專利名稱：一種水稻移栽后密度自動檢測的方法
技術領域：
本發(fā)明屬于數(shù)字圖像處理和農(nóng)業(yè)氣象觀測交叉領域，具體涉及到一種水稻移栽后密度的自動檢測方法，即以田間拍攝的水稻圖像序列為對象，從圖像特征上檢測水稻種植密度的方法。
背景技術：
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。水稻種植密度是田間水稻檢測的一個重要環(huán)節(jié)，準確識別水稻種植密度，可以便與后期相關的田間作業(yè)，它是農(nóng)業(yè)氣象觀測的 ー個重要內容。2009年劉海娟在碩士論文“基于圖像處理的水稻成熟期密度檢測”中提出了ー種利用圖像檢測水稻冠層密度分布的方法，利用檢測到的冠層密度實時對聯(lián)合收割機工作過程的調整喂入量，以便減少水稻在收割過程中的損失；2008年高建峰發(fā)表論文“輔以ETM的 MODIS水稻種植面積監(jiān)視研究”探索了 ETM輔助下新一代衛(wèi)星傳感器MODIS在更小空間尺度下監(jiān)視水稻種植面積。2005年田翠玲在碩士論文“水稻長勢遙感監(jiān)測與產(chǎn)量預報復合建模研究”中利用NOAA衛(wèi)星的可見光通道和近紅外通道，構造植被指數(shù)(NDVI)，結合地面樣區(qū)實測葉面積指數(shù)，進行水稻的葉面積指數(shù)的遙感監(jiān)測與產(chǎn)量的預報。以上方法中田翠玲和高建峰是利用遙感數(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，獲得的水稻種植面積誤差較大，無法準確獲得水稻的種植密度。而劉海娟在碩士論文中只對水稻成熟期水稻的稻穗密度進行估測，此方法仍不能用來進行確定水稻的種植密度。然而，在農(nóng)業(yè)氣象觀測領域，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，以便及時指導后期間苗、估產(chǎn)等農(nóng)事活動，而且稻田中水稻受浮萍等影響背景復雜，光照變化劇烈，上述利用遙感圖像等方法都不可行。

發(fā)明內容
本發(fā)明目的在于提供ー種水稻種植密度的自動檢測方法，該方法利用田間水稻數(shù)字圖像準確地檢測出水稻的種植密度。一種水稻移栽后密度自動檢測方法，具體為對水稻圖像進行ニ值分割；初始化R個半徑不同的圓形狀結構元素MrEroded ；利用R個圓形狀結構元素MrEroded對分割得到的ニ值圖像進行腐蝕得到R個腐蝕結果 bwerodetK ；創(chuàng)建L個邊長不同的方形形狀結構元素MrDilate ；
利用L個方形形狀結構元素MrDilate對腐蝕結果lwer0detK·行膨脹，得到RXL 個膨脹結果bwdilatei;檢測各膨脹結果lmdilate‘的異常連通域數(shù)量；選取異常連通域數(shù)量從急劇下降到緩慢下降的轉折點對應的方形形狀結構元素作為最優(yōu)結構膨脹元素；利用最優(yōu)膨脹元素對腐蝕結果bwer0detK進行膨脹；從利用最優(yōu)膨脹結構元素對腐蝕結果bwer0detK進行膨脹的結果中選取連通域數(shù)量最多對應的圓形狀結構元素為最優(yōu)腐蝕結構元素；利用最優(yōu)腐蝕結構元素和最優(yōu)膨脹結構元素對ニ值圖像進行先腐蝕再膨脹得到 BffEDt ；統(tǒng)計BWEDt的連通域個數(shù)RegionNumt ；計算水稻密度= RegionNumt xbx…ゾ o---，b為每個稻穴中植
0.0013 χ SceneArea
入水稻數(shù)量，SceneArea為相機場景面積。進ー步地，所述異常連通域是指滿足公式(1)或(2)的連通域；Distance ^ K1XMinDist (1)Distance為本連通域與其它連通域質心的最短歐式距離，MinDist為所有連通域的Distance的均值，0. 3彡K1彡0. 6 ；Pixnum為本連通域的像素數(shù)，MinPixnum為所有連通域的Pixnum的均值， 0. 15 ^ K2 ^ 1,2 ^ K3 ^ 3。進ー步地，在計算水稻密度步驟之前對所述BWEDt作去噪或/和連通域斷開操作。本發(fā)明的技術效果體現(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分割，并利用自適應腐蝕和膨脹操作計算圖像中水稻穴數(shù)，進而計算得到該塊稻田中的水稻的種植密度。該方法以表征水稻穴的連通域屬性作為判斷依據(jù)，實時地對水稻生長圖像進行計算，檢測結果準確率高，對后期相關的農(nóng)事活動具有重要的指導意義。


圖1是訓練階段的流程圖2是水稻葉面彩色圖像分割的流程圖3是檢測水稻種植密度的流程圖4是訓練圖像集中隨機挑選的ー張；
圖5是圖4中的圖像人工閾值分割的結果；
圖6是待檢測序列中隨機挑選的ー張圖像；
圖7是圖6中圖像的最終分割結果；
圖8是圖6分割結果自適應膨脹腐蝕處理后的結果；
圖9是圖6分割結果腐蝕結構元素大小為1時膨脹檢索曲線
圖10是相機觀測場景示意圖。
具體實施例方式下面結合附圖來詳細說明本發(fā)明的較佳實施例，本發(fā)明中使用圖像序列采集與離地面高5米的相機，鏡頭焦距為12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。實施例以每一天為ー檢測時段，每ー檢測時段內拍攝w張水稻圖像(W =幻。每天為一檢測階段，有利于識別水稻的主要關鍵生長期。此發(fā)明旨在檢測水稻種植密度以及監(jiān)視稻田的密度變化，此處的水稻的密度只需三天左右檢測一次。整個方法分為訓練階段、分割階段和檢測階段。1.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)計圖像中水稻葉面的H(色度)顏色特征隨著Y (亮度)的變化規(guī)律，其流程如圖1所示，具體步驟如下(1)樣本圖像生成，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稻田水稻圖像100幅左右，將原圖的R-G-B顏色空間轉換為r-g-b顏色空間，再將r與g兩個通道轉化到極坐標系內，在極坐標系中利用方向與半徑兩個參數(shù)進行閾值分割，將水稻葉面區(qū)域保留，其它區(qū)域置為純白色，得到水稻葉面的樣本圖像。圖4是訓練圖像集中隨機挑選的ー張，圖5是此張圖像的人工閾值分割的結果。(2)生成水稻葉面Y-H顏色特征統(tǒng)計表，水稻葉面Y-H顏色特征統(tǒng)計表包含信息有水稻葉面像素點在各亮度下對應的色調均值和色調方差。在生成水稻葉面樣本圖像之后，統(tǒng)計其中水稻葉面在H-S-V和Y-Cb-Cr顏色空間中的變化規(guī)律，其中Y表示亮度，Cb表示藍色色度分量，Cr表示紅色色度分量，H表示色調，S表示飽和度，V表示亮度，具體過程如下設樣本圖像集為Sm，m =ぃ"150，圖像中的第i行與第j列像素點相對應的在 Y-Cb-Cr顏色空間的色彩分量Yffl(i, j)、Cbffl(i, j)、Crffl(i, j)和在H-S-V顏色空間的色彩分量禮⑴カメぶ，カ次ひ，カ，依次從每張樣本圖像的每個像素點查找，記皿?。。ˉ摔啡舳Yひ， j)興0或、(i，j)興0或Vm(i，j)興1(背景區(qū)域為純白色)，則獲取此水稻葉面像素點特征為[Y·，Hnum]，且令num = num+1。依次查找直到終止，將最后的num記為TotalNum。于是上述過程得到ー個TotalNumX 2的水稻葉面像素特征矩陣FT°talNumX2。為充分利用水稻葉面在各種光照條件下的顏色特征，將FT°taltaX2矩陣按行進行隨機排列，再截取其中的前RowNum行特征，記為fKOTN X2。定義全零矩陣z256XK°wNum，依次從i = 0,2,…，255，在產(chǎn)—X2(也即[Yeownud, Heownub])中查找 Y= i 的所有 Hm，m= 1，2，...Ni,其中Ni表示fK°—X2中Y = i的像素數(shù)目，最后令ザ6—的第i行元素從左端開始按順序定義為Hm，m = 1,2, -Ni5Ni < RowNum，不足的位置取0。在像素點亮度為Y = i，i = 0，1，…，255的情況下，可以求出水稻葉面的色調分量H的均值和方差，公式分別為
權利要求
1.一種水稻移栽后密度自動檢測方法，具體為 對水稻圖像進行ニ值分割；初始化R個半徑不同的圓形狀結構元素MrEroded ；利用R個圓形狀結構元素MrEroded對分割得到的ニ值圖像進行腐蝕得到R個腐蝕結果 bwerodetE ；創(chuàng)建L個邊長不同的方形形狀結構元素MrDilate ；利用L個方形形狀結構元素MrDilate對腐蝕結果lmerodetK進行膨脹，得到RX L個膨脹結果Wdilatetl^;檢測各膨脹結果bwdilate‘的異常連通域數(shù)量；選取異常連通域數(shù)量從急劇下降到緩慢下降的轉折點對應的方形形狀結構元素作為最優(yōu)結構膨脹元素；利用最優(yōu)膨脹元素對腐蝕結果bwer0detK進行膨脹；從利用最優(yōu)膨脹結構元素對腐蝕結果bwer0detK進行膨脹的結果中選取連通域數(shù)量最多對應的圓形狀結構元素為最優(yōu)腐蝕結構元素；利用最優(yōu)腐蝕結構元素和最優(yōu)膨脹結構元素對ニ值圖像進行先腐蝕再膨脹得到 BffEDt ；統(tǒng)計BWEDt的連通域個數(shù)RegionNumt ；計算水稻密度ルCeMzmi = RegionNumt xbx議ド^-—-，b為每個稻穴中植入水稻數(shù)量，SceneArea為相機場景面積。
2.根據(jù)權利要求1所述的水稻移栽后密度自動檢測方法，其特征在干，所述異常連通域是指滿足公式(1)或的連通域；Distance ^ K1XMinDist (1)Distance為本連通域與其它連通域質心的最短歐式距離，MinDist為所有連通域的 Distance 的均值，0. 3 彡 K1 彡 0. 6 ；Pixnum < K2 χ MinPixnum()Pixnum > K3 χ MinPixnumPixnum為本連通域的像素數(shù)，MinPixnum為所有連通域的Pixnum的均值， 0. 15 ^ K2 ^ 1,2 ^ K3 ^ 3。
3.根據(jù)權利要求1所述的水稻移栽后密度自動檢測方法，其特征在干，在計算水稻密度步驟之前對所述BWEDt作去噪或/和連通域斷開操作。
全文摘要
本發(fā)明提供了一種水稻移栽后密度自動檢測方法，該方法對所采集的實時前下視水稻田間圖像進行分割，并利用自適應腐蝕和膨脹操作計算圖像中水稻穴數(shù)，進而計算得到該塊稻田中的水稻的種植密度。該方法以表征水稻穴的連通域屬性作為判斷依據(jù)，實時地對水稻生長圖像進行計算，檢測結果準確率高，對后期相關的農(nóng)事活動具有重要的指導意義。
文檔編號G06T7/00GK102542560SQ20111033685
公開日2012年7月4日 申請日期2011年10月31日 優(yōu)先權日2011年10月31日
發(fā)明者余正泓, 吳茜, 張雪芬, 曹治國, 李翠娜, 王玉, 白曉東, 薛紅喜, 鄢睿丞 申請人:華中科技大學