本發(fā)明屬于稻麥籽粒計(jì)數(shù)領(lǐng)域，具體涉及一種稻麥籽?？焖儆?jì)數(shù)方法。

背景技術(shù)：

粒重是產(chǎn)量的重要組成部分，作物產(chǎn)量很大程度上決定于穗粒數(shù)和千粒重。因此，千粒重一直被作為衡量栽培措施優(yōu)劣和進(jìn)行品種選育的重要參數(shù)，是作物研究中測(cè)量頻率較高的指標(biāo)。而測(cè)量千粒重首先要進(jìn)行籽粒計(jì)數(shù)，常用的方法包括人工計(jì)數(shù)、電子計(jì)數(shù)儀和圖像分析技術(shù)。人工數(shù)粒費(fèi)時(shí)費(fèi)力，人眼易疲勞，難免會(huì)產(chǎn)生誤差，無(wú)法確保準(zhǔn)確度。電子計(jì)數(shù)儀利用籽粒穿過(guò)激光形成的斷點(diǎn)來(lái)計(jì)數(shù)，這種儀器設(shè)備價(jià)格較高，根據(jù)計(jì)數(shù)精度售價(jià)在500美元-6000美元，儀器相對(duì)笨重，只能在固定實(shí)驗(yàn)室使用，操作起來(lái)比較繁瑣。利用圖像分析技術(shù)進(jìn)行籽粒計(jì)數(shù)的成本較低，對(duì)于籽粒識(shí)別的算法是影響計(jì)數(shù)精度的主要因素。

基于圖像分析的籽粒計(jì)數(shù)，第一步往往是對(duì)圖像進(jìn)行分割操作，將籽粒從圖像背景中分離出來(lái)；第二步則是計(jì)算每個(gè)區(qū)域中的籽粒個(gè)數(shù)，這一點(diǎn)是目前影響籽粒計(jì)數(shù)的關(guān)鍵。因此，研究人員設(shè)計(jì)了大量的粘連籽粒分割算法，主要包括腐蝕膨脹法、分水嶺算法、主動(dòng)輪廓模型、特征點(diǎn)匹配等。腐蝕膨脹法是數(shù)學(xué)形態(tài)學(xué)中最基本的運(yùn)算，其通過(guò)對(duì)重疊區(qū)域采用先腐蝕分離再膨脹恢復(fù)的策略，獲得具有幾何意義的分界線，該方法比較簡(jiǎn)單，腐蝕和膨脹的次數(shù)需人工經(jīng)驗(yàn)性確定，但該算法對(duì)于粘連部位較大的情況不能準(zhǔn)確地進(jìn)行分割，且腐蝕和膨脹的不可逆性同樣會(huì)造成一定誤差。分水嶺算法是一種應(yīng)用較廣泛的分割方法，其利用重疊區(qū)域存在的局部梯度差，在像素梯度的約束下，從種子區(qū)域開(kāi)始模擬泉涌淹沒(méi)過(guò)程得到分割線，傳統(tǒng)分水嶺算法最大的問(wèn)題是過(guò)度分割，近年來(lái)許多學(xué)者也在研究如何改進(jìn)分水嶺算法來(lái)減少過(guò)度分割。主動(dòng)輪廓模型作為經(jīng)典的基于偏微分方程的圖像分割算法，該方法通過(guò)設(shè)定曲線來(lái)尋找作物籽粒的輪廓，但是它的分割結(jié)果依賴于初始曲線的選擇。特征點(diǎn)匹配方法是利用諸如曲率檢測(cè)、角點(diǎn)檢測(cè)等方法來(lái)實(shí)現(xiàn)粘連部位特征點(diǎn)的檢測(cè)，并進(jìn)行特征點(diǎn)配對(duì)來(lái)實(shí)現(xiàn)籽粒的分割，這種方法在一般情況下可以實(shí)現(xiàn)較高的分割精度，但對(duì)于復(fù)雜的粘連容易出現(xiàn)錯(cuò)誤的特征點(diǎn)配對(duì)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問(wèn)題是克服現(xiàn)有技術(shù)的不足，提供一種稻麥籽?？焖儆?jì)數(shù)方法，計(jì)算效率高。

為解決以上技術(shù)問(wèn)題，本發(fā)明采取的一種技術(shù)方案是：

一種稻麥籽?？焖儆?jì)數(shù)方法，包括以下步驟：

步驟1)籽粒圖像獲?。豪门恼赵O(shè)備垂直獲取稻麥籽粒圖像；

步驟2)籽粒提?。豪妙伾卣魈崛∽蚜＃?/p>

步驟3)角點(diǎn)檢測(cè)：利用角點(diǎn)檢測(cè)算法提取籽粒粘連處的角點(diǎn)；

步驟4)閉合區(qū)域檢測(cè)：利用閉合區(qū)域檢測(cè)算法，檢測(cè)粘連籽粒間構(gòu)成的閉合區(qū)域數(shù)量；

步驟5)籽粒個(gè)數(shù)計(jì)算：籽粒個(gè)數(shù)＝籽粒粘連處的角點(diǎn)數(shù)/2-閉合區(qū)域數(shù)量+1。

優(yōu)選地，步驟2)中利用顏色特征提取籽粒具體操作為：設(shè)rgb彩色圖像中的紅、綠、藍(lán)三個(gè)顏色分量為r、g、b，記d1(x,y)＝b(x,y)-r(x,y)，d2(x,y)＝b(x,y)-g(x,y)，則圖像中籽粒部分用公式表示為：

其中k1，k2∈[0,1],利用公式(1)獲取籽粒的灰度圖像，用ostu算法對(duì)灰度圖像進(jìn)行提取。

優(yōu)選地，步驟3)的具體操作為：利用一定大小的模板w延二值區(qū)域輪廓進(jìn)行檢測(cè)，以該點(diǎn)在模板中籽粒部分大小的占模板總大小的百分比做為該點(diǎn)的特征值，記為r(x,y)，

公式中wgn是模板中為籽粒的像素點(diǎn)，wbg是模板中為背景的像素點(diǎn)，r(x,y)值大于0.6的點(diǎn)即為籽粒粘連處的角點(diǎn)。

優(yōu)選地，在步驟4)中，利用孔洞填充算法填充籽粒圖像，并用填充后的圖像減去原二值圖像，便得到閉合區(qū)域圖像，從而計(jì)算閉合區(qū)域數(shù)量。

由于以上技術(shù)方案的采用，本發(fā)明與現(xiàn)有技術(shù)相比具有如下優(yōu)點(diǎn)：

本發(fā)明利用計(jì)算機(jī)圖像方法計(jì)算水稻小麥籽粒個(gè)數(shù)，相比傳統(tǒng)人工調(diào)查法省工省時(shí)，計(jì)算效率高，同時(shí)籽粒個(gè)數(shù)測(cè)定的準(zhǔn)確率不受人為因素的影響。

附圖說(shuō)明

圖1為本發(fā)明二值圖像中籽粒的三種形態(tài)圖；

圖2為本發(fā)明籽粒特征點(diǎn)檢測(cè)圖；

圖3為本發(fā)明提取閉合區(qū)域過(guò)程圖。

具體實(shí)施方式

以下結(jié)合附圖及具體實(shí)施例對(duì)本發(fā)明做進(jìn)一步詳細(xì)說(shuō)明。

如附圖1至附圖3所示，本發(fā)明一種稻麥籽?？焖儆?jì)數(shù)方法，包括以下步驟：

步驟1)籽粒圖像獲?。豪脭?shù)碼相機(jī)、手機(jī)等拍照設(shè)備垂直獲取稻麥籽粒圖像，根據(jù)拍照習(xí)慣，手機(jī)距離籽粒的距離在20-60厘米均可以；背景的選擇以和籽粒形成最大化的差異為宗旨，便于提高籽粒提取完整性。

步驟2)籽粒提?。豪妙伾卣魈崛∽蚜?；

圖像原始大小為4160×3120pix，為了提高運(yùn)行效率將圖像歸一化至800×600pix，并通過(guò)高斯濾波平滑籽粒邊緣。設(shè)rgb彩色圖像中的紅、綠、藍(lán)三個(gè)顏色分量為r、g、b，記d1(x,y)＝b(x,y)-r(x,y)，d2(x,y)＝b(x,y)-g(x,y)，則圖像中籽粒部分用公式表示為：

其中k1，k2∈[0,1],利用公式(1)獲取籽粒的灰度圖像，用ostu算法對(duì)灰度圖像進(jìn)行提取。

步驟3)角點(diǎn)檢測(cè)：利用角點(diǎn)檢測(cè)算法提取籽粒粘連處的角點(diǎn)；

在獲取完籽粒二值圖像之后，如附圖1所示，二值圖像中的區(qū)域可以分為三類，1)單個(gè)籽粒，2)粘連籽粒不構(gòu)成閉合區(qū)域，3)粘連籽粒構(gòu)成閉合區(qū)域。籽粒的粘連會(huì)構(gòu)成不同數(shù)量的角點(diǎn)，利用一定大小的模板w延二值區(qū)域輪廓進(jìn)行檢測(cè)，以該點(diǎn)在模板中籽粒部分大小的占模板總大小的百分比做為該點(diǎn)的特征值，記為r(x,y)，

公式中wgn是模板中為籽粒的像素點(diǎn)，wbg是模板中為背景的像素點(diǎn)。如附圖2(a)為5個(gè)籽粒粘連區(qū)域，當(dāng)5×5模板經(jīng)過(guò)點(diǎn)p1時(shí)，r(x,y)＝0.4，經(jīng)過(guò)p2時(shí)，r(x,y)＝0.84。模板遍歷附圖2(a)所有輪廓點(diǎn)的r(x,y)變化如附圖2(b)所示，模板在角點(diǎn)區(qū)域p1-15會(huì)有明顯的峰值或者谷值，而籽粒粘連處的r(x,y)值明顯高于其他部分而形成峰值，我們將這些點(diǎn)命名為cpeak。通常情況下單個(gè)籽粒的cpeak值為0，cpeak的數(shù)量隨粘連區(qū)域內(nèi)籽粒個(gè)數(shù)的增加而增加，本發(fā)明設(shè)定r(x,y)值大于0.6的點(diǎn)即為籽粒粘連處的角點(diǎn)。

步驟4)閉合區(qū)域檢測(cè)：閉合區(qū)域檢測(cè)算法，檢測(cè)粘連籽粒間構(gòu)成的閉合區(qū)域數(shù)量；

若粘連籽粒構(gòu)成了閉合區(qū)域，則閉合區(qū)域(rclosed)的數(shù)量同樣為區(qū)域的重要特征，本發(fā)明利用孔洞填充算法填充籽粒圖像，并用填充后的圖像附圖3(b)減去原二值圖像附圖3(a)，便得到閉合區(qū)域圖像附圖3(c)，從而計(jì)算rclosed的數(shù)量。

步驟5)籽粒個(gè)數(shù)計(jì)算：籽粒個(gè)數(shù)＝籽粒粘連處的角點(diǎn)數(shù)/2-閉合區(qū)域數(shù)量+1；

根據(jù)籽粒粘連特性發(fā)現(xiàn)粘連區(qū)域籽粒的個(gè)數(shù)(gn)為：

整幅圖像的籽粒個(gè)數(shù)計(jì)算公式為：

以上對(duì)本發(fā)明做了詳盡的描述，實(shí)施例的說(shuō)明只是用于幫助理解本發(fā)明的方法及其核心思想，其目的在于讓熟悉此領(lǐng)域技術(shù)的人士能夠了解本發(fā)明的內(nèi)容并據(jù)以實(shí)施，并不能以此限制本發(fā)明的保護(hù)范圍。凡根據(jù)本發(fā)明精神實(shí)質(zhì)所作的等效變化或修飾，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。