一种基于RGB图像的小麦分蘖数自动检测方法与流程

本发明属于数字图像处理在植物表型测量领域的应用，是对小麦分蘖数目进行自动无损检测及测量的一种方法，适用麦类及稻类作物分蘖数目的自动无损检测。

背景技术：

小麦是重要的粮食作物，在世界上播种面积和总产量都占据第一，以小麦为主要粮食的人口占世界总人口的1/3，小麦生产在国民经济中占重要地位，是整个农业生产的基础。分蘖是小麦的重要生物学特性,小麦对环境的适应及小麦群体的自动调节,在很大程度上是通过分蘖消长实现的。小麦分蘖的数量和成穗率决定于在合理的栽培措施下个体发育健壮的程度,而分蘖成穗率又在一定程度上决定着群体结构优劣和经济产量高低。因此，小麦的分蘖数作为影响小麦产量的重要因素一直备受育种家的关注。然而截止到目前为止，都是采用人工识别从而进行测量的方法，难于满足大批量快速测试的要求。基于rgb图像的小麦分蘖自动化无损测检测，国内外鲜有相关文献报道。jiangn采用ct扫描的方法得到小麦的横截面视图，然后根据横截面的形状来区分小麦的叶子和秆茎，从而获得小麦的分蘖数目(jiangn,yangw,duanl,etal.accelerationofctreconstructionforwheattillerinspectionbasedonadaptiveminimumenclosingrectangle[j].computersandelectronicsinagriculture,2012,85:123-133)。这种方法的缺点是测量速度慢，而且ct扫描设备的限制，不能得到普遍应用。boylerd开发小麦分蘖计数方法是先取小麦侧视图像中一个特定的区域，区域中只包含叶子和秆径，然后通过阈值的方法来区分小麦秆径和叶子(boylerd,corkefmk,doonanjh.automatedestimationoftillernumberinwheatbyribbondetection[j].machinevisionandapplications,2016,27(5):637-646)。该方法在应用上具有一定的局限性，因为在侧视图上，如果在侧视图上叶子和秆茎的投影粗细相当，就很难确定合适的阈值来区分叶子和秆茎。本发明开发了一种基于rgb图像的小麦分蘖数自动检测方法，采用普通相机采集小麦rgb图像，通过图像分割、形态学处理、边缘检测及霍夫变换的直线检测算法来测量小麦的分蘖。该方法克服上述两种方法的局限性，测量方便，计算速度快，能够有效检测小麦分蘖数，为小麦表型自动快速测量奠定基础。该方法适用于麦类及稻类作物分蘖数自动无损测量。

技术实现要素：

本发明公开了一种基于rgb图像的小麦分蘖数自动检测方法，属于植物表型测量领域。以普通相机作为采集设备，采集小麦图像。通过数字图像处理技术，设计出一种基于rgb图像的小麦分蘖数自动检测方法。该方法如图1所示，本发明采用基于rgb图像小麦分蘖数自动识别方法，先进行小麦图像分割，提取小麦整体图像，采用霍夫变换方法检测小麦秆茎，检测秆茎的个数，从而实现小麦分蘖数目的自动检测。

本发明主要包括以下部分(图1)：

具体包括：

图像分割：将采集的小麦rgb图像进行归一化处理获得每一个像素的rgb的值，提取色差灰度图，采用ostu方法求得该灰度图阈值，利用该阈值对图像进行二值化处理，将小麦从背景中分割出来。

形态学处理：通过形态学腐蚀处理将小麦秆茎部分去除；将分割后的小麦整体二值图像和形态学处理后的二值图像相减，得到只包含小麦秆茎的图像；

边缘检测：采用canny边缘检测算法进行边缘检测。

霍夫变换：应用霍夫变换进行小麦秆茎检测，得到不连续的秆茎；通过填补间隙将共线的线段连成一条线段，检测线段的个数，从而实现小麦分蘖数目的自动检测。

本方法是国内外首次采用霍夫变换方法，基于如果rgb图像的小麦分蘖数自动无损检测，适用于麦类和稻类分蘖数的自动无损检测，为小麦表型自动测量奠定基础。

附图说明

图1为一种基于图像的小麦分蘖数自动检测方法流程图；

图2为小麦rgb图像的整体二值化图像；

图3为去除参照物后的小麦图像分割图像；

图4为保护框图像；

图5为图像分割结果；

图6为形态学处理；

图7为图5和图6减操作后，进行边缘检测结果；

图8为霍夫变换直线检测；

图9为通过填充线段之间空隙，使共线的多条线段连成一条线段；

具体实施方式

本发明开发了一种基于霍夫变换的小卖分蘖数目自动识别方法，具体实施方式如下：

(1)用相机采集小麦的rgb图像。

(2)图像分割：对小麦rgb图像进行归一化处理获得每一个像素的rgb的值，提取2g-r-b(r-红色分量图像；g-绿色分量图像；b-蓝色分量图像)色差灰度图，采用ostu方法求得该灰度图阈值，利用该阈值对图像进行二值化处理(如图2)；通过检测花盆边缘，在图像中找出分界线行数，将分界线以下参照物去除后实现小麦图像分割(图3)；提取rgb图像中蓝、绿色分量图像，采用蓝色分量的图像减去绿色分量的图像(b-g)的方法，提取小麦保护框图像如图4；将图3与图4进行减操作，将小麦从背景中分割出来(如图5)。

(3)形态学处理：采用膨胀腐蚀的开闭运算操作，去除小麦部分秆茎(图6)。选用圆盘做为结构元素的形状，结构半径取6。

(4)边缘检测：先将图5和图6进行减操作，然后采用canny算子进行边缘检测。选择高斯参数值为2，双阈值为[0.01,0.17]，检测结果如图7所示。

(5)霍夫变换：采用霍夫变换算法进行直线检测，公式(1)为直线的离散极坐标公式。

x*cosθ+y*sinθ＝r(1)

其中角度θ指直线上的点与坐标原点的连线与x轴之间的夹角，r为到直线几何垂直距离。图8是采用霍夫变换方法检测直线的结果。通过填补线段之间的缝隙，将多条共线的线段合并成一条线段，图9为图8填补缝隙后的结果。

(6)计算小麦分蘖数：通过计算线段的数目来计算小麦分蘖数。

技术特征：

技术总结
本发明公开了一种基于RGB图像的小麦分蘖数自动检测方法，属于植物表型测量领域。以普通相机作为采集设备，采集小麦图像。通过数字图像处理技术，设计出一种基于RGB图像的小麦分蘖数自动检测方法。该方法如图1所示，具体包括：将采集的小麦RGB图像进行图像分割，将小麦整体从背景中提取出来；通过形态学处理将小麦秆茎部分去除；将分割后的小麦整体图像和形态学处理后的图像相减，得到包含小麦秆茎的图像；边缘检测后，经霍夫变换直线检测得到不连续的秆茎；通过填补间隙将共线的线段连成一条线段，检测线段的个数，从而实现小麦分蘖数目的自动检测。本方法是国内外首次采用霍夫变换方法，基于RGB图像的小麦分蘖数自动无损检测，适用于麦类和稻类分蘖数的自动无损检测，为小麦表型自动测量奠定基础。

技术研发人员：李琼砚;高云鹏;翁雨辰
受保护的技术使用者：北京林业大学
技术研发日：2017.12.21
技术公布日：2018.05.04