘要】本发明公开了一种基于数字图像处理技术的单株水稻穗部籽粒数计数方法，该方法步骤包括：S1.建立水稻穗部特征参数与籽粒数间相关关系，穗部一次枝梗经平直化处理后，利用扫描仪获取穗部图像，并对穗部图像进行预处理；S2.对预处理后的穗部图像经数学形态学处理，去除结构元素小的部分；经孔洞填充操作，去杂全部非目标对象；S3.提取穗部图像籽粒部位面积和一次枝梗总长度特征参数；S4.建立穗部籽粒部位面积和一次枝梗总长度特征参数与籽粒数间数学模型；S5.验证穗部籽粒部位特征参数与籽粒数间的数学模型。本发明通过数字图像处理技术获取单株水稻穗部籽粒数的方法，能够准确迅速客观地计数出穗部籽粒数，提高穗部籽粒计数效率。
【专利说明】基于数字图像处理技术的单株水稻穗部籽粒数计数方法
【技术领域】
[0001]本发明涉及到一种采用数字图像处理技术实现单株水稻穗部籽粒数计数的方法。【背景技术】
[0002]水稻穗部籽粒数就是水稻成熟时穗部所有籽粒的数量。
[0003]水稻生产过程中的最终产量始终是农业生产者最为关注的事情。为便于水稻生产和产后的加工管理，尽早估测水稻田间产量已成为生产者和农业管理部门的迫切需要。而水稻田间产量估测需要先准确获得成熟稻穗的籽粒数量。同时为加速水稻育种和栽培管理工作，农学育种和栽培专家进行实验室考种时，也希望快速获得水稻穗部籽粒数量。在稻穗籽粒数计数的基础上，根据水稻千粒重和其他相关参数，从而快速准确地获得水稻产量。
[0004]现阶段农业理论测产方法如下:直播和抛秧稻每点取I平方米以上调查有效穗数；取平均穗数左右的稻株2?3穴(不少于50穗)调查穗粒数、结实粒。
[0005]理论产量根据以下公式计算:理论产量(公斤)=亩有效穗(穗)X穗粒数(粒)x结实率) X千粒重(克)X10-6X85%。
[0006]由此可知，水稻穗部籽粒数是理论产量测量的重要参数之一，但现阶段水稻穗部籽粒数都是通过人工计数方法获得，这种计数方法费时、费力，在计数过程中同样存在一定的误差，不同的测产技术人员可能获得不同的结果，受主观性影响较大，存在准确性和可重复性差等缺点。
[0007]因此研制一种快速准确的机器计数水稻穗部籽粒数具有现实意义，要实现机器计数水稻穗部籽粒数的关键在于，确定水稻穗部籽粒数的自动计数的方法。在准确获得水稻穗部籽粒数的基础上，根据水稻籽粒的千粒重和亩穗数获得水稻的亩产量。水稻穗部籽粒数与水稻穗部籽粒部位一次枝梗总长度和面积等特征参数密切相关，为本发明采用数字图像处理技术获得水稻穗部籽粒数数提供理论依据。
【发明内容】
[0008](一 )要解决的技术问题
[0009]本发明要解决的技术问题是:寻找建立水稻穗部特征参数与其穗部籽粒数之间相应的固有特性相关关系，为采用数字图像处理技术计数出水稻穗部籽粒数提供理论依据，基于数字图像处理方法得到水稻穗部籽粒部位所在区域的面积和一次枝梗总长度，建立穗部籽粒部位区域面积和一次枝梗总长度与其穗部籽粒数之间的相关关系。
[0010](二)技术方案
[0011]为实现上述目的，本发明提供了一种水稻穗部籽粒数的计数方法，该方法包括步骤:
[0012]S1.水稻穗部一次枝梗的平直化处理与图像预处理的具体步骤包括:测量水稻穗部相关特征参数，并建立水稻穗部特征参数与其穗部籽粒数之间相关关系，水稻穗部一次枝梗人工平直化处理、图像获取、灰度化处理和二值化处理，其中水稻穗部图像预处理包括灰度化处理和二值化处理两个步骤。
[0013]S1.1测量水稻穗部籽粒部位一次枝梗总长度特征参数，并建立水稻穗部一次枝梗总长度特征参数与其穗部籽粒数之间相关关系，为采用用数字图像处理技术计数出水稻穗部籽粒数提供理论依据。
[0014]S1.2在采集水稻穗部图像前需人工对穗部所有一次枝梗分开，并且使一次枝梗处于平直状态，从而保证水稻穗部图像一次枝梗之间无粘连和重叠，同时穗部籽粒区域面积和籽粒部位一次枝梗总长度的特征提取准确。水稻穗部一次枝梗经平直化处理后，利用扫描仪获取穗部图像，并对穗部图像进行预处理。
[0015]S1.3所有稻穗图像采集采用扫描仪，在采集稻穗图像时，需要保证水稻穗部一次枝梗分开并且处于平直状态。扫描仪分辨率设置为72dpi，图像大小为1008X612个像素。
[0016]S1.4灰度化处理:对彩色图像进行灰度化处理，获得水稻穗部的灰度图像，由灰度图像得到图像的灰度直方图。
[0017]S1.5 二值化处理:通过直方图确定出背景区域和水稻穗部区域灰度分布的阈值，采用最大类间方差法(Otsu方法)确定分割阈值，从而把水稻穗部区域与背景区域分开，获得把水稻穗部与背景区域完全分开的图像。
[0018]S2.水稻穗部二值图像的数学形态学分析:对预处理后的水稻穗部图像进行数学形态学处理，采用数学形态学分析中开运算处理合理地去除结构元素小的部分；对每个孔洞进行填充操作，利用面积法将小于面积定值P的非目标物体对象全部去杂。
[0019]S2的具体步骤包括:图像开运算包括膨胀和腐蚀组合，图像填充和去杂处理。
[0020]S2.1图像处理开运算包括膨胀和腐蚀组合:该运算首先对图像进行腐蚀，然后再对腐蚀后的图像进行膨胀，两次操作使用同样的结构元素来处理图像。
[0021]图像经数学形态学开运算处理后图像中的水稻穗部杂点有明显的减少，比结构元素小的部分已合理地去除。
[0022]S2.2图像填充和去杂处理:对开运算后的二值图像进行填充操作，将连接的背景像素O值改为前景像素I值，直到达到对象的边界。同时利用面积法去除全部面积小于定值P的非目标物体对象，即去杂。此次图像处理过程中是对开运算后的二值图像进行填充、去杂操作。
[0023]处理后的图像清晰、明了，只剩下水稻穗部部分，即穗轴、无籽粒一次枝梗等部位已合理去除，为后续特征参数的提取提供了有利条件。
[0024]S3.水稻穗部特征参数提取:水稻穗部图像特征参数是水稻穗部图像基本特性的基础性描述，是建立水稻穗部相关特征参数与籽粒数间的数学模型的理论基础，本发明仅仅对水稻穗部的籽粒部位面积特征和籽粒部位一次枝梗总长度特征进行提取。
[0025]S3水稻穗部特征参数提取具体的步骤包括:水稻穗部籽粒部位面积特征和籽粒部位一次枝梗总长度特征参数进行提取。
[0026]S3.1提取水稻穗部籽粒部位面积特征参数:经填充和去杂的二值图像为仅剩水稻穗部籽粒部位像素值为I的区域，利用图像处理技术计算像素值为I部分的像素数目即为水稻穗部籽粒部位面积特征参数。
[0027]S3.2提取水稻籽粒部位一次枝梗总长度特征参数:水稻穗部图像籽粒部位一次枝梗长度是采用外接椭圆法(等价于区域的归一化二阶中心矩)获得每个一次枝梗的主轴长度，所有提取的籽粒部位一次枝梗的主轴长度之和为一次枝梗总长度。
[0028]S4.建立基于水稻穗部图像特征参数的籽粒数计数数学模型:利用最小二乘法分别建立水稻穗部图像籽粒部位面积特征参数和一次枝梗总长度特征参数与其籽粒数之间的数学模型。
[0029]S4建立基于水稻穗部图像特征参数的籽粒数计数数学模型步骤包括:水稻穗部籽粒部位面积特征参数与实际水稻穗部籽粒数之间的数学模型，水稻穗部籽粒部位一次枝梗总长度特征参数与实际水稻穗部籽粒数之间的数学模型。
[0030]S4.1建立水稻穗部籽粒部位面积特征参数与实际水稻穗部籽粒数之间的数学模型:采用最小二乘法建立图像处理计算所获得的水稻穗部籽粒部位面积特征参数与实际穗部籽粒数之间的数学模型。
[0031]S4.2建立水稻穗部籽粒部位一次枝梗总长度特征参数与实际水稻穗部籽粒数之间的数学模型:采用最小二乘法建立图像处理计算所得的水稻穗部籽粒部位一次枝梗总长度特征参数与实际水稻穗部籽粒数之间的数学模型。
[0032]S5.数学模型检验:采用最小二乘法拟合检测样品的预测籽粒数与其实际籽粒数之间的相关关系，对水稻穗部籽粒部位面积特征参数和一次枝梗总长度特征参数与其籽粒数之间的数学模型进行检验，确保了这两种模型的实用性和有效性。
[0033]S5水稻穗部特征参数与籽粒数之间的相关数学模型验证步骤包括:水稻穗部籽粒部位面积特征参数与其籽粒数之间的数学模型检验，水稻穗部籽粒部位一次枝梗总长度特征参数与其籽粒数之间的数学模型检验。
[0034]S5.1水稻穗部籽粒部位面积特征参数与籽粒数之间的模型进行检验:以检验样品的实际籽粒数量作为标准来衡量经数学模型计算所得的水稻穗部籽粒数量。以获取的检验样品集水稻穗部的籽粒数量作为实际值与经数学模型计算所得的水稻穗部籽粒数作为预测值之间建立相关关系曲线，并且比较两者差异程度。
[0035]S5.2水稻穗部籽粒部位一次枝梗总长度特征参数与籽粒数之间的模型进行检验:采用与S5.1相同的方法对水稻穗部籽粒部位一次枝梗总长度与籽粒数之间的模型进行检验。
[0036](三)有益效果
[0037]本发明通过对水稻穗部一次枝梗和穗轴人工平直化处理后的扫描图像经灰度化和二值化处理，运用数学形态学方法把无籽粒穗轴和一次枝梗与有籽粒一次枝梗分割开，从而获得仅有水稻穗部有籽粒部位图像，利用图像处理方法提取穗部籽粒部位面积特征和一次枝梗总长度特征。通过已提取的水稻穗部籽粒部位面积特征参数和一次枝梗总长度特征参数建立其与人工计数所得籽粒数之间的相关数学模型，进一步通过模型验证方法证明所得数学模型精度较高，有效地取代人工计数，大大提高计数效率和节省成本。
[0038]【专利附图】
【附图说明】
[0039]图1水稻穗部籽粒数计数系统工作过程
[0040]图2水稻穗部一次枝梗和穗轴人工平直化处理后扫描原始图像
[0041]图3彩色扫描图像的灰度化处理图像
[0042]图4灰度直方图像
[0043]图5 二值化图像[0044]图6膨胀和腐蚀组合的开运算二值图像
[0045]图7孔洞填充图像
[0046]图8非目标物体去除
[0047]图9提取效果图像
[0048]【具体实施方式】
[0049]本发明提出的水稻穗部籽粒计数方法，结合附图和实施例详细说明如下。
[0050]为快速获取水稻穗部籽粒部位面积特征参数和一次枝梗总长度特征参数，建立面积特征参数和一次枝梗总长度特征参数与其籽粒数之间的相关关系，因此关键点有两个，第一，测量水稻穗部相关特征参数并建立水稻穗部特征参数与其穗部籽粒数之间相关关系，为利用数字图像处理技术计数出水稻穗部籽粒数提供理论依据；第二，通过数字图像处理技术快速获取水稻穗部籽粒部位面积特征参数和一次枝梗总长度特征参数，建立这两个特征参数与其穗部籽粒数之间相关关系数学模型，从而为快速获取水稻穗部籽粒数建立了基础。
[0051]根据图1所示，依照本发明一种基于数字图像处理技术的快速获取水稻穗部籽粒数计数方法包括步骤:
[0052]S1.测量水稻穗部相关特征参数并建立水稻穗部特征参数与其穗部籽粒数之间相关关系，利用扫描仪采集水稻穗部一次枝梗经人工平直化处理后的扫描图像，并对采集到的图像进行预处理。
[0053]SI的具体步骤包括:测量水稻穗部相关特征参数并建立水稻穗部特征参数与穗部籽粒数相关关系、水稻穗部一次枝梗的平直化处理、图像获取、灰度化处理和二值化处理。
[0054]S1.1测量水稻穗部相关特征参数并建立水稻穗部特征参数与其穗部籽粒数之间相关关系，为利用数字图像处理技术计数出水稻穗部籽粒数提供理论依据。通过对3个品种392个水稻穗头测量籽粒部位每个一次枝梗长度，计算所有一次枝梗长度之和为总长度，并且计数穗部籽粒数，建立穗部籽粒部位一次枝梗总长度与籽粒数之间的相关关系数学模型分别为:y = 2.4515x-15.3308，R2 = 0.9833，由此可确定出水稻穗部一次枝梗总长度与其穗部籽粒数之间存在正相关关系。为保证数学模型的精确性，选取3个品种96个水稻穗头对穗部籽粒部位一次枝梗总长度与籽粒数之间的相关数学模型进行检验，得到实际水稻穗部籽粒部位籽粒数与模型预测籽粒数之间的检验数学模型为:y =0.9879X-1.6314，相关系数R2为0.9805，接近于1，则说明水稻穗部一次枝梗总长度与其穗部籽粒数之间存在正相关关系。误差在20%以上的水稻穗样品占总验证样品的1.0% (即I个样品)，验证样品的误差率在10%以下的水稻穗样品占总验证样品的86.00%，误差率在15%以下的水稻穗样品占总验证样品的97.00%。经检验其平均误差范围在5.71%以下。水稻穗部籽粒交替在一次枝梗上结实，并且籽粒之间间隔均匀，因此通过测量一次枝梗总长度直接能够确定穗部籽粒数。而穗部一次枝梗在平直化的情况下，籽粒无粘连和重叠，所有籽粒所占面积也能表明穗部籽粒数。
[0055]S1.2水稻穗部的平直化处理:根据扫描仪工作特性，水稻穗部一次枝梗需经平直化处理后，再利用扫描仪获取穗部图像，并对穗部图像进行预处理；在采集水稻穗部图像前需人工对穗部所有一次枝梗分开，使一次枝梗处于平直状态，水稻穗部图像一次枝梗之间无粘连和重叠，穗部籽粒区域面积和一次枝梗长度的特征提取准确。
[0056]S1.3图像获取:图像获取主要是利用扫描仪采集水稻穗部一次枝梗经人工平直化处理后的扫描图像，采集水稻穗部图像的装置为扫描仪，数据经USB接口存储在计算机并且通过显示器显示。把穗部一次枝梗经人工平直化处理后的单株水稻放置在扫描仪稿台上，扫描仪稿台为一透明玻璃板，稿台下部为线光源和图像采集系统，上部为黑色反射盖板，保证水稻穗部扫描过程中图像清晰。扫描仪分辨率设置为72dpi，图像大小为1008X612个像素。根据上述方法获得如图2所示为水稻穗部原始图像。
[0057]水稻穗部一次枝梗经平直化处理图像的预处理包括灰度化和二值化处理两个步骤。
[0058]S1.4灰度化处理:对水稻穗部原始彩色图像进行灰度化处理，获得水稻穗部的灰度图像，如图3所示，从图中可以看出灰度图像籽粒区域的细节和边缘清晰。由灰度图像得到灰度图像的直方图如图4所示，直方图中水稻穗部区域与背景区域的灰度分布特征具有明显差异，易于区分开。
[0059]S1.5 二值化处理:根据水稻穗部区域和背景区域灰度直方图的分布特性，采用Otsu方法选择分割阈值，从而获得水稻穗部与背景区域完全分开的图像。经二值化处理所得二值化图像如图5所示。
[0060]S2.数学形态学分析:对经预处理后水稻穗部二值化图像进行数学形态学处理，采用数学形态学分析中开运算处理合理地去除结构元素小的部分；对每个孔洞进行填充操作，利用面积法将小于面积定值P的非目标物体对象全部去杂；基于数学形态学的边缘信息提取处理优于基于微分运算的边缘提取算法，对噪声敏感性低，同时提取的边缘比较光滑。基于数学形态学的形态滤波器可借助于先验的几何特征信息利用形态学算子有效地滤除噪声，又可以保留图像中的原有信息。
[0061]S2的具体步骤包括:膨胀和腐蚀组合的开运算，图像填充和去杂；
[0062]S2.1膨胀和腐蚀组合的开运算:图像处理过程中采用了开运算来处理图像，该运算首先对图像进行腐蚀，然后再对腐蚀后的图像进行膨胀，两次操作使用同样的结构元素。此次处理过程中采用的是圆形结构元素(disk)，半径R取1，处理结果如图6所示。
[0063]数学形态学开运算处理后图像中穗部一次枝梗和穗轴经过此运算比结构元素小的部分已合理地被去除。
[0064]S2.2图像填充和去杂:对经开运算的二值图像进行孔洞填充和非目标物体对象去除操作。孔洞填充操作的一个重要的应用是对图像进行填洞操作，对每个洞进行填充操作，对于二值图像而言，将连接的背景像素O值区域改为前景像素I值，直到达到对象的边界。同时利用面积法将小于面积定值P的非目标物体对象全部去杂。水稻穗部二值图像经填充处理后结果如图7所示，去杂操作处理后结果如图8所示，水稻穗部籽粒部位一次枝梗部分通过图像处理技术完全被分离出来，能够真实地反映水稻穗部籽粒部位相关特性。通过上述图像处理过程水稻穗部实际去除的部分图像如图9所示，由此图可以看出水稻穗部无籽粒穗轴和一次枝梗部分完全被去除。
[0065]处理后的图像中清晰、明了。仅剩下一次枝梗上籽粒部分，即无籽粒穗轴和一次枝梗部分等已合理去除，为后续特征参数的提取提供了有利条件。
[0066]S3.水稻穗部特征参数提取:水稻穗部图像特征参数是水稻穗部图像基本特性的基础性描述，是建立水稻穗部相关特征参数与籽粒数间的数学模型的理论基础，本发明仅仅对水稻穗部的一次枝梗籽粒部位面积特征和一次枝梗总长度特征进行提取。
[0067]S3水稻穗部特征参数提取具体的步骤包括:提取水稻穗部一次枝梗籽粒部位面积特征和水稻穗部籽粒部位一次枝梗总长度特征参数。
[0068]S3.1提取水稻穗部籽粒部位面积特征参数:经填充和去杂的二值图像为仅剩水稻穗部籽粒区域像素值为I的部分，利用图像处理技术计算像素值为I部分的像素数目即为穗部一次枝梗籽粒部位的面积。
[0069]S3.2提取水稻穗部籽粒部位一次枝梗总长度特征参数:水稻穗部图像籽粒部位一次枝梗长度是采用外接椭圆法(等价于区域的归一化二阶中心矩)获得每个一次枝梗的主轴长度，穗部籽粒部位一次枝梗总长度为提取的所有一次枝梗长度之和。
[0070]S4.建立数学模型:利用最小二乘法建立水稻穗部图像特征参数与其籽粒数之间数学模型。
[0071]S4建立水稻穗部图像特征参数与其籽粒数之间数学模型具体步骤包括:建立水稻穗部籽粒部位面积特征参数与其籽粒数之间的相关关系:建立水稻穗部籽粒部位一次枝梗总长度参数与其籽粒数之间的相关关系。
[0072]S4.1建立水稻穗部籽粒部位面积特征参数与其籽粒数之间的相关关系:通过最小二乘法建立图像处理计算所得的一次枝梗籽粒部位面积特征参数与实际穗部籽粒数之间的数学模型。
[0073]为了计数水稻穗部籽粒数，本方法采用3个不同水稻品种380株水稻穗头作为建立数学模型的样本，并提取了所有水稻穗部图像一次枝梗籽粒部位的面积特征参数值，建立水稻穗部籽粒数与其一次枝梗籽粒部位面积之间的关系。通过此方法建立水稻穗部图像面积与穗部籽粒数之间的线性相关数学模型为:y = 4.0384+0.0073x，相关性系数为R2 =0.9846。则此式说明水稻穗部一次枝梗籽粒部位面积与其籽粒数之间有十分显著的线性关系O
[0074]S4.2建立水稻穗部籽粒部位一次枝梗总长度参数与其籽粒数之间的相关关系:通过最小二乘法建立图像处理计算所得的一次枝梗总长度特征参数与实际水稻穗部籽粒数之间的数学模型。
[0075]为了计数水稻穗部的籽粒数目，本方法采用3个不同水稻品种380株水稻穗头作为建立数学模型的样本，并提取了所有水稻穗部图像籽粒部位一次枝梗总长度特征参数值，建立水稻穗部籽粒数目与其穗部图像一次枝梗总长度之间的关系。通过此方法建立水稻穗部一次枝梗总长度特征参数与其籽粒数之间的线性相关数学模型为:Y =
0.0914Χ-32.9676，相关性系数R2 = 0.9643，则此式说明水稻穗部籽粒部位一次枝梗总长度与其籽粒数之间有十分显著的线性关系。
[0076]S5.数学模型检验:采用最小二乘法拟合检测样品的预测籽粒数与其实际籽粒数之间的相关关系，对水稻穗部籽粒部位面积特征参数和一次枝梗总长度特征参数与其籽粒数之间的数学模型进行检验，确保了这两种模型的实用性和有效性。
[0077]S5.1水稻穗部特征参数与其籽粒数之间的数学模型检验步骤包括:水稻穗部一次枝梗籽粒部位面积特征与其籽粒数之间的数学模型检验，水稻穗部籽粒部位一次枝梗总长度特征与其籽粒数之间的数学模型检验。该发明中采用3个不同水稻品种96个水稻穗头检验相关数学模型，水稻穗部一次枝梗同样经平直化处理，利用扫描仪采集水稻穗部图像，图像处理方法与建立数学模型时采用的方法一致。
[0078]S5.1水稻穗部籽粒部位面积特征参数与籽粒数之间的模型进行检验:以检验样品的实际籽粒数量作为标准来衡量经数学模型计算所得的水稻穗部籽粒数量。以获取的检验样品集水稻穗部的籽粒数量作为实际值与经数学模型计算所得的水稻穗部籽粒数作为预测值之间利用最小二乘法建立相关关系曲线，并且比较两者差异程度。
[0079]S5.1对水稻穗部一次枝梗籽粒部位面积与籽粒数之间的模型检验
[0080]水稻穗部籽粒数实际值与预测值之间的检验模型方程为:y = 2.8690+0.9791x,相关系数R2为0.9858，接近于1，则说明该模型可以通过数字图像处理来获取水稻穗部籽粒数量。
[0081]误差在20%以上的水稻穗样品占总验证样品的0.0% (即无样品)，验证样品的误差率在10%以下的水稻穗样品占总验证样品的93.75%，误差率在15%以下的水稻穗样品占总验证样品的97.92%，经检验其平均误差范围在4.59%以下。
[0082]S5.2对水稻穗部籽粒部位一次枝梗总长度与籽粒数之间的模型检验
[0083]米用与S5.1相同的方法对水稻穗部籽粒部位一次枝梗总长度与籽粒数之间的模型进行检验。
[0084]水稻穗部籽粒数实际值与预测值之间的检验模型方程为:y = 1.0157X-0.7113，相关系数R2为0.9770，接近于1，则说明该模型可以通过数字图像处理来获取水稻穗部籽
粒数量。
[0085]误差在20%以上的水稻穗样品占总验证样品的5.38% (即5个样品)，验证样品的误差率在10%以下的水稻穗样品占总验证样品的76.34%，误差率在15%以下的水稻穗样品占总验证样品的91.40%，经检验其平均误差范围在7.36%以下。
[0086]从上述两种模型检验结果看出，水稻穗部一次枝梗籽粒部位面积与籽粒数之间的数学模型检验结果优于水稻穗部籽粒部位一次枝梗总长度与籽粒数之间的模型检验结果。
[0087]以上水稻穗部籽粒数计数方法同样适用于有芒和无芒水稻穗部籽粒数计数方法。
【权利要求】
1.一种水稻穗部籽粒数计数方法，该方法包括步骤: S1.建立水稻穗部特征参数与其穗部籽粒数之间相关关系，水稻穗部一次枝梗经平直化处理后，利用扫描仪获取穗部图像，并对穗部图像进行预处理； S2.对预处理后的水稻穗部图像进行数学形态学处理，采用数学形态学分析中开运算处理合理地去除结构元素小的部分；对每个孔洞进行填充操作，利用面积法将小于面积定值P的非目标对象全部去杂； S3.水稻穗部图像特征参数是水稻穗部图像基本特性的基础性描述，是建立水稻穗部相关特征参数与籽粒数间的数学模型的理论基础，本发明仅仅对水稻穗部的籽粒部位面积特征和籽粒部位一次枝梗总长度特征参数进行提取。 S4.利用最小二乘法建立水稻穗部图像籽粒部位面积特征参数和一次枝梗总长度特征参数与其籽粒数之间数学模型。 S5.采用最小二乘法拟合检测样品的预测籽粒数与其实际籽粒数之间的相关关系，对水稻穗部籽粒部位面积特征参数和一次枝梗总长度特征参数与其籽粒数之间的数学模型进行验证，确保这两种模型的实用性和有效性。
2.如权利I所述的水稻穗部籽粒数计数方法，其特征在于，步骤SI中的所述水稻穗部预处理包括步骤: S1.1建立水稻穗部籽粒部位一次枝梗总长度特征参数与其穗部籽粒数之间相关关系，为利用数字图像处理技术计数出水稻穗部籽粒数提供理论依据。 S1.2在采集水稻穗部图像前需人工对穗部所有一次枝梗分开，并且保证一次枝梗处于平直状态，从而保证水稻穗部图像一次枝梗之间无粘连和重叠，同时穗部籽粒区域面积和一次枝梗长度的特征提取准确。水稻穗部一次枝梗经平直化处理后，利用扫描仪获取穗部图像，并对穗部图像进行预处理。 S1.3所有稻穗图像采集采用扫描仪，在采集稻穗图像时，需要保证水稻穗部一次枝梗分开并且平直。扫描仪分辨率设置为72dpi，图像大小为1008X612个像素。 S1.4灰度化处理:对彩色图像进行灰度化处理，获得水稻穗部的灰度图像，由灰度图像得到图像的直方图。 51.5 二值化处理:通过直方图确定出背景区域和水稻穗部区域灰度分布的阈值，采用最大类间方差法(Otsu方法)确定分割阈值，从而把水稻穗部区域与背景区域分开，获得把水稻穗部与背景区域完全分开的图像。
3.如权利I所述的水稻穗部籽粒数计数方法，其特征在于，步骤S2中的所述数学形态学处理包括步骤: S2.1图像处理开运算包括膨胀和腐蚀的组合:该运算首先对图像进行腐蚀，然后再对腐蚀后的图像进行膨胀，两次操作使用同样的结构元素来处理图像。 S2.2图像填充和去杂处理:对开运算二值图像进行填充操作，将连接的背景像素O值改为前景像素I值，直到达到对象的边界。同时利用面积法去除面积小于定值P的非目标物体对象全部去杂。此次图像处理过程中是对开运算后的二值图像进行填充、去杂操作。
4.如权利I所述的水稻穗部籽粒数计数方法，其特征在于，步骤S3中的所述穗部图像特征参数提取包括步骤: S3.1提取水稻穗部籽粒部位面积特征参数:经填充和去杂的二值图像为仅剩水稻穗部籽粒部位像素值为I的区域，利用图像处理技术计算像素值为I部分的像素数目即为水稻穗部籽粒部位面积特征参数。 . 53.2提取水稻籽粒部位一次枝梗总长度特征参数:水稻穗部图像籽粒部位一次枝梗长度是采用外接椭圆法(等价于区域的归一化二阶中心矩)获得每个一次枝梗的主轴长度，所有提取的籽粒部位一次枝梗的主轴长度之和为一次枝梗总长度。
5.如权利I所述的水稻穗部籽粒数计数方法，其特征在于，步骤S4中的所述建立基于水稻穗部图像特征的籽粒数计数数学模型包括步骤: . 54.1建立水稻穗部籽粒部位面积特征参数与实际水稻穗部籽粒数之间的数学模型:通过最小二乘法建立图像处理计算所获得的籽粒部位面积特征参数与实际穗部籽粒数之间的数学模型。 . 54.2建立水稻穗部籽粒部位一次枝梗总长度特征参数与实际水稻穗部籽粒数之间的数学模型:采用最小二乘法建立图像处理计算所得的穗部籽粒部位一次枝梗总长度特征参数与实际水稻穗部籽粒数之间的数学模型。
6.如权利I所述的水稻穗部籽粒数计数方法，其特征在于，步骤S5中的所述验证基于水稻穗部图像特征的籽粒数计数数学模型包括步骤: . 55.1水稻穗部籽粒部位面积特征参数与籽粒数之间的模型进行检验:以检验样品的实际籽粒数量作为标准来衡量通过数学模型获得的水稻穗部籽粒数量。以实际获取的验证水稻样品集的籽粒数量作为实际值与通过数学模型获得的水稻穗部籽粒数量预测值之间建立相关关系曲线，并 且比较两者差异程度。 S5.2水稻穗部籽粒部位一次枝梗总长度特征参数与籽粒数之间的模型进行检验:采用与S5.1相同的方法对水稻穗部籽粒部位一次枝梗总长度与籽粒数之间的模型进行检验。
【文档编号】G06T7/00GK104021369SQ201410186147
【公开日】2014年9月3日 申请日期:2014年4月30日 优先权日:2014年4月30日
【发明者】李毅念, 赵三琴, 丁启朔, 丁为民 申请人:南京农业大学