基于图像处理的小麦穗长测量

姜盼,张彬,毕昆

(1.中国传媒大学理学院,北京 100024;2.国家农业智能装备工程技术研究中心,北京 100097)

1 引 言

小麦是我国主要的粮食作物之一,其种植面积和产量仅次于水稻,占全世界人口 35%-40%的人们以此为主要粮食,同时小麦也在解决我国人口众多耕地不足的粮食危机问题中担负着重要的角色,因此提高小麦的品质和产量是我国目前需要迫切解决的问题。小麦育种和考种是提高小麦产量研究的重要环节,此环节中,农艺性状的测量至关重要,穗长则是其中的重要参数之一,也是专家关心的主要外部形态参数。

目前,国外对于单株小麦外观参数提取的研究较少,而基于遥感成像技术的预产[1]、病虫害预警[2]和评估[3]研究较多。国内有基于图像处理或机器视觉实现小麦籽粒外观特征提取[15]和棉花纤维长度测量[16]的研究,而通过计算机图像提取小麦穗长方面的研究还未见相关报道,国内外市场上也没有能自动测量麦穗长度的专用仪器设备及软件。目前我国育种人员在考种时测量穗长的方法主要采用细绳、直尺或卷尺人工定位麦穗的两个端点(颈节点和顶点)进行直接测量的方法,该方法误差较大,带有个人主观性,费时费力,重复性差,数字化程度低。本文将采用扫描仪扫描成熟期小麦的图像,通过图像处理方法自动测量麦穗的长度。

2 穗长测量算法

小麦生长环境不同,麦穗的长势也不同,麦穗长度的测量有两个基本思路:一种方法是找麦穗上部图像的中轴点进行曲线拟合并计算曲线长度,但这种方法存在曲线拟合效果差,计算结果不同程度偏大的缺陷,无法对系统误差进行较好的校正。另一种方法是计算旋转后麦穗外接矩形的长度,经过对比,发现第二种方法更接近人工测量习惯。本文以新疆的 4种春小麦品种为研究对象,利用旋转麦穗后计算外接矩形方法对 20个随机麦穗样本进行了穗长的自动测量。

2.1 图像获取及预处理

图像获取硬件设备为佳能平板式扫描仪,将扫描仪和计算机相连接,为了突出成熟期的小麦麦穗图像(黄色),采集图像时以黑色纸张作为背景,设定扫描分辨率为 300dpi,扫描小麦的灰度图像。系统结构如图 1所示。

图 1 系统结构图

应用 Matlab的二值化函数将小麦灰度图像转化为二值图像。二值转换阈值设置为 0.5,转换结果如图 2所示。在转换后的二值图像中,有部分芒在阈值分割过程中未保留,但是并不影响对小麦穗长的测量。

图2 小麦二值化后的图像

2.2 形态学腐蚀膨胀去芒

各品种小麦长势错综复杂,对于多芒品种,数量多且交叉的芒将会影响麦穗顶点的判断从而导致穗长测量误差偏大,可通过形态学腐蚀膨胀和闭运算[4]的组合将绝大部分麦芒去除,处理结果如图 2所示。二值形态学中的运算对象是集合,通常给出两个集合:图像集合和结构元素集合,利用结构元素对图像进行操作。

如果 A是二值化后的小麦图像集合,B是结构元素(B本身也是一个图像集合),形态学运算将使用 B对 A进行操作,结构元素往往比图像小得多。

小麦图像集合被膨胀就是把小麦图像“加长”或“变粗”的操作,这个过程由结构元素来控制,定义为 A⊕B

小麦图像集合被腐蚀是对二值小麦图像进行“收缩”或“细化”的过程,收缩的方式和程度由结构元素控制,定义为 AΘB

在图像处理的实际应用中,通常将膨胀和腐蚀进行各种形式的组合来进行运算,膨胀后再腐蚀,或者腐蚀后再膨胀,操作处理后一般不能恢复回原来图像,而是产生一种新的形态变换,这就是开运算和闭运算。小麦图像 A被 B的形态闭运算是先膨胀再腐蚀的结果:

首先通过对小麦二值化图像进行形态学闭运算,再进行两次形态学腐蚀运算和两次膨胀运算以弥补过腐蚀现象的方法去除小麦二值图像中的麦芒。本文采用的结构元素为 3×3值为 1的二维矩阵,经过上述处理将麦芒去除后,再去除图像中的小块面积(小麦图像面积的 0.01%)得到只有茎杆和穗上部的图像,如图 3所示

图 3 小麦主部图像

2.3 麦穗与穗茎的分割

按照国家育种标准,穗长是自穗颈节至穗顶(不包括芒)的长度。根据麦穗的上部和茎杆之间的宽度差异可以将麦穗的上部和茎杆分割,得到只有麦穗的图像,分割的依据是图 3中每行黑色像素点的个数(宽度),以最底部茎杆的宽度 L为基准,记 180%*L的点为分割点,分割后的上部为麦穗图像,下部为茎杆图像,分割结果如图 4所示。

2.4 主轴方向角的确定

在图像处理过程中,为了识别物体或计算物体的长度,通常需求出物体的主轴的方向、长度和位置等信息。物体的主轴方向可以通过图像的几何矩求得,图像的几何矩具有平移、旋转、缩放等操作后均不会变性的特点。低阶矩描述的是图像的整体特征:目标物体的面积可以通过零阶矩来描述、质心位置可以通过一阶矩来描述、主轴和辅轴的方向角可以通过二阶矩来计算,详细的小麦图像的矩计算公式如下[9]。

图 4 麦穗上部图像

如果将按距离分割后的麦穗上部图像看成一个二维密度分布的二元有界函数 f(x,y),函数值 f(x,y)表示点(x,y)处图像像素的灰度值,则小麦图像二维密度分布函数f(x,y)的(j+k)阶矩表示为Mjk,其计算公式为:

则其零阶矩为:

质心位置为:

小麦麦穗的中心距为:

处理后的二值图像目标物体灰度值为 0,背景灰度值为 1,小麦麦穗的主心主轴方向则为:

2.5 旋转外接矩形的长度计算

外界环境或者其它条件都会对麦穗的生长形态产生影响,导致麦穗形状弯曲程度不同,若不将麦穗上部图像进行旋转直接计算外接矩形的长度为穗长,会产生较大误差。以麦穗的底部端点为原点,顺时针旋转麦穗 α角度。旋转时可能新坐标并不是整数,因此可采用双线性插值计算新坐标的灰度值。双线性插值的核心思想是在水平方向和竖直方向上分别进行一次线性插值,具体的插值运算公式在本文不再详细阐述。旋转后重新计算外接矩形的长度即为麦穗的长度,旋转结果如图 5所示。

图5 旋转后的图像

2.6 实验结果和数据分析

将采用本文方法得到的预测值与人工测量的真实值进行比对,比较结果如图 6所示,其中横轴为样本序列号,纵轴为穗长,虚线为预测值,实线为真实值。预测值与真实值之间的绝对误差均在 6mm以内,相对误差均值小于 4%,两组数据的相关系数为0.96。

通过图 6观察到预测值与真实值较为吻合,但也存在一定误差。产生误差的原因之一是麦穗颈节点位置的确定,分割点是经过多组数据验证的结果,但是不同图像经二值化处理的效果不同,计算结果也会产生相应的差异。原因之二是在腐蚀膨胀去掉麦芒的过程中,对于麦芒非常密集的麦穗,无法完全去除顶端的麦芒,将部分麦芒误判为麦穗,致使结果偏大。

3 结论

图6 预测值和真实值比对结果

本文提出了一种通过计算机图像处理提取小麦穗长的新方法。通过形态学基本运算将麦芒腐蚀去除,麦穗上部主轴方向角确定以及旋转过程为整个算法的关键。硬件采集系统部分采用了平板扫描仪,但图像的采集也可通过 CCD成像实现,算法不变。对于弯曲度大的麦穗,整体旋转计算外接矩形长度误差大,可将麦穗分段,采用同样方法计算每段的长度相加得到的和为麦穗的长度。上述方法的提出为农作物外部参数无损检测提供了一种参考,有利于农业育种考种工作的自动化实现,减轻农业研究人员的工作强度和提高测量精度和速度。

[1] JianqiangREN,Zhongxin CHEN,Xiaomei YANG.Reginoal yield prediction of winter wheat based on retrieval of leaf area index by remote sensing technology[J].IEEE Transaction on Pattern A-nalysis and Machine Intelligence,2009,7(4):374-377.

[2] Chen Xue,Ma Jianwen,Qiao Hongbo.The take-all of wheat diseases feature extraction method study using ground spectral measurement data and tm multispectral data[J].IEEE Transaction on Pattern Analysis and Machine Intelligence,2008,7(1):320-322.

[3] YansongBao,Liangyun Liu,Jihua Wang.Estimating biophysical and biochemical parameters and yield of winter wheat based on landsat tm images.[J].IEEE Transaction on Pattern Analysis and Machine Intelligence,2008,7(2):789-792.

[4] Wang J Z.Pathfinder:Multiresolution Regionbased Searching of Pathology Image Using IRM[J].Journal of American Medical Informatics Association,Symposium Supplement,2000,2000suppl:883-887(LCDS).

[5] ClarkeE M,Emerson E A,Sistla A P.Automatic Verification of Finite-state Concurrent Systems Using Temporal-logic Specifications[J].ACM Transactions on Programming Languages and Systems,1986,8(2):244-263.

[6] Sha Sha,Fanghong Yin.On-line Steel Tube Length Measuring System Based on Computer Vision[J].IEEE Intelligent Control and Automation,2006,6(11):4923-4926.

[7] 冈萨雷斯.数字图像处理(第二版)[M].北京:电子工业出版社,2008.420-454.

[8] 张双德,周龙,胡涛.基于模式识别的米粒形状分析[J].安徽农业科学,2009.751-752.

[9] 韩文革,于晓秋,宋伟.通径分析在春小麦产量分析中的应用[J].农业与技术,2007,27(6):87-91.

[10] 宋志伟,杨首乐.春性小麦品种主要农艺性状与产量的相关及通径分析[J].农业科学,2006,22(5):174-176.

[11] 姜长胜,徐歆恺,葛庆平.一种任意曲线长度的测量方法及其应用[J].计算机工程学报,2005,14(3):208-211.

[12] 姜泳水,唐金辉,陈学佺.二值图像中物体几何主轴的提取方法[J].计算机工程,2005,31(18):56-59.

[13] 张敏燕.染色体自动核型分析系统研究.西北农林科技大学硕士学位论文[D].陕西:西北农林科技大学机械设计及理论,2004.18-42.

[14] 黄勇,王崇骏,王亮,等.基于形状不变矩的图像检索算法的研究[J].计算机应用研究,2004,21-45.

[15] 何胜美,李仲来,何中虎.基于图像识别的小麦品种分类研究[J].中国农业科学,2005,38(9):1869-1875.

[16] 何晓峰,吴国新,徐守东,等.棉纤维长度分布测量仪器的开发[J].仪器仪表学报,2006,27(11):1468-1472.