專利名稱：一種水稻乳熟期自動檢測的方法
技術(shù)領(lǐng)域：
本發(fā)明屬于數(shù)字圖像處理和農(nóng)業(yè)氣象觀測交叉的領(lǐng)域，具體涉及到一種水稻乳熟期的自動檢測方法，即以田間實時拍攝的水稻圖像序列為對象，從圖像特征上實時自動檢測水稻足否進入乳熟期的方法。
背景技術(shù)：
水稻是我國主要的糧食作物之一，在我國南方廣泛種植。一直以來，對于水稻各個發(fā)育期的觀測主要是通過人工觀測，受觀測員主觀因素的影響較大；同時由于水稻種植地域廣、生長周期長，利用人工觀測顯然不夠經(jīng)濟。因此，通過每天所拍攝的稻田圖像，借助圖像處理的手段，對其生長發(fā)育進行檢測顯得十分必要。水稻乳熟期檢測是田間水稻生長期自動檢測的一個重要環(huán)節(jié)，水稻乳熟期是水稻的第二個水分臨界期，此時期水稻對水分非常敏感，如果乳熟期水稻受旱，會嚴重影響籽粒灌漿，造成秕粒增多，千粒重下降進而影響產(chǎn)量。準確識別水稻乳熟期，可以便與水稻后期相關(guān)的田間作業(yè)，它是水稻農(nóng)業(yè)氣象觀測的一個重要內(nèi)容。2003年孟亞利在《中國農(nóng)業(yè)科學》發(fā)表論文“基于生長過程的水稻階段發(fā)育與物候期模擬模型”構(gòu)建了預測水稻頂端發(fā)育階段與物候期的模擬模型。每日熱效應和光周期效應分別選用Beta函數(shù)和二次曲線函數(shù)來描述，并引入5個遺傳參數(shù)調(diào)節(jié)水稻發(fā)育的遺傳差異，使不同類型品種到達特定發(fā)育階段所需的生理發(fā)育時間保持恒定。利用不同環(huán)境下的播期試驗數(shù)據(jù)對不同類型品種的出苗期、穗分化期、抽穗期和成熟期進行了預測，不同類型品種4個生育期的預測誤差RMSE (根均方差)平均分別為I. 47,5. 10,4. 58和3. 37d。2008年孫華生在博士學位論文“利用多時相MODIS數(shù)據(jù)提取中國水稻種植面積和長勢信息”和2009年在《遙感學報》上發(fā)表的論文“利用MODIS數(shù)據(jù)識別水稻關(guān)鍵生長發(fā)育期”中研究利用E0S-M0DIS數(shù)據(jù)空間中覆蓋中國范圍的數(shù)據(jù)，對全國范圍水稻種植面積和生長信息進行提取，同時利用時間序列對水稻的主要生長期進行了識別，生長期識別誤差的時間在±16天左右；2009年趙永林在碩士論文“基于MODIS數(shù)據(jù)的雙季稻實時監(jiān)測研究”中于2007年4月至2008年10月，在江西省南昌設(shè)定了 4個雙季水稻觀測樣點，每8天對雙季稻進行一次觀測，并記錄水稻的干鮮重、株高、葉面積指數(shù)LAI、稻田灌水深度的變化以及水稻管理措施等。分析了 MODIS植被指數(shù)與實地采樣數(shù)據(jù)之間的關(guān)系，建立了水稻實時監(jiān)測模型和雙季晚稻的估產(chǎn)模型。結(jié)果表明(1)M0DIS-EVI (增強型植被指數(shù))在水稻分蘗孕穗期和灌漿乳熟期與LAI有很強的相關(guān)關(guān)系，相關(guān)系數(shù)分別為O. 90，O. 89，擁有很強的穩(wěn)定性和抗干擾能力，更適合研究區(qū)高溫、高濕、高植被覆蓋率的實際狀況。(2) LSWI在抽穗揚花期與LAI的相關(guān)系數(shù)達到O. 8以上，將M0DIS-EVI和LSWI相結(jié)合可以實現(xiàn)研究區(qū)雙季稻從分蘗期到乳熟期的實施監(jiān)測。以上方法中孟亞利構(gòu)建了預測水稻頂端發(fā)育階段與物候期的模擬模型，對水稻的四個生長期進行了預測，但沒有給出水稻乳熟期的具體預測方法，且從其他四個生長期的預測結(jié)果來看，其模型預測誤差較大，此種方法不適合水稻乳熟期的實時自動檢測；孫華生和趙永林是利用遙感數(shù)據(jù)對水稻的種植面積進行確定，利用時間序列中水稻的葉面積指數(shù)，但由于遙感圖像分辨率低，且容易受到云層、云陰影和氣溶膠等影響的原因，MODIS不太適合研究區(qū)早稻的實時監(jiān)測。然而，在農(nóng)業(yè)氣象觀測領(lǐng)域，主要通過利用稻田的水稻圖像實時的對水稻種植密度進行較準確的計算，以便及時指導后期給水灌溉、估產(chǎn)等農(nóng)事活動，通過分析上述利用遙感圖像等方法都不可行。

發(fā)明內(nèi)容
本發(fā)明目的在于提供一種水稻乳熟期的自動檢測方法，能夠利用田間實時獲取的水稻數(shù)字圖像準確地檢測出水稻是否進入乳熟期。一種水稻乳熟期的自動檢測方法，首先根據(jù)水稻歷史圖像序列離線訓練得到稻穗像素點的水稻稻穗顏色信息表，水稻稻穗顏色信息表包含信息有稻穗像素點在各亮度i =1，…，255下對應的(a，b)顏色值的分布情況，然后按照如下方式在線判斷水稻是否進入水稻乳熟期 (I)將當前水稻圖像t轉(zhuǎn)化到L-a-b顏色空間，將圖像t中各像素點的L-a-b顏色空間色彩分量與所述水稻稻穗顏色信息表進行比對，確定滿足顏色值分布情況的色彩分量對應的像素點為稻穗像素點；(2)從由稻穗像素點構(gòu)成的稻穗?yún)^(qū)域截取最能表征稻穗完整形態(tài)結(jié)構(gòu)的子區(qū)域作為稻穗角度檢測區(qū)域；(3)計算稻穗角度檢測區(qū)域的稻穗彎曲角度；(4)依據(jù)稻穗彎曲角度判斷水稻是否進入乳熟期。進一步地，所述根據(jù)水稻穗像歷史圖像序列離線訓練得到稻穗像素點的水稻稻穗顏色信息表的具體實現(xiàn)方式為(01)根據(jù)水稻穗像歷史圖像序列生成稻穗樣本圖像集；(02)獲取稻穗樣本圖像集中所有圖像的稻穗像素點在L-a-b顏色空間的色彩分量(L，a，b)，其中L表示亮度，a表示紅或綠的對應值，b表示黃或藍的對應值，其中L，a, b為8位無符號整形；(03)統(tǒng)計在每一亮度i = 1，…，255下(a，b)顏色值相同的稻穗像素點個數(shù)；(04)在每一亮度i = 1，…，255下，按照(a，b)顏色值相同的稻穗像素點個數(shù)越多，則稻穗像素點在亮度i下表現(xiàn)為(a，b)顏色值的可能性越大的原則選取稻穗(a，b)顏色的標定值；(05)定義三維ColorMap全零矩陣,第一維表示a顏色值,第二維表示b顏色值,第三維表示L亮度，令步驟(04)在亮度i下選取的稻穗(a，b)顏色標定值表示為(s，t，i)，將ColorMap全零矩陣中的(s,t,i)元素值ColorMap (s, t, i)賦值為I,從而得到在每一亮度i下表征稻穗顏色的二值圖像。(06)對ColorMap中每一亮度i下的二值圖像依次進行膨脹和腐蝕，得到水稻稻穗
顏色信息表。進一步地，所述膨脹和腐蝕的具體實現(xiàn)方式為采用結(jié)構(gòu)元素大小為5的圓形結(jié)構(gòu)元素對ColorMap中每一亮度i下的二值圖像進行膨脹，再采用結(jié)構(gòu)元素大小為3的圓形結(jié)構(gòu)元素對ColorMap中每一亮度i的二值圖像進行腐蝕。進一步地，所述步驟(3)計算稻穗角度檢測區(qū)域的稻穗彎曲角度的具體實現(xiàn)方式為(31)對所述稻穗角度檢測區(qū)域作連通域標記；(32)計算第k個稻穗的彎曲角度印M = arctan()，k = 1,2,…，
Regiomv iath(k)
regionum, RegionLength (k)和 Regionwidth (k)分別為第 k 個連通域的長和寬，regionum為連通域個數(shù)；(33)計算稻穗角度檢測區(qū)域的稻穗彎曲角度RiceAngle1 = mean( Θ (k))。進一步地，所述步驟(I)還對得到的稻穗?yún)^(qū)域作去噪處理。本發(fā)明的技術(shù)效果體現(xiàn)在本發(fā)明自動對所采集的實時前下視水稻田間圖像進行 特征提取，并利用顏色信息對相機場景中的稻穗進行圖像分割，對稻穗分割圖像的特定區(qū)域，計算稻穗的彎曲角度信息，進而判斷該塊稻田中的水稻是否進入乳熟期。該方法以表征水稻生長狀況的重要形態(tài)參數(shù)作為判斷依據(jù)，實時地對水稻生長圖像進行計算，檢測結(jié)果準確率高，對乳熟期以及后續(xù)的相關(guān)農(nóng)事活動具有重要的指導意義。


圖I是訓練階段的流程圖；圖2是水稻稻穗圖像分割的流程圖；圖3是自動檢測水稻抽穗期的流程圖；圖4是待檢測序列中隨機挑選的一張圖像；圖5是圖4中圖像的最終分割結(jié)果；圖6是圖5中稻穗連通域標記后的結(jié)果，圖中的白色方框部分為進行水稻稻穗角度計算的檢索區(qū)域；圖7是一個特定稻穗角度檢測的示意圖，角度Θ為此稻穗的彎曲角度；圖8是2010年晚稻相機未乳熟至乳熟期區(qū)間內(nèi)稻穗角度原始數(shù)據(jù)曲線，橫軸為時間軸，縱軸為稻穗彎曲角度，圖中標記出位置為水稻進入乳熟期對應時間；圖9是2011年早稻未乳熟至乳熟期區(qū)間內(nèi)稻穗角度原始數(shù)據(jù)曲線，橫軸為時間軸，縱軸為稻穗彎曲角度，圖中標記出位置為水稻進入乳熟期對應時間；圖10是2011年晚稻未乳熟至乳熟期區(qū)間內(nèi)稻穗角度原始數(shù)據(jù)曲線，橫軸為時間軸，縱軸為稻穗彎曲角度。
具體實施例方式下面結(jié)合附圖來詳細說明本發(fā)明一實施例。實施例中使用圖像序列采集與離地面高5米的相機，鏡頭焦距為14毫米，水平視場角為46度，垂直視場角為35度，相機分辨率不低于400萬像素。實施例以每一天為一檢測時段，每一檢測時段內(nèi)拍攝w張水稻圖像(W = 5)。每天為一檢測階段，有利于識別水稻的主要關(guān)鍵生長期。此發(fā)明旨在自動檢測水稻抽穗期。整個方法分為訓練階段、分割階段和檢測階段。I.訓練階段通過前一年拍攝的稻田水稻的歷史圖像數(shù)據(jù)，統(tǒng)計圖像中稻穗部分在L-a-b顏色空間的顏色信息，其流程如圖I所示，具體步驟如下
(I)生成稻穗樣本圖像。從往年歷史圖像數(shù)據(jù)中，隨機選取各種光照條件下拍攝的包含稻穗的水稻圖像80幅左右，手工扣取上述圖像中包含稻穗的圖像部分圖，部分圖大小為200X200像素(圖像塊大小不需要固定)，將上述稻穗圖像塊轉(zhuǎn)換到L-a-b顏色空間，在L-a-b顏色空間下利用k-means聚類將部分圖分為5類，每一類對應像素位置保留部分圖的顏色信息，其它像素各通道顏色值置為O。然后手工選出僅包含有稻穗的圖像塊作為樣本圖像集。 上述圖像部分圖可以扣取僅包含稻穗的區(qū)域，也可扣取包含稻穗和水稻葉的區(qū)域，因為稻穗所占像素小，因此扣取僅包含稻穗的區(qū)域難度比較大，優(yōu)選后者。本步驟也不局限于聚類分割方法，還可使用圖割、分水嶺和區(qū)域生長等分割方法。(2)獲取稻穗樣本圖像集中所有圖像的稻穗像素點在L-a-b顏色空間的色彩分量(L, a，b)，其中L表示亮度，a表示紅或綠的對應值，b表示黃或藍的對應值,其中L，a，b為8位無符號整形。設(shè)稻穗樣本圖像集為S111,m = I··· 150，圖像中的第i行與第j列像素點相對應的在L-a-b顏色空間的色彩分量L (i，j)、a (i，j)、b (i，j)和在R_G_B顏色空間的色彩分量R (i，j)、G(i, j)、B (i, j)，依次從每張樣本圖像的每個像素點查找，記num = I,若R(i, j)古O (背景區(qū)域為純黑色)，則獲取此水稻稻穗像素點特征為[anum, bnum, Lnum],且令num = num+1。依次查找直到終止，將最后的num-Ι記為TotalNum。于是上述過程得到一個TotalNumX3的水稻稻穗顏色信息矩陣FT°talN X3。(3)統(tǒng)計在不同亮度i = 1，…，255下(a，b)顏色值相同的稻穗像素點個數(shù)。為充分利用水稻稻穗在各種光照條件下的顏色特征，將FT°taltaX3矩陣按行隨機排列，再截取其中的前RowNum行特征，記為fKOTNumX3。定義Z255x255x255為全零矩陣，依次從i =I，2，…，RowNum,按照 f—X3 (也即[a— bEowNum, LEowNum])行的順序，令 z (f (i，I)，f (i，2)，f(i，3)) = z(f(i，l)，f(i，2)，f(i，3))+l。于是獲得稻穗顏色信息的分布矩陣z，下面對矩陣z進一步處理。RowNum的取值區(qū)間為[10000，50000]，此處我們選擇RowNum = 50000，獲得了較好的結(jié)果。(4)在第i = 1，…，255亮度下，按照(a，b)顏色值相同的稻穗像素點個數(shù)越多，則稻穗像素點在亮度i下表現(xiàn)為(a，b)顏色值的可能性越大的原則選取稻穗(a，b)顏色的標定值。在像素點亮度為L = i，i = 1，…，255的情況下，將z(a，b，i)矩陣轉(zhuǎn)化為向量形式，并將其按照元素由大到小的順序進行排列得到向量mapLine，并計算mapLine的向量和 mapLineSum,向量長度 mapLineLength,依次從 j = I,…，mapLineLength,令mapLineSumTemp = mapLineSumTemp+mapLine (j)；直至mapLineSumTemp > O. 95 XmapLineSum,記此時的 j 為 TagLength,再依次從j = 1，···，TagLength,令 z (s, t, i) = mapLine (j),由上式求得的(s, t)即為水稻稻穗在亮度i下(a，b)顏色的標定值。(5)定義尺寸為255 X 255 X 255的三維ColorMap全零矩陣，第一維表示a顏色值，第二維表示b顏色值，第三維表示L亮度，令步驟(04)在亮度i下選取的稻穗(a，b)顏色的標定值表示為(s, t, i),將ColorMap全零矩陣中的(s, t, i)元素值ColorMap (s, t, i)賦值為1，從而得到的ColorMap中，第i層表示在亮度i下表征稻穗顏色信息的二值圖像。
(6)膨脹和腐蝕處理。在樣本數(shù)量有限情況下,ColorMap中本來應該標記為I的元素位置未能進行標記仍然為0，這就需要對ColorMap中的每一層進行后續(xù)處理，以便填補稻穗樣本有限進而帶來的“空洞”。ColorMap中的每層為255X255的二值圖像，定義結(jié)構(gòu)元素大小為5的圓形結(jié)構(gòu)元素，對ColorMap中的每層二值圖像進行依次膨脹(van den Boomgard, R, and R. vanBalen, " Methods for Fast Morphological Image Transforms Using BitmappedImages, " Computer Vision, Graphics, and Image Processing-Graphical Models andImage Processing, Vol. 54, Number 3, pp. 254-258, May 1992.),然后定義結(jié)構(gòu)兀素大小為3的圓形結(jié)構(gòu)元素,對ColorMap中的每層二值圖像進行依次腐蝕(van den Boomgard,R,andR. van Balen," Methods for Fast Morphological Image Transforms Using Bitmapped Images, " Computer Vision, Graphics, and Image Processing -Graphical Models andImage Processing, Vol. 54, Number 3, pp. 254-258, May 1992.),于是最終我們獲取稻糖的顏色信息統(tǒng)計表ColorMap。2.分割階段，利用訓練階段生成稻穗的顏色信息統(tǒng)計表ColorMap，對待檢測實時前下視稻田水稻圖像進行水稻稻穗分割，流程圖如圖2所示，具體操作步驟如下(I)利用生成的稻穗顏色信息統(tǒng)計表，對實時前下視稻田圖像進行水稻稻穗?yún)^(qū)域進行粗選。將待分割圖像序列記為St，t = 1，2，…n，文中所有下標t均代表待測圖像序列中的每張圖像S。將圖像S轉(zhuǎn)化到L-a-b顏色空間，此時圖像中的第P行與第q列像素點相對應的在L-a-b顏色空間的色彩分量Lt (p, q)、at (p, q)、bt (p, q),定義行列數(shù)與S相同的全零矩陣邏輯矩陣SLt。若ColorMap (at (p, q), bt(p, q), Lt (p, q)) = I則此像素點為水稻稻穗對應像素點，將SLt此位置標記為I。由此得到粗選后水稻稻穗?yún)^(qū)域的分割結(jié)果邏輯矩陣SLt。作為優(yōu)化，對稻穗?yún)^(qū)域進行去噪處理。利用標記算法，對二值圖像SLt進行8鄰域連通域標記，第k個連通域記為SLt (k)，連通域的面積即像素個數(shù)記為numt (k)，根據(jù)如下的
公式
I, numXk) > ThresholdSLt(k) = \ V，
H lo,其它去除較小的連通域以降低噪聲對抽穗分割帶來的干擾。面積閾值Threshold根據(jù)需要進行選擇，一般為[5,20]。一般可取Threshold為6。操作完成后得到最后的SLt。查找SLt中(i，j)位置為O的點，取S中此位置像素點為黑色，于是我們得到圖像Dt中水稻稻穗的最后分割結(jié)果DResultt,圖像序列中隨機選取的一張圖像如圖4，則它的分割結(jié)果如圖5所示。3.檢測階段，由分割階段我們獲得二值圖像SLt，使水稻稻穗對應像素點值為1，背景像素點值為O。檢測階段分為水稻稻穗角度檢測區(qū)域截取，稻穗彎曲角度計算與水稻乳熟期綜合判斷兩個部分，具體操作步驟如下
(I)從稻穗?yún)^(qū)域截取最能表征稻穗完整形態(tài)結(jié)構(gòu)的子區(qū)域作為稻穗角度檢測區(qū)域?qū)τ诘舅敕指罱Y(jié)果SLt，t = I，2，…η我們依次截取SLt中，起點坐標為(180，20)，長為440像素，寬為120像素的稻穗彎曲角度檢索區(qū)域，檢索區(qū)域如圖6中的白色方框所示區(qū)域，選取次檢測區(qū)域可以盡可能獲取稻穗的完整形態(tài)結(jié)構(gòu)，以便于稻穗彎曲角度的計算，將上述獲取的圖像塊序列定義為SSLt, t = 1,2,…η ;(2)稻穗彎曲角度計算。稻穗彎曲角度計算可采用最小二乘法曲線擬合、Ransac曲線擬合等方法，本實施例給出另外一種較為簡單的計算方式對于上述獲取的圖像序列SSLt，t = 1,2,…，n。SSLt為二值圖像序列，稻穗對應像素值為1，非稻穗?yún)^(qū)域?qū)袼刂禐?，依次檢索SSLt中的每一個稻穗連通域，設(shè)在SSL1中檢測到有regionum個連通域，每個連通域的長寬分別為RegionLength(k),Regionwidth (k), k = 1,2,…，regionum,于是定義每個稻穗的彎曲角度為Θ (k)，單個稻
穗的彎曲角度如圖7所示，有
m, RemonLemthik) x ….θ(κ) = arctan()， k =1,2,·*·,regionum ；
Regiomv idth(k)'定義RiceAngle1 = mean ( Θ (k)) k= 1，2，…，regionum，即以 Θ (k)的均值為SSL1圖像塊檢測到的稻穗彎曲角度。對序列圖中的其它圖像依次進行上述稻穗角度計算，于是可以得到表征稻穗彎曲角度的數(shù)據(jù)序列RiceAnglet, t = 1,2, ···, η ；(3)水稻乳熟期判斷，根據(jù)2010年晚稻與2011年早稻的兩個相機檢測到的稻穗彎曲角度歷史數(shù)據(jù)，以及人工對于水稻乳熟期的觀測數(shù)據(jù)有2010年晚稻相機檢測到稻穗彎曲角度為52. 26°時進入乳熟期，如圖8所示；2011年早稻相機檢測到稻穗彎曲角度為52.01°時進入乳熟期，如圖9所示。于是給出當連續(xù)檢測到稻穗彎曲角度低于53°累計達到五次時，判斷水稻進入乳熟期。利用累計次數(shù)可以防止個別由于風等帶來的干擾。水稻乳熟期判斷的具體步驟如下對于待檢測圖像序列SSLt，t = 1,2,…，η處理后獲取的稻穗彎曲角度的數(shù)據(jù)RiceAnglet, t = 1,2,…，η,按照時間順序依次判斷RiceAnglet,定義logical = O,依次從 t = I, 2,…，η,若 RiceAnglet < 53,則 logical = logical+1 ;直到 logical = = 5,則判讀此時水稻進入乳熟期。上述檢測方法可行有一個的前提條件是在水稻乳熟檢測過程中稻田沒有遇到持續(xù)的大風天氣。如果水稻乳熟檢測過程中稻田遇到持續(xù)的大風天氣，則上述算法會在可能發(fā)生乳熟的日期之前便檢測到稻穗彎曲角度持續(xù)低于53° (如圖10所示)，上述條件將造成算法失效。根據(jù)湖北、浙江、江西、湖南和廣西五省于1992年至2011年二十年早稻與晚稻生長期的統(tǒng)計分析有早稻平均于抽穗期12天后進入乳熟期，晚稻于抽穗期14天后進入乳熟期(如表I所示)。于是如果算法會在可能發(fā)生乳熟的日期之前(抽穗期9天后)便檢測到稻穗彎曲角度持續(xù)低于53°，則判斷遇到持續(xù)大風等天氣現(xiàn)象的干擾，根據(jù)人工歷史統(tǒng)計數(shù)據(jù)以及計算機自動檢測出的水稻抽穗期日期，對水稻乳熟期時間進行估測。綜上所述，水稻乳熟期判斷的具體流程如圖3所示。表I湖北、浙江、江西、湖南和廣西五省于1992年至2011年早稻與晚稻二十年抽穗期至乳熟期人工觀測歷史數(shù)據(jù)表
權(quán)利要求
1.一種水稻乳熟期的自動檢測方法，首先根據(jù)水稻歷史圖像序列離線訓練得到稻穗像素點的水稻稻穗顏色信息表，水稻稻穗顏色信息表包含信息有稻穗像素點在每一亮度i =1，…，255下對應的(a，b)顏色值的分布情況，然后按照如下方式在線判斷水稻是否進入水稻乳熟期 (1)將當前水稻圖像t轉(zhuǎn)化到L-a-b顏色空間，將圖像t中各像素點的L-a-b顏色空間色彩分量與所述水稻稻穗顏色信息表進行比對，確定滿足顏色值分布情況的色彩分量對應的像素點為稻穗像素點； (2)從由稻穗像素點構(gòu)成的稻穗?yún)^(qū)域截取最能表征稻穗完整形態(tài)結(jié)構(gòu)的子區(qū)域作為稻穗角度檢測區(qū)域； (3)計算稻穗角度檢測區(qū)域的稻穗彎曲角度； (4)依據(jù)稻穗彎曲角度判斷水稻是否進入乳熟期。
2.根據(jù)權(quán)利要求I所述的水稻乳熟期的自動檢測方法，其特征在于，所述根據(jù)水稻穗像歷史圖像離線訓練得到稻穗像素點的水稻稻穗顏色信息表的具體實現(xiàn)方式為 (01)根據(jù)水稻穗像歷史圖像序列生成稻穗樣本圖像集； (02)獲取稻穗樣本圖像集中所有圖像的稻穗像素點在L-a-b顏色空間的色彩分量(L，a，b)，其中L表示亮度，a表示紅或綠的對應值，b表示黃或藍的對應值，其中L，a，b為8位無符號整形； (03)統(tǒng)計在每一亮度i= 1，…，255的(a，b)顏色值相同的稻穗像素點個數(shù)； (04)在每一亮度i= 1，…，255下，按照(a，b)顏色值相同的稻穗像素點個數(shù)越多，則稻穗像素點在亮度i下表現(xiàn)為(a，b)顏色值的可能性越大的原則選取稻穗(a，b)顏色的標定值； (05)定義三維ColorMap全零矩陣,第一維表示a顏色值,第二維表示b顏色值,第三維表示L亮度，令步驟(04)在亮度i下選取的稻穗(a，b)顏色標定值表示為(s，t，i)，將ColorMap全零矩陣中的(s, t, i)元素值ColorMap (s, t, i)賦值為1，從而得到在每一亮度i下表征稻穗顏色的二值圖像。
(06)對ColorMap中每一亮度i下的二值圖像依次進行膨脹和腐蝕，得到水稻稻穗顏色信息表。
3.根據(jù)權(quán)利要求2所述的水稻乳熟期的自動檢測方法，其特征在于，所述膨脹和腐蝕的具體實現(xiàn)方式為采用結(jié)構(gòu)元素大小為5的圓形結(jié)構(gòu)元素對ColorMap中每一亮度i下的二值圖像進行膨脹，再采用結(jié)構(gòu)元素大小為3的圓形結(jié)構(gòu)元素對ColorMap中每一亮度i的二值圖像進行腐蝕。
4.根據(jù)權(quán)利要求I所述的水稻乳熟期的自動檢測方法，其特征在于，所述步驟(3)計算稻穗角度檢測區(qū)域的稻穗彎曲角度的具體實現(xiàn)方式為 (31)對所述稻穗角度檢測區(qū)域作連通域標記； (32)計算第k個稻穗的彎曲角度外句=ar_(’—ixH巧)^k=1,2,…，Kegiomvidth(k)regionum, RegionLength (k)和 Regionwidth (k)分別為第 k 個連通域的長和寬，regionum為連通域個數(shù)； (33)計算稻穗角度檢測區(qū)域的稻穗彎曲角度RiceAngle1= mean( 0 (k))。
5.根據(jù)權(quán)利要求I所述的水稻乳熟期的自動檢測方法，其特征在于，所述步驟(I)還對得到的稻穗?yún)^(qū)域作去噪處理。
全文摘要
本發(fā)明提供一種水稻乳熟期的自動檢測方法，以稻田中實時采集到的前下視圖像為對象，自動地較準確地對圖像中的稻穗進行分割，進而在特定的檢索區(qū)域內(nèi)，計算稻穗的彎曲角度。該方法以表征水稻稻穗的顏色特征以及稻穗彎曲角度的形態(tài)特征作為判斷依據(jù)，可以實時地對水稻稻穗進行分割，進而對水稻乳熟期進行檢測，檢測結(jié)果準確率高，誤差為前后三天，對水稻相應的農(nóng)事活動具有重要的指導意義。
文檔編號G06K9/46GK102663396SQ20121006164
公開日2012年9月12日 申請日期2012年3月9日 優(yōu)先權(quán)日2012年3月9日
發(fā)明者余正泓, 吳茜, 張雪芬, 曹治國, 李翠娜, 王玉, 王秀芳, 白曉東, 薛紅喜 申請人:華中科技大學