一種水稻乳熟期自動(dòng)檢測的方法

專利名稱：一種水稻乳熟期自動(dòng)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(dòng)檢測方法，即以田間實(shí)時(shí)拍攝的水稻圖像序列為對象，從圖像特征上實(shí)時(shí)自動(dòng)檢測水稻足否進(jìn)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(gè)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(shí)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(jì)。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(jìn)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(dòng)檢測的一個(gè)重要環(huán)節(jié)，水稻乳熟期是水稻的第二個(gè)水分臨界期，此時(shí)期水稻對水分非常敏感，如果乳熟期水稻受旱，會(huì)嚴(yán)重影響籽粒灌漿，造成秕粒增多，千粒重下降進(jìn)而影響產(chǎn)量。準(zhǔn)確識(shí)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(gè)重要內(nèi)容。2003年孟亞利在《中國農(nóng)業(yè)科學(xué)》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(yù)測水稻頂端發(fā)育階段與物候期的模擬模型。每日熱效應(yīng)和光周期效應(yīng)分別選用Beta函數(shù)和二次曲線函數(shù)來描述，并引入5個(gè)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(dá)特定發(fā)育階段所需的生理發(fā)育時(shí)間保持恒定。利用不同環(huán)境下的播期試驗(yàn)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(jìn)行了預(yù)測，不同類型品種4個(gè)生育期的預(yù)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(xué)位論文“利用多時(shí)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(xué)報(bào)》上發(fā)表的論文“利用MODIS數(shù)據(jù)識(shí)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(jìn)行提取，同時(shí)利用時(shí)間序列對水稻的主要生長期進(jìn)行了識(shí)別，生長期識(shí)別誤差的時(shí)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(shí)時(shí)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(gè)雙季水稻觀測樣點(diǎn)，每8天對雙季稻進(jìn)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(shí)地采樣數(shù)據(jù)之間的關(guān)系，建立了水稻實(shí)時(shí)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(qiáng)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(qiáng)的相關(guān)關(guān)系，相關(guān)系數(shù)分別為O. 90，O. 89，擁有很強(qiáng)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(shí)際狀況。(2) LSWI在抽穗揚(yáng)花期與LAI的相關(guān)系數(shù)達(dá)到O. 8以上，將M0DIS-EVI和LSWI相結(jié)合可以實(shí)現(xiàn)研究區(qū)雙季稻從分蘗期到乳熟期的實(shí)施監(jiān)測。以上方法中孟亞利構(gòu)建了預(yù)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(gè)生長期進(jìn)行了預(yù)測，但沒有給出水稻乳熟期的具體預(yù)測方法，且從其他四個(gè)生長期的預(yù)測結(jié)果來看，其模型預(yù)測誤差較大，此種方法不適合水稻乳熟期的實(shí)時(shí)自動(dòng)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(jìn)行確定，利用時(shí)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(shí)時(shí)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(shí)時(shí)的對水稻種植密度進(jìn)行較準(zhǔn)確的計(jì)算，以便及時(shí)指導(dǎo)后期給水灌溉、估產(chǎn)等農(nóng)事活動(dòng)，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(dòng)檢測方法，能夠利用田間實(shí)時(shí)獲取的水稻數(shù)字圖像準(zhǔn)確地檢測出水稻是否進(jìn)入乳熟期。一種水稻乳熟期的自動(dòng)檢測方法，首先根據(jù)水稻歷史圖像序列離線訓(xùn)練得到稻穗像素點(diǎn)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(diǎn)在各亮度i =1，…，255下對應(yīng)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(jìn)入水稻乳熟期 (I)將當(dāng)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(diǎn)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(jìn)行比對，確定滿足顏色值分布情況的色彩分量對應(yīng)的像素點(diǎn)為稻穗像素點(diǎn)；(2)從由稻穗像素點(diǎn)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(jì)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(jìn)入乳熟期。進(jìn)一步地，所述根據(jù)水稻穗像歷史圖像序列離線訓(xùn)練得到稻穗像素點(diǎn)的水稻稻穗顏色信息表的具體實(shí)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(diǎn)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(yīng)值，b表示黃或藍(lán)的對應(yīng)值，其中L，a, b為8位無符號整形；(03)統(tǒng)計(jì)在每一亮度i = 1，…，255下(a，b)顏色值相同的稻穗像素點(diǎn)個(gè)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(diǎn)個(gè)數(shù)越多，則稻穗像素點(diǎn)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(biāo)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(biāo)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(jìn)行膨脹和腐蝕，得到水稻稻穗
顏色信息表。進(jìn)一步地，所述膨脹和腐蝕的具體實(shí)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(jìn)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(jìn)行腐蝕。進(jìn)一步地，所述步驟(3)計(jì)算稻穗角度檢測區(qū)域的稻穗彎曲角度的具體實(shí)現(xiàn)方式為(31)對所述稻穗角度檢測區(qū)域作連通域標(biāo)記；(32)計(jì)算第k個(gè)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(gè)連通域的長和寬，regionum為連通域個(gè)數(shù)；(33)計(jì)算稻穗角度檢測區(qū)域的稻穗彎曲角度RiceAngle1 = mean( Θ (k))。進(jìn)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(dòng)對所采集的實(shí)時(shí)前下視水稻田間圖像進(jìn)行 特征提取，并利用顏色信息對相機(jī)場景中的稻穗進(jìn)行圖像分割，對稻穗分割圖像的特定區(qū)域，計(jì)算稻穗的彎曲角度信息，進(jìn)而判斷該塊稻田中的水稻是否進(jìn)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(shí)時(shí)地對水稻生長圖像進(jìn)行計(jì)算，檢測結(jié)果準(zhǔn)確率高，對乳熟期以及后續(xù)的相關(guān)農(nóng)事活動(dòng)具有重要的指導(dǎo)意義。


圖I是訓(xùn)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(dòng)檢測水稻抽穗期的流程圖；圖4是待檢測序列中隨機(jī)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(biāo)記后的結(jié)果，圖中的白色方框部分為進(jìn)行水稻稻穗角度計(jì)算的檢索區(qū)域；圖7是一個(gè)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(jī)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(shí)間軸，縱軸為稻穗彎曲角度，圖中標(biāo)記出位置為水稻進(jìn)入乳熟期對應(yīng)時(shí)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(shí)間軸，縱軸為稻穗彎曲角度，圖中標(biāo)記出位置為水稻進(jìn)入乳熟期對應(yīng)時(shí)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(shí)間軸，縱軸為稻穗彎曲角度。
具體實(shí)施例方式下面結(jié)合附圖來詳細(xì)說明本發(fā)明一實(shí)施例。實(shí)施例中使用圖像序列采集與離地面高5米的相機(jī)，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(jī)分辨率不低于400萬像素。實(shí)施例以每一天為一檢測時(shí)段，每一檢測時(shí)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(shí)別水稻的主要關(guān)鍵生長期。此發(fā)明旨在自動(dòng)檢測水稻抽穗期。整個(gè)方法分為訓(xùn)練階段、分割階段和檢測階段。I.訓(xùn)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(jì)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(jī)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(yīng)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?yàn)榈舅胨枷袼匦。虼丝廴H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(diǎn)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(yīng)值，b表示黃或藍(lán)的對應(yīng)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(diǎn)相對應(yīng)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(gè)像素點(diǎn)查找，記num = I,若R(i, j)古O (背景區(qū)域?yàn)榧兒谏?，則獲取此水稻稻穗像素點(diǎn)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(gè)TotalNumX3的水稻稻穗顏色信息矩陣FT°talN X3。(3)統(tǒng)計(jì)在不同亮度i = 1，…，255下(a，b)顏色值相同的稻穗像素點(diǎn)個(gè)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(jī)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(jìn)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(diǎn)個(gè)數(shù)越多，則稻穗像素點(diǎn)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(biāo)定值。在像素點(diǎn)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(jìn)行排列得到向量mapLine，并計(jì)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(shí)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(biāo)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(biāo)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(yīng)該標(biāo)記為I的元素位置未能進(jìn)行標(biāo)記仍然為0，這就需要對ColorMap中的每一層進(jìn)行后續(xù)處理，以便填補(bǔ)稻穗樣本有限進(jìn)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(jìn)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(jìn)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(jì)表ColorMap。2.分割階段，利用訓(xùn)練階段生成稻穗的顏色信息統(tǒng)計(jì)表ColorMap，對待檢測實(shí)時(shí)前下視稻田水稻圖像進(jìn)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(jì)表，對實(shí)時(shí)前下視稻田圖像進(jìn)行水稻稻穗?yún)^(qū)域進(jìn)行粗選。將待分割圖像序列記為St，t = 1，2，…n，文中所有下標(biāo)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(shí)圖像中的第P行與第q列像素點(diǎn)相對應(yīng)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(diǎn)為水稻稻穗對應(yīng)像素點(diǎn)，將SLt此位置標(biāo)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(jìn)行去噪處理。利用標(biāo)記算法，對二值圖像SLt進(jìn)行8鄰域連通域標(biāo)記，第k個(gè)連通域記為SLt (k)，連通域的面積即像素個(gè)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(jìn)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(diǎn)，取S中此位置像素點(diǎn)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(jī)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(yīng)像素點(diǎn)值為1，背景像素點(diǎn)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(jì)算與水稻乳熟期綜合判斷兩個(gè)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(diǎn)坐標(biāo)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(jì)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(jì)算。稻穗彎曲角度計(jì)算可采用最小二乘法曲線擬合、Ransac曲線擬合等方法，本實(shí)施例給出另外一種較為簡單的計(jì)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(yīng)像素值為1，非稻穗?yún)^(qū)域?qū)?yīng)像素值為0，依次檢索SSLt中的每一個(gè)稻穗連通域，設(shè)在SSL1中檢測到有regionum個(gè)連通域，每個(gè)連通域的長寬分別為RegionLength(k),Regionwidth (k), k = 1,2,…，regionum,于是定義每個(gè)稻穗的彎曲角度為Θ (k)，單個(gè)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(jìn)行上述稻穗角度計(jì)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(gè)相機(jī)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(jī)檢測到稻穗彎曲角度為52. 26°時(shí)進(jìn)入乳熟期，如圖8所示；2011年早稻相機(jī)檢測到稻穗彎曲角度為52.01°時(shí)進(jìn)入乳熟期，如圖9所示。于是給出當(dāng)連續(xù)檢測到稻穗彎曲角度低于53°累計(jì)達(dá)到五次時(shí)，判斷水稻進(jìn)入乳熟期。利用累計(jì)次數(shù)可以防止個(gè)別由于風(fēng)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(shí)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(shí)水稻進(jìn)入乳熟期。上述檢測方法可行有一個(gè)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(fēng)天氣。如果水稻乳熟檢測過程中稻田遇到持續(xù)的大風(fēng)天氣，則上述算法會(huì)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(jì)分析有早稻平均于抽穗期12天后進(jìn)入乳熟期，晚稻于抽穗期14天后進(jìn)入乳熟期(如表I所示)。于是如果算法會(huì)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(fēng)等天氣現(xiàn)象的干擾，根據(jù)人工歷史統(tǒng)計(jì)數(shù)據(jù)以及計(jì)算機(jī)自動(dòng)檢測出的水稻抽穗期日期，對水稻乳熟期時(shí)間進(jìn)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(dòng)檢測方法，首先根據(jù)水稻歷史圖像序列離線訓(xùn)練得到稻穗像素點(diǎn)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(diǎn)在每一亮度i =1，…，255下對應(yīng)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(jìn)入水稻乳熟期 (1)將當(dāng)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(diǎn)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(jìn)行比對，確定滿足顏色值分布情況的色彩分量對應(yīng)的像素點(diǎn)為稻穗像素點(diǎn)； (2)從由稻穗像素點(diǎn)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(jì)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(jìn)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(dòng)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(xùn)練得到稻穗像素點(diǎn)的水稻稻穗顏色信息表的具體實(shí)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(diǎn)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(yīng)值，b表示黃或藍(lán)的對應(yīng)值，其中L，a，b為8位無符號整形； (03)統(tǒng)計(jì)在每一亮度i= 1，…，255的(a，b)顏色值相同的稻穗像素點(diǎn)個(gè)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(diǎn)個(gè)數(shù)越多，則稻穗像素點(diǎn)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(biāo)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(biāo)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(jìn)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(dòng)檢測方法，其特征在于，所述膨脹和腐蝕的具體實(shí)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(jìn)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(jìn)行腐蝕。
4.根據(jù)權(quán)利要求I所述的水稻乳熟期的自動(dòng)檢測方法，其特征在于，所述步驟(3)計(jì)算稻穗角度檢測區(qū)域的稻穗彎曲角度的具體實(shí)現(xiàn)方式為 (31)對所述稻穗角度檢測區(qū)域作連通域標(biāo)記； (32)計(jì)算第k個(gè)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(gè)連通域的長和寬，regionum為連通域個(gè)數(shù)； (33)計(jì)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(dòng)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(dòng)檢測方法，以稻田中實(shí)時(shí)采集到的前下視圖像為對象，自動(dòng)地較準(zhǔn)確地對圖像中的稻穗進(jìn)行分割，進(jìn)而在特定的檢索區(qū)域內(nèi)，計(jì)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(shí)時(shí)地對水稻稻穗進(jìn)行分割，進(jìn)而對水稻乳熟期進(jìn)行檢測，檢測結(jié)果準(zhǔn)確率高，誤差為前后三天，對水稻相應(yīng)的農(nóng)事活動(dòng)具有重要的指導(dǎo)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(xué)