一种水稻移栽分蘖的自动检测方法

摘要

本发明提供­­­一种水稻移栽分蘖的自动检测方法，以在稻田中采集到的实时前下视图像为对象，利用水稻叶面特征值自动地检测田间的水稻是否移栽，进而判断是否分蘖。该方法以表征水稻生长情况的重要参数作为判断依据，实时地对水稻生长期进行判断，检测结果准确率高，对水稻的农事活动具有重要的指导意义。

权利要求

1.一种水稻移栽分蘖的自动检测方法，具体为:

（1）在各检测时段内拍摄的水稻序列图像中分别提取水稻叶面区域；

（2）在提取后的水稻序列图像中检测水稻叶面特征值；

（3）若第i-1与第i时段间出现水稻叶面特征值的正跳变，则表明第i时段出现水稻移栽；

（4）在判定了出现水稻移栽的情况下，若第i时段与第i+j时段间出现水稻叶面特征值的正跳变，则表明第i+j时段出现水稻分蘖；

所述步骤（1）按照如下方式进行水稻叶面区域提取：

（11）获取待分割图像Dt中第i行,第j列的像素点对应在Y-Cb-Cr颜色空间的亮度分量Yt(i,j)和在H-S-V颜色空间的色调分量Ht(i,j),Y表示Y-Cb-Cr颜色空间定义亮度，Cb表示蓝色色度分量，Cr表示红色色度分量，H表示色调，S表示饱和度，V表示H-S-V颜色空间定义亮度；

（12）若deltaHt(i，j)≤1.9×standardHt(Yt(i，j))，记(i,j)为粗选水稻叶面像素点，其中，deltaHt(i，j)=|Ht(i，j)-meanHt(Yt(i，j))|，meanHt(Yt(i，j))为在历史统计的水稻叶面Y-H颜色特征统计表中Yt(i,j)对应的色调均值，standardHt(Yt(i，j))为在历史统计的水稻叶面Y-H颜色特征统计表中Yt(i,j)对应的色调方差，||表示取绝对值；

（13）将待分割图像Dt转化到L-a-b颜色空间，将Dt中每个像素点在L-a-b空间下的a值和b值作为此点的颜色特征进行聚类，获得Dt的聚类标签CLabelt,L表示亮度对应值，a表示红或绿对应值，b表示黄或蓝对应值；

（14）将聚类标签CLabelt中每一类颜色的对应像素点分别与步骤（12）得到的粗选水稻叶面像素点进行比较，找出相同的像素点，若相同像素点的数目占该类颜色对应像素点数目的一半以上，则确定该类颜色的所有像素点为水稻叶面区域组成部分；

（15）步骤（14）确定的各水稻叶面区域组成部分组合为最终水稻叶面区域。

2.根据权利要求1所述的水稻移栽分蘖的自动检测方法，其特征在于，所述水稻叶面特征值包括水稻叶面像素数目、水稻叶面区域二值图像骨架三叉点数目和水稻叶面区域灰度图像哈里斯特征点数目中的一个或组合。

3.根据权利要求1所述的水稻移栽分蘖的自动检测方法，其特征在于，所述步骤（3）中，若第i时段与第i-1时段的水稻叶面特征值比值大于等于3：1，则表明第i时段出现水稻移栽。

4.根据权利要求1所述的水稻移栽分蘖的自动检测方法，其特征在于，所述步骤（4）中，若第i+j时段与第i时段的水稻叶面特征值比值大于等于1.5：1，则表明第i+j时段出现水稻分蘖。

说明书

一种水稻移栽分蘖的自动检测方法

技术领域

[0001] 本发明属于数字图像处理和农业气象观测交叉领域，具体涉及一种水稻移栽分蘖的自动检测方法，即以拍摄的田间水稻图像序列为对象，从图像特征上检测水稻是否移栽与是否发生分蘖的方法。

背景技术

[0002] 水稻是我国主要的粮食作物之一，在我国南方种植广泛。水稻的整个发育期、产量和质量容易受到气候变化的影响。一直以来，对于水稻各发育期的观测主要是通过人工观测的方式，受观测员主观因素的影响较大；同时由于水稻种植地域广、生长周期长，利用人力进行观测也不够经济且存在着一定的主观性。因此，通过每天所拍摄的稻田图像，借助图像处理的手段，对其发育期进行观测就显得十分必要。水稻分蘖是水稻生长的一个重要环节，有效而准确的识别这一时期，是农业气象观测的一个重要内容。

[0003] 2007年刘继承在硕士论文“基于数字图像处理技术的水稻长势监测研究”中仅仅用单株水稻图像实现对水稻的多种形态特征参数进行了提取，利用叶面指数来描述水稻群体的长势变化；2005年田翠玲在硕士论文“水稻长势遥感监测与产量预报复合建模研究”中利用NOAA卫星的可见光通道和近红外通道，构造植被指数(NDVI)，结合地面样区实测叶面积指数，进行水稻的叶面积指数的遥感监测与产量的预报。2008年孙华生在博士学位论文“利用多时相MODIS数据提取中国水稻种植面积和长势信息”和2009年在《遥感学报》上发表的论文“利用MODIS数据识别水稻关键生长发育期”中研究利用EOS-MODIS数据空间中覆盖中国范围的数据，对全国范围水稻种植面积和生长信息进行提取，同时利用时间序列对水稻的主要生长期进行了识别，生长期识别误差的时间在±16天左右；以上方法中田翠玲和孙华生是利用遥感数据对水稻的种植区域进行确定，利用时间序列中水稻的叶面积指数，对主要生长期进行识别并估产，但由于遥感图像分辨率低，且容易受到云层、云阴影和气溶胶等影响，使得水稻生长期的识别误差较大，在±16天左右。刘继承的硕士学位论文“基于数字图像处理技术的水稻长势监测研究”中仅用单株水稻来描述水稻群体的生长变化显然不可行，而用图像灰度分割后的叶面积指数单一特征来描述水稻群体的生长变化，难免会给算法的鲁棒性带来影响导致识别准确性降低。然而，在农业气象观测领域，主要通过利用稻田的水稻图像实时的对水稻移栽分蘖日期进行较准确的检测，以便及时指导施肥和防虫害等农事活动，而且稻田中水稻受浮萍等影响背景复杂，光照变化剧烈，上述利用遥感图像或仅用单一特征的方法都不可行。

发明内容

[0004] 本发明目的在于提供一种水稻移栽分蘖的自动检测方法，能够精确地检测出水稻移栽与分蘖的时间。

[0005] 一种水稻移栽分蘖的自动检测方法，具体为：

[0006] (1)在各检测时段内拍摄的水稻序列图像中分别提取水稻叶面区域；

[0007] (2)在提取后的水稻序列图像中检测水稻叶面特征值；

[0008] (3)若第i-1与第i时段间出现水稻叶面特征值的正跳变，则表明第i时段出现水稻移栽；

[0009] (4)若第i时段与第i+j时段间出现水稻叶面特征值的正跳变，则表明第i+j时段出现水稻分蘖。

[0010] 所述水稻叶面特征值包括水稻叶面像素数目、水稻叶面区域二值图像骨架三叉点数目和水稻叶面区域灰度图像哈里斯特征点数目中的一个或组合。

[0011] 所述步骤(1)利用历史统计的水稻叶面Y-H颜色特征统计表进行水稻叶面区域提取，水稻叶面Y-H颜色特征统计表包含信息有：水稻叶面像素点在各亮度下对应的色调均值和色调方差。

[0012] 所述步骤(3)中，若第i时段与第i-1时段的水稻叶面特征值比值大于等于3∶1，则表明第i时段出现水稻移栽。

[0013] 所述步骤(4)中，若第i+j时段与第i时段的水稻叶面特征值比值大于等于1.5∶1，则表明第i+j时段出现水稻分蘖。

[0014] 所述步骤(1)按照如下方式进行水稻叶面区域提取：

[0015] (11)获取待分割图像Dt中第i行，第j列的像素点对应在Y-Cb-Cr颜色空间的亮度分量Yt(i，j)和在H-S-V颜色空间的色调分量Ht(i，j)，Y表示Y-Cb-Cr颜色空间定义亮度，Cb表示蓝色色度分量，Cr表示红色色度分量，H表示色调，S表示饱和度，V表示H-S-V颜色空间定义亮度；

[0016] (12)若deltaHt(i，j)≤1.9×standardHt(Yt(i，j))，记(i，j)为粗选水稻叶面像素点，其中，deltaHt(i，j)＝|Ht(i，j)-meanHt(Yt(i，j))|，meanHt(Yt(i，j))为在历史统计的水稻叶面Y-H颜色特征统计表中Yt(i，j)对应的色调均值，standardHt(Yt(i，j))为在历史统计的水稻叶面Y-H颜色特征统计表中Yt(i，j)对应的色调方差，表示取绝对值；

[0017] (13)将待分割图像Dt转化到L-a-b颜色空间，将Dt中每个像素点在L-a-b空间下的a值和b值作为此点的颜色特征进行聚类，获得Dt的聚类标签CLabelt，L表示亮度对应值，a表示红或绿对应值，b表示黄或蓝对应值；

[0018] (14)将聚类标签CLabelt中每一类颜色的对应像素点分别与步骤(12)得到的粗选水稻叶面像素点进行比较，找出具有相同的像素点，若相同像素点的数目占该类颜色对应像素点数目的一半以上，则确定该类颜色的所有像素点为水稻叶面区域组成部分；

[0019] (15)步骤(14)确定的各水稻叶面区域组成部分组合为最终水稻叶面区域。

[0020] 本发明的技术效果体现在：本发明自动对所采集的实时前下视水稻田间图像进行特征提取，并利用提取到的图像特征，判定该块稻田中的水稻是否移栽，进而判断是否进入分蘖期。该方法以表征水稻生长情况的重要参数作为判断依据，实时地对水稻生长期进行判断，检测结果准确率高，对水稻的农事活动具有重要的指导意义。

附图说明

[0021] 图1是训练阶段的流程图；

[0022] 图2是水稻叶面彩色图像分割的流程图；

[0023] 图3是检测水稻是否移栽的流程图；

[0024] 图4是检测水稻是否进入分蘖期的流程图；

[0025] 图5是训练图像集中随机挑选的一张；

[0026] 图6是图4中的图像人工阈值分割的结果；

[0027] 图7是待检测序列中随机挑选的一张图像；

[0028] 图8是图6中图像的最终分割结果；

[0029] 图9是图6中图像分割结果的二值图像骨架；

[0030] 图10是本发明整体流程图。

具体实施方式

[0031] 下面结合附图来详细说明本发明的较佳实施例，图10是本发明整体流程图，本发明实施例以每一天为一检测时段，每一检测时段内拍摄w张水稻图像(w＝5)。整个方法分为训练阶段、分割阶段和检测阶段。

[0032] 1.训练阶段：通过前一年拍摄的稻田水稻的历史图像数据，统计图像中水稻叶面的H(色度)颜色特征随着Y(亮度)的变化规律，其流程如图1所示，具体步骤如下：

[0033] (1)样本图像生成，在历史图像数据中，随机选取各种光照条件下拍摄的稻田水稻图像100幅左右，将原图的R-G-B颜色空间转换为r-g-b颜色空间，再将r与g两个通道转化到极坐标系内，在极坐标系中利用方向与半径两个参数进行阈值分割，将水稻叶面区域保留，其它区域置为白色，得到水稻叶面的样本图像。

[0034] (2)生成水稻叶面Y-H颜色特征统计表，水稻叶面Y-H颜色特征统计表包含信息有：水稻叶面像素点在各亮度下对应的色调均值和色调方差。在生成水稻叶面样本图像之后，统计其中水稻叶面在H-S-V和Y-Cb-Cr颜色空间中的变化规律，其中Y表示亮度，Cb表示蓝色色度分量，Cr表示红色色度分量，H表示色调，S表示饱和度，V表示亮度，具体过程如下：

[0035] 设样本图像集为Sm，m＝1...150，图像中的第i行与第j列像素点相对应的在Y-Cb-Cr颜色空间的色彩分量Ym(i，j)、Cbm(i，j)、Crm(i，j)和在H-S-V颜色空间的色彩分量Hm(i，j)、Sm(i，j)、Vm(i，j)，依次从每张样本图像的每个像素点查找，记num＝1，若Hm(i，j)≠0或Sm(i，j)≠0或Vm(i，j)≠1，则获取水稻叶面像素点特征为[Ynum，Hnum]，且令num＝num+1。依次查找直到终止，将最后的num记为TotalNum。于是上述过程得到一TotalNum×2个TotalNum×2的水稻叶面像素特征矩阵F 。

[0036] 为充分利用水稻叶面在各种光照条件下的颜色特征，将FTotalNum×2矩阵按行进行随RowNum×2 256×RowNum机排列，再截取其中的前RowNum行特征，记为f ，再定义全零矩阵z 。依次从iRowNum×2
＝1，2，…，256，在f (也即[YRowNum，HRowNum])中查找Y＝i-1的所有Hm，m＝1，2，…RowNum×2 256×RowNum
Ni，其中Ni表示f 中Y＝i-1的像素数目，最后令z 的第i行元素从左端开始
按顺序定义为Hm，m＝1，2，…Ni，若Ni＜RowNum，不足的位置仍取0。

[0037] 在像素点亮度为Y＝y，y＝0，1，…，255的情况下，可以求出水稻叶面的色调分量H的均值和方差，公式分别为：

[0038] y＝0，1，…，255；

[0039] 和

[0040] y＝0，1，…，255

[0041] 其中RowNum的取值区间为[2000，5000]，此处我们选择RowNum＝2200，获得了较好的结果。

[0042] 因此，可以生成水稻叶面的Y-H颜色特征统计表：

[0043]

[0044] 上述训练阶段完成后，我们已经得到水稻叶面颜色的先验信息记为：

[0045]

[0046] 2.分割阶段，利用训练阶段生成的水稻叶面Y-H颜色特征统计表，对待检测的实时前下视稻田水稻图像进行水稻叶面的分割，流程图如附图2所示，具体操作步骤如下：

[0047] (1)利用水稻叶面的Y-H颜色特征统计表，对实时的前下视棉田视频图像进行水稻叶面区域粗选。将待分割图像序列记为Dt，t＝1，2，…n，、文中所有下标t均代表待测图像序列中的每张图像。图像中的第i行与第j列像素点相对应的在Y-Cb-Cr颜色空间的色彩分量Yt(i，j)、Cbt(i，j)、Crt(i，j)和在H-S-V颜色空间的色彩分量Ht(i，j)、St(i，j)、Vt(i，j)，定义行列数与S相同的全零矩阵逻辑矩阵SLt。

[0048] 令

[0049] deltaHt(i，j)＝|Ht(i，j)-meanHt(Yt(i，j)，1)|

[0050] 若

[0051] deltaHt(i，j)＞1.9×standardHt(Yt(i，j)，1)

[0052] 则取SLt此位置记为1，得到粗选后水稻叶面区域的分割结果逻辑矩阵SLt。

[0053] (2)将待分割图像Dt转化到L-a-b颜色空间，L表示亮度对应值，a表示红或绿对应值，b表示黄或蓝对应值。将每个像素点在L-a-b空间下的a值和b值作为此点的颜色特征进行k-means聚类，指定为五类。获得原图S的聚类标签CLabelt，CLabelt是行列数与Dt相同的单通道矩阵，且其中每个元素为Dt中对应位置像素点k-means的聚类标签。

[0054] (3)将上一步CLabelt中的每一类对应点的区域与粗选后的分割结果SLt中的元素值为0的区域分别进行叠加，计算每一类区域与一次分割结果的重合度MDegreet(r)，r＝1，2，…5；定义全零矩阵逻辑矩阵BWt，行列数与SLt相同，且令

[0055]

[0056] (4)连通域标记和去噪，利用标记算法，对二值图像BWt进行8邻域连通域标记，第k个连通域记为BWt(k)，连通域的面积即像素个数记为numt(k)，根据如下的公式：

[0057]

[0058] 去除较小的连通域以降低浮萍等水生植物的干扰。面积阈值Threshold根据需要进行选择，一般为[8，20]。一般可取Threshold为10。操作完成后得到最后的BWt。查找BWt中(i，j)位置为0的点，取S中此位置像素点为黑色，于是我们得到图像Dt中水稻叶面的最后分割结果DResultt，图像序列中随机选取的一张图像如图7，则它的分割结果如图8所示。

[0059] 本实施例分割阶段是利用历史统计的Y-H颜色特征统计表进行水稻叶面区域提取，这是优选方式，但不局限该方式，现有的图像分割方法均可实现本发明。

[0060] 3.检测阶段，利用上面的水稻叶面分割结果，提取图像的三种特征：水稻叶面像素数目、水稻叶面区域二值图像骨架三叉点数目和水稻叶面区域灰度图像哈里斯Harris特征点数目，然后进行相机场景中水稻是否移栽和是否进入分蘖期的自动判断。

[0061] (1)统计上面得到的BWt中元素为1的数目RicePixelsnumt，令RicePixelsnumt作为图像的水稻叶面像素数量特征；

[0062] (2)利用BWt对应的二值图像进行形态学处理，提取二值图像轮廓进行细化得到骨架(Lam，L.，Seong-Whan Lee，and Ching Y.Suen，″Thinning Methodologies-A Comprehensive Survey， ″ IEEE Transactions on Pattern Analysis and Machine Intelligence，Vol 14，No.9，September 1992，page 879，bottom of first column through top of second column.)。随机选取的单张图像骨架如图9所示。统计骨架上面的三叉点(Cecilia Di Ruberto，Recognition of shapes by attributed skeletal graphs，Pattern Recognition 37，21-31，2004)数目Triplenumt，令Triplenumt作为图像的三叉点特征。

[0063] (3)将分割后的彩色结果DResultt转化为灰度图像。提取灰度图像的Harris特征点(C.Harris and M.Stephens.A combined corner and edge detector.In Alvey VisionConference，pages 147-151，1988.)高斯平滑时标准差sigma取1，阈值thresh取500，区域半径选为radius取为2，统计上面的Harris特征点的数目Harrnumt，令Harrnumt作为图像的特征点特征。

[0064] (4)首先综合判断水稻是否移栽。在图像序列Dt中，Dt指图像中的第t张，由以上方法可以依次获得RicePixelsnumt、Triplenumt和Harrnumt，t＝1，2，…，n。假定该图像序列中同一天内不同时刻点有w张图像。按不同时刻点对RicePixelsnumt、Triplenumt和Harrnumt，t＝1，2，…，n划分为w个子序列RicePixelsnum(i)s、Triplenum(i)s和Harrnum(i)s，i＝1，2，…，w，s＝1，2，…，n(i)′，其中n(i)′为第i个子序列中的图像数量。水稻移栽的判断准则是：

[0065] 对每一个子序列，若

[0066] RicePixelsnum(i)s≥rate×RicePixelsnum(i)s-1

[0067] rate＝3，则表示第i个子序列检测到了水稻移栽。若同天内有超过w/2的子序列检测到水稻移栽，则综合判定此天发生水稻移栽，否则未移栽。利用上述准则检测移栽，直至检测到水稻已移栽，并且将移栽当天三个特征记为RicePixelsnum(i)0、Triplenum(i)0和Harrnum(i)0，i＝1，2，…，w。最后对检测到的日期进行输出，具体流程如图3所示。

[0068] 本实例中，在判断移栽时，只使用了水稻叶面区域像素数目这一个特征值，这是因为通过多次方案比较，发现本步骤只使用一个特征值和使用两个及三个特征值进行判断时，结果相近，但特征值用的越多，计算量越大，影响计算速度，因此本实例只选用其中一个特征值。

[0069] (5)综合判断水稻是否进入分蘖期。检测到水稻移栽，同样依次获得w个子序列RicePixelsnum(i)s、Triplenum(i)s和Harrnum(i)s，i＝1，2，…，w，s＝1，2，…，n(i)′。水稻进入分蘖期的判断准则是：

[0070] 对每一个子序列，若

[0071]

[0072] 则表示第i个子序列检测到了水稻进入分蘖期，r＝1.5。若同天内有超过w/2的子序列检测到水稻移栽，则综合判定此天发生水稻进入分蘖期，否则未进入分蘖期。利用上述准则检测进入分蘖期，直至检测到水稻已进入分蘖期，最后对检测到的日期进行输出，具体流程如图4所示。

[0073] 本实施例提取了水稻的三个特征值即水稻叶面像素数目、水稻叶面区域二值图像骨架三叉点数目和水稻叶面区域灰度图像Harris特征点数目，在应用中，不局限上述三个特征值，只使用其中的一个或两个或新增或替换特征值均可实现本发明。