【目的】小麦穗数是产量构成的重要因素。通过图像处理技术快速准确地统计小麦穗数,为作物长势监测和产量估测提供重要依据。【方法】本研究以经氮肥梯度处理后不同长势的小麦为研究对象,首先,通过简单线性迭代聚类算法(simple linear i...【目的】小麦穗数是产量构成的重要因素。通过图像处理技术快速准确地统计小麦穗数,为作物长势监测和产量估测提供重要依据。【方法】本研究以经氮肥梯度处理后不同长势的小麦为研究对象,首先,通过简单线性迭代聚类算法(simple linear iterative cluster,SLIC)对田间小麦图像进行超像素分割的预处理;提取并分析图像的部分颜色特征参数,选择适宜的颜色特征参数训练分类器;选择准确率最高的分类器对图像进行分类处理,识别麦穗。其次,对麦穗识别结果进行二值化;经腐蚀、膨胀等一系列形态学计算提取麦穗主体并进行区域统计;提取麦穗骨架,检测骨架角点数,结合角点数与区域统计结果计算小麦穗数;最后,通过线性回归分析方法验证了无氮(0)、低氮(1/2常规施氮量)、正常氮(常规施氮量)、高氮(2倍的常规施氮量)4个氮水平麦穗统计结果。【结果】(1)利用超绿值(E_g)和归一化红绿指数(D_(gr))作为分类特征可以有效地识别麦穗、土壤和叶片;(2)相较于直接基于像素进行图像处理,经超像素分割处理后麦穗识别结果更理想,识别出麦穗主体清晰,形态更为完整;(3)经比较,高氮水平下小麦长势较好,穗数统计准确率最高,为94.4%,无氮水平下小麦长势较差,穗数统计准确率最低,仅为81.9%;排除无氮情况后,长势较均匀的氮水平混合样本中麦穗计数准确率达到92.9%,相较于长势差异较大的混合样本准确率提高了8.3%。【结论】在一般环境下,利用超像素和颜色特征的麦穗自动统计方法可以快速准确地对大田小麦进行穗数计算,长势过弱以及差异过大区域不推荐使用,研究结果为小麦大田估产提供了新的参考。展开更多
文摘【目的】小麦穗数是产量构成的重要因素。通过图像处理技术快速准确地统计小麦穗数,为作物长势监测和产量估测提供重要依据。【方法】本研究以经氮肥梯度处理后不同长势的小麦为研究对象,首先,通过简单线性迭代聚类算法(simple linear iterative cluster,SLIC)对田间小麦图像进行超像素分割的预处理;提取并分析图像的部分颜色特征参数,选择适宜的颜色特征参数训练分类器;选择准确率最高的分类器对图像进行分类处理,识别麦穗。其次,对麦穗识别结果进行二值化;经腐蚀、膨胀等一系列形态学计算提取麦穗主体并进行区域统计;提取麦穗骨架,检测骨架角点数,结合角点数与区域统计结果计算小麦穗数;最后,通过线性回归分析方法验证了无氮(0)、低氮(1/2常规施氮量)、正常氮(常规施氮量)、高氮(2倍的常规施氮量)4个氮水平麦穗统计结果。【结果】(1)利用超绿值(E_g)和归一化红绿指数(D_(gr))作为分类特征可以有效地识别麦穗、土壤和叶片;(2)相较于直接基于像素进行图像处理,经超像素分割处理后麦穗识别结果更理想,识别出麦穗主体清晰,形态更为完整;(3)经比较,高氮水平下小麦长势较好,穗数统计准确率最高,为94.4%,无氮水平下小麦长势较差,穗数统计准确率最低,仅为81.9%;排除无氮情况后,长势较均匀的氮水平混合样本中麦穗计数准确率达到92.9%,相较于长势差异较大的混合样本准确率提高了8.3%。【结论】在一般环境下,利用超像素和颜色特征的麦穗自动统计方法可以快速准确地对大田小麦进行穗数计算,长势过弱以及差异过大区域不推荐使用,研究结果为小麦大田估产提供了新的参考。