一种玉米雄穗性状的自动检测方法
【技术领域】
[0001] 本发明属于计算机视觉和农业气象观测交叉领域，更具体地，涉及一种玉米雄穗 性状的自动检测方法，即以拍摄的田间玉米下视图像序列为对象，获取玉米雄穗在图像中 的性状特征的方法。
【背景技术】
[0002] 玉米作为世界三大粮食作物之一，在我国各地都有广泛种植。对玉米的各种性状 进行分析与研宄，可以辅助建立其性状与产量之间的关系从而获取更大的收益，同时也可 以为玉米基因学与遗传学的研宄提供依据。然而长期以来，对于玉米各种性状的检测主要 是通过手工检测的方式，容易受主观因素影响且效率低下；同时观测过程中难免会对玉米 的生长环境造成破坏；且由于玉米种植地域广，往往只能使用抽样平均的检测方法，不具有 代表性。而通过拍摄的玉米下视序列图像，辅助计算机视觉的技术，为玉米性状的检测提供 了一种新的客观的、无损的、精细化的方法。玉米的雄穗是玉米育种与种子生产过程中被广 泛研宄的重要农艺性状，其相关性状的检测对玉米的生殖生长研宄、玉米基因学与遗传学 研宄以及产量估计等具有重大的意义，属于农业气象观测的一个重要内容。
[0003] 2011年唐文冰等在《中国农业工程学会2011年学术年会论文集》上发表的论 文"基于双目立体视觉的玉米雄穗识别与定位研宄"中利用图像分割技术对玉米雄穗的 定位与检测展开了相关研宄，但该论文的方法仅考虑了颜色特征，适用于特定光照与简 单背景下的小范围检测，对自然光照与大田环境下的检测鲁棒性不好，且该方法未获取 雄糖的精细化性状特征；2013年Mengni Ye等人在《Eighth International Symposium on Multispectral Image Processing and Pattern Recognition》上发表的论文"An image-based approach for automatic detecting tasseling stage of maize using spatio-temporal saliency"中采用了 HOG-SVM的目标检测框架并加入了时空的线索对 玉米雄穗进行检测，随后根据检测结果预测玉米抽穗期的到达时间，论文的不足之处在于 只考虑了灰度图像的梯度特征信息，对于复杂背景的适应性不好，并且没有对雄穗进行分 害!|，获取雄穗进行更加精细化的描述；2014年FerhatKurtu丨mu§等人在《Expert Systems with Applications》上发表的论文"Detecting corn tassels using computer vision and support vector machines"中介绍了一种较鲁棒的玉米雄穗检测方法，相比上一篇论 文，其考虑了更加鲁棒的形状与纹理特征，但本质上仍是基于颜色的图像分割，不适用于光 照变化较大的序列图像，且没有将图像检测结果映射到具有物理含义的生物性状上；综上 所述，尽管当前已有许多与玉米雄穗相关的检测技术，但由于各种方法或策略的局限性，很 难在实际大田环境下进行应用，且这些方法都未建立从图像特征到实际具有物理含义的生 物量的映射关系。
【发明内容】
[0004] 本发明的目的在于提供一种玉米雄穗性状的自动检测方法，利用自然场景下玉米 的下视序列图像，建立从图像特征到实际生物量的映射关系，提供一种包括玉米雄穗的长 度、宽度、分枝数、周长、直径、颜色及总穗数在内的七种农艺学和形态学性状的自动测量方 式。
[0005] -种玉米雄穗性状的自动检测方法，主要包括雄穗的目标性检测、目标检测、语义 分割以及性状特征映射四个部分，顺序包括：
[0006] (1)目标性检测步骤，检测雄穗潜在区域，包括如下子步骤：
[0007] (1. 1)显著性颜色空间转换：对待测玉米图像I (R，G，B)进行显著性颜色空间转换 得到I (S，L，C)，显著性图像的转换公式为：
[0008] I (S, L, C) = U ? max (0, W ? I (R, G, B) +b)
[0009] 其中，U，W和b均由历史样本图像通过训练学习得到；
[0010] (1.2)阈值分割：以阈值!\对3分量通道的图像进行二值化操作，获取二值图像 BW ：
[0011]
【主权项】
1. 一种玉米雄穗性状的自动检测方法，其特征在于，所述方法包括如下步骤： (1) 目标性检测步骤，检测雄穗潜在区域，包括如下子步骤： (1. 1)显著性颜色空间转换，对待测玉米图像I(R，G，B)进行显著性颜色空间转换得到I(S，L，C)，显著性图像的转换公式为： I (S, L, C) = U ? max (0, W ? I (R, G, B) +b) 其中，U，W和b均由历史样本图像通过训练学习得到； (1. 2)阈值分割，以阈值1\对S分量通道的图像进行二值化操作，获取二值图像BW:
(1.3)自适应滤波，对二值图像BW进行滤波操作以抑制阈值分割引入的噪声影响； (1. 4)欧式距离变换，对自适应滤波后的图像通过形态学膨胀操作来连接断裂的区域， 形态学膨胀操作公式定义为：
其中，bw(x，y)表示距离变换后的二值图像，f(x，y)表示前景区域，即像素值为255的 区域，b(x，y)表示背景区域，即像素值为0的区域，d(f(x，y)，b(x，y))表示背景点距离最近 的前景点的欧式距离； (1. 5)连通域提取，计算连通域外接矩形框得到n个雄穗的候选区域Proposal^ (i= 1，2,…，n); (2) 目标检测步骤，对候选框所限定的区域进行确认，识别出真正属于雄穗的候选框， 包括如下子步骤： (2. 1)特征提取，对Proposali对应的图像矩形区域的每个显著性颜色通道分别提取颜 色直方图（ColorHistogram)表示的颜色特征、梯度方向直方图（HistogramofOriented Gradients)表示的轮廓特征以及局部二值模式（LocalBinaryPattern)表示的纹理特 征； (2. 2)特征编码，使用费舍尔向量编码（FisherVectorEncoding)方法对步骤（2. 1) 中提取的各类特征分别进行特征编码，获得更强中层特征描述； (2. 3)检测，将提取的特征送入支撑向量机（SupportVectorMachine)模型进行检测， 区分待检测样本属于雄穗还是非雄穗，所述支撑向量机模型由历史样本图像通过训练学习 得到； (3) 语义分割步骤，获取被（2)标记为雄穗的目标框中的雄穗精细形态，包括如下子步 骤： (3. 1)特征提取，以像素点为单位，对标记为雄穗的目标框提取颜色特征（S，L，C)，局 部二值模式特征（LBP)以及位置特征（x，y); (3. 2)聚类，根据（3. 1)提取的特征，使用K均值算法对像素进行聚类，获得C个表示雄 穗可能的区域Region」（j= 1，2,…，C); (3. 3)池化，对每个Region』中的第一层特征进行池化，得到区域的中层特征表达