基于超像素分割的田间小麦穗数统计方法
基于超像素分割的田间小麦穗数统计方法
摘要：【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（Eg）和归一化红绿指数（Dgr）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。
关键词：小麦；识别；穗数；超像素；颜色特征
0 引言
【研究意义】小麦是世界贸易量最大的重要粮食作物，也是我国主要的粮食作物之一。作为小麦主要进口国之一，规范生产管理、稳定品种品质是小麦产量提高的重要途径，与我国的国民经济和粮食安全息息相关。单位面积穗数是小麦产量构成要素之一，快速准确的穗数统计对高产栽培和良种选育都有重要意义。传统的人工田间调查方法费时费力，随着农业信息化、机械化水平的提高，图像处理技术在作物生产领域已经得到广泛应用。对在病害检测、产量预测、品种识别都起到显著的推进作用。【前人研究进展】在通过图像处理获取小麦表型信息方面前人也有广泛的研究。Jin等提出了一种利用低空高分辨率无人机影像估算出苗期小麦植株密度的田间高通量表型信息提取方法，验证结果表明该方法在不同密度和基因型下有很高的可重复性。Walter等通过对数码照片进行3D点云处理，估测小麦的冠层高度和收获指数取得可靠结果，并通过增加拟合图像数进一步提高模型可靠性。小麦穗部的研究主要集中在麦穗的识别和测量上，陈含等通过Sobel算子边缘检测，从模糊背景中分割出麦穗，并与绿色（G）分量法和最大值法的处理结果进行对比，证实该分割方法更为高效，耗时明显减少。Li等利用基于Laws纹理能力测度算法的神经网络对麦穗进行检测，结合面积和高度阈值改进检测效果，获得80%以上的麦穗检测率，同时还对麦穗面积进行了有效测量。路文超等通过图像处理技术拟合麦穗主部中心曲线，结合灰度差异统计，有效同步测量穗长和小穗数。王宁等基于图像分形，利用分形维数作为像元特征阈值分割麦穗，根据麦穗竖直方向倾角旋转矫正麦穗以及列特征计算麦穗粒数。以上方法都是针对室内单株麦穗，针对田间复杂环境下麦穗研究较少，仅刘涛等通过颜色特征和纹理特征，分别针对田间撒播小麦和条播小麦进行麦穗识别计数，两种方法均能有效计数，其中基于颜色特征的方法被证实更为快速高效。FERNANDEZGALLEGO等对田间拍摄的小麦数码照片，分别使用拉普拉斯滤波和中值滤波后提取麦穗主体部分，采用峰值检测算法提取图像峰值确定麦穗数目，并分析了不同时期穗数与产量的关系，发现开花期穗数与产量相关性最高。【本研究切入点】以往麦穗识别相关研究中大多基于像素级进行图像处理，并且在进行麦穗识别时较少考虑到长势差异对识别效果的影响。因此，本研究一方面对田间小麦图像进行预处理后，将像素聚集为超像素，基于超像素进行图像分析识别麦穗，以此降低在图像特征统计时无关像素的影响，提高识别效果。另一方面，本研究通过氮梯度处理形成长势差异，比较了不同氮处理下的麦穗计数结果，提高麦穗统计的可靠性。【拟解决的关键问题】为了快速准确地统计大田小麦穗数，本研究对小麦田间数码照片进行SLIC超像素分割处理后，利用颜色特征识别麦穗，再提取麦穗骨架，通过骨架角点计算小麦穗数，并通过比较不同氮水平下该方法的计数准确率，分析长势差异对该方法识别效果的影响， 旨在为大田估产中穗数统计提供一种新的可靠途径。
1 材料与方法
1.1 试验设计
本试验于2013年在北京市昌平区小汤山国家精准农业研究示范基地（北纬 40°00′—40°21′，东经116°34′—117°00′，海拔高度 36 m）进行。试验设计为氮素和品种的完全随机试验（图1），冬小麦品种为中麦175和中优206，均为冬性中早熟长芒品种，熟期和穗型相似；氮肥水平4个，尿素施用量分别是0（N1），228 kg·hm-2（N2，1/2正常施氮量），456 kg·hm-2（N3，正常施氮量），912 kg·hm-2（N4，过量施肥）；重复2个，共16个小区，其他按正常水平进行田间管理。
（1）品种处理——P1：中麦 175；P2：中优206。（2）氮素处理——N1：0；N2：1/2正常；N3：1倍正常；N4：2倍正常
(1) Variety treatment——P1: Zhongmai 175; P2: Zhongyou 206. (2) Nitrogen treatment——N1: 0; N2: 1/2 Normal; N3: 1 Normal; N4: 2 Normal
图1 试验设计图
Fig. 1 Experimental design
1.2 数据获取
1.2.1 小麦数码影像获取 本研究所用小麦数码影像获取于2013年5月31日（灌浆期）下午5：00（太阳天顶角63°07′51″，方位角96°56′19″），晴朗无风条件下背光手持SONY DSC-H9数码相机田间垂直拍摄。高度为高于小麦冠层顶部约1 m，拍摄面积约为每幅0.75 m2（5行小麦，行距15 cm）。每个小区获取3张分辨率2 592×1 944的小麦数码影像，共48幅。
1.2.2 穗数人工获取 在麦穗人工统计过程中，本研究采用人工判读和机器计数相结合的方法（图2）。首先对小麦数码影像进行人工判读，标记出麦穗部分；然后在MATLAB R2016a中提取图像的标记点，对标记点进行数目统计并在图像中标号以获得准确、直观的穗数统计结果。
1.3 麦穗识别方法
麦穗识别过程主要包括以下步骤：超像素分割处理、样本标记、颜色特征分析、分类器训练和识别（图3）。具体步骤如下。
（1）利用简单线性迭代聚类（simple linear iterative clustering，SLIC）超像素分割算法对小麦数码照片进行预处理。超像素是指具有同质特征的相邻像素构成的图像块，超像素分割就是将像素聚合成超像素的处理过程，在图像预处理过程被广泛应用。SLIC算法是众多超像素分割算法中的典型代表，该算法基于颜色相似度和空间距离关系，利用改进的K均值聚类算法进行局部迭代聚类生成超像素。算法主要涉及两个关键参数：预分割的像素数（n）和像素紧凑度（m）。预分割的像素数n即为图像中的聚类中心数，按照所设定的n值在图像中均匀分配聚类中心，一般来说n越大所得超像素越小分割效果越好，但是同时也会大大增加计算量，影响整体效率，因此需要根据图像的大小合理设定n值；像素紧凑度m为每个类内的最大距离（包括空间距离和颜色距离）的权值，m值越大所分割的超像素边界越规则，较复杂的图片往往需要较小的m值。本试验所用图片大小2 592×1 944，n和m分别设置为10 000和10。
图2 穗数人工获取过程
Fig. 2 Ears manual counting process
图3 麦穗识别过程
Fig. 3 Ears segmentation process
（2）每个氮水平中（不考虑品种）随机裁剪5幅500×500的小麦图片，作为样本进行人工预分割，根据人工预分割结果对样本进行标记，将麦穗占比大于0.8的超像素标记为1，小于0.8的标记为0。
（3）对几个常用的颜色指数进行分析，选取适宜的指数作为分类特征。具体包括超绿值（Eg）、归一化红绿指数（Dgr）和归一化蓝绿指数（Dgb），公式如下：
Eg = 2g-r-b；
Dgr = (g-r) / (g+r)；
Dgb = (g-b) / (g+b)。
式中，g，r和b分别表示绿色分量值、红色分量值和蓝色分量值。
（4）利用MATLAB R2016a中的分类学习工具箱（classification learner），根据颜色特征分析结果，选取适宜的指数用作分类特征，选择几个常用的支持向量机（support vector machine，SVM）和K近邻（K nearst neighbour，NN）分类器进行训练（表1），根据训练结果中分类器的准确率选择最佳分类器。
（5）通过所选取的分类器对预处理后的图像进行麦穗分类识别，分类后结果进行简单的形态学处理，去除背景碎片后即为麦穗识别结果。
1.4 麦穗自动计数方法
如图4所示，对麦穗识别结果二值化，通过腐蚀膨胀等形态学变换，保留麦穗的主体部分弱化边缘，减少邻近麦穗的黏连情况。对二值图进行区域统计，计算出二值图中区域数目（nregion）、面积等属性。由于大田环境复杂且灌浆期随着籽粒的充实麦穗形态普遍较大，形态学处理后的二值图中仍存在少量麦穗重叠部分，根据区域的面积和形态（长宽比）等参数筛选出麦穗重叠区，针对重叠区进行骨架提取并计算骨架拐点数（npoint），重叠区麦穗数为npoint + 1，总麦穗数为nregion + npoint。
图4 穗数统计过程
Fig. 4 Ears counting process
1.5 统计分析
在SPSS 22.0中采用Pearson相关系数（r）和线性回归分析方法，分析麦穗自动统计数目与人工计数的关系，比较不同氮水平下麦穗自动统计数目与人工计数的相关性，以人工计数为标准计算准确率（A）。通过比较不同氮水平下的计数准确率，分析长势差异对该方法识别效果的影响。准确率A计算公式如下：
式中，Nc为自动统计值，Na为人工计数值，A为准确率。
2 结果
2.1 麦穗识别
2.1.1 分类特征分析 本研究选用超绿值（Eg）、归 一化红绿指数（Dgr）和归一化蓝绿指数（Dgb）这3个与G分量相关的颜色指数，分别对灌浆期麦穗样本、叶片样本和土壤样本进行计算分析（图5）。结果表明，土壤部分的Eg值整体偏小且分布集中，与麦穗部分几乎没有重叠，而叶片与麦穗的Eg分布范围和曲线形态都极为相近，重叠现象严重，因此Eg可以用于麦穗和土壤的区分，但是无法解决图像中的叶片干扰（图5-a）；土壤部分的Dgr整体偏小，在大于0的部分与麦穗曲线有着严重的重叠，但是叶片整体分布Dgr值较大区域与麦穗曲线重叠不明显，且峰值差异大，对麦穗和叶片有较好的区分效果；3种样本的Dgb曲线几乎重叠，对麦穗识别意义不大。
表1 不同类型分类器特征
Table 1 Different types of classifier features
参考自MATLAB R2016a 帮助文档 Reference from MATLAB R2016a help documentation
a：超绿指数Eg，b：归一化红绿指数Dgr，c：归一化蓝绿指数Dgb
a: Super green index, Eg; b: Normalized red green index, Dgr; c: Normalized blue green index, Dgb
图5 颜色直方图
Fig. 5 Color histogram
2.1.2 分类器训练结果 选取Eg和Dgr为分类特征，对MTLAB R2016a自带的分类学习工具箱中SVM和KNN分类器（表1）进行训练，根据训练结果，确定适宜的分类器（表2）。结果表明，无氮水平下（N1）分类准确率均达到80%，medGSVM分类器准确率最高，为87.2%；低氮水平下（N2）各分类器准确率差异不大，均在90%左右，finGSVM分类器最为理想，准确率为92.6%；正常氮水平下（N3），几乎所有分类器准确率均达到90%，medGSVM分类器最为理想，准确率达93.5%；高氮水平下（N4），所有分类器准确率均高于90%，cubSVM分类器最为理想，准确率为93.8%；氮水平混合的情况下，weiKNN分类器最为理想，准确率为88.2%。在单一氮水平下，SVM分类器表现更为理想，有较高的准确率，而对于混合样本，KNN分类器准确率则高于SVM分类器。随着氮素水平的提高，分类准确率有所提升，并趋于稳定，例如N2较N1分类准确率提高了5.4%，N3较N2分类准确率提高了0.9%，N4较N3分类准确率仅提高了0.3%。总体而言，施氮样本（N2、N3、N4）分类准确率相近，无氮处理下植株长势较差，在均一度、颜色、大小等方面与施氮样本有鲜明差异，因此混合样本内部差异较大，分类准确率较低。
2.1.3 麦穗识别结果 利用所确定的分类器分别对预处理后的图像进行麦穗分类识别（图6）。作为对照，利用颜色特征Eg和Dgr对小麦图进行自动阈值计算，叠加2次阈值分割结果即为基于像素的麦穗识别结果。结果表明，区分氮水平的麦穗识别结果较混合氮水平的分类器识别效果更优，所得麦穗部分叶片混杂明显减少；对比基于像素的阈值分割结果，基于超像素的识别结果中麦穗主体更为完整，有效改善穗部斑块缺失，麦穗的形态、大小均得到更好的表达；随着氮素水平的提高，麦穗形态更为清晰，分割效果有所提升，施氮区域（N2、N3、N4）麦穗均能被有效识别，分类效果与分类器训练结果一致。
表2 分类器训练结果（分类准确率，%）
Table 2 Classifier training results (Classification accuracy, %)
单一氮水平下（N1，N2，N3，N4）n =3 000，氮水平混合时 n = 10 000
Single nitrogen level (N1，N2，N3，N4), n =3 000; Nitrogen level mixing, n = 10 000
图6 麦穗识别结果
Fig. 6 Ears segmentation results
2.2 穗数统计
2.2.1 不同氮肥水平的麦穗计数结果 分别将样本按氮肥水平划分和忽略氮肥水平混合，训练相应分类模型对超像素块分类提取麦穗，对麦穗识别结果进行自动穗数统计，以人工计数结果作为穗数的真实值计算计数准确率，对自动统计所得穗数和实际穗数进行线性回归分析，形成1﹕1关系图（图7）。比较不同氮水平下的麦穗统计结果，无氮水平下计数准确率为81.9%，穗数较少时统计结果存在严重偏差，穗数统计值与实际值间相关性也较差（R2= 0.24，P＞0.05），表现为差异不显著，麦穗统计效果差。其他3种施氮水平下均有较准确率（AN2 = 93.1%，AN3 = 94.1%，AN4 = 94.4% ），且穗数自动统计值与实际值之间也有较好的相关性（R2N2 = 072，R2N3 = 0.75，R2N4 = 0.78），均达到极显著相关（P＜0.01），麦穗自动计数准确率较高。随着氮素水平的上升，麦穗自动计数效果有所改善，高氮水平下效果最优，准确率达94.4%。穗数统计是基于麦穗识别结果的二值图进行区域处理和统计计算的，因此不同氮水平下的穗数统计效果与麦穗识别效果表现一致，在无氮条件下适用性较差，施氮区域均能有效统计。在忽略氮水平混合所有样本情况下，麦穗自动计数准确率为84.6%，R2为0.15，在本研究平均每幅图中240穗的情况下，统计效果较差，无法满足实际生产上的穗数统计要求。
a. 无氮，b.低氮，c. 正常氮，d. 高氮，e.氮水平混合
a. Nitrogen-free, b. Low-nitrogen, c. Normal nitrogen, d. High nitrogen, e. Nitrogen level mixing
图7 麦穗统计结果
Fig. 7 Ears counting results
2.2.2 施氮区综合麦穗计数结果 根据上述分析结果，在训练样本中排除极端的无氮样本，对其余混合样本进行K-means聚类，建立具有代表性的混合样本集用于分类器训练。根据训练结果（表3），综合考虑总体分类准确率和穗部分类准确率，选择weiKNN分类器用于识别麦穗，对麦穗识别结果进行自动穗数统计（图8）。与直接混合所有氮水平的统计结果（图7-e）相比，统计效果明显改善，计数准确率由84.6%提高到了92.9%，穗数统计值与实测值相关性也有明显改善，R2由0.15提高到了0.71。因此，在施氮区域可以忽略氮水平差异进行的麦穗识别统计，统计结果较为可靠。
表3 施氮样本分类训练结果
Table 3 Classification training results of nitrogen application samples (n=10 000)
图8 施氮区麦穗统计结果
Fig. 8 Ears counting result in nitrogen application
3 讨论
麦穗自动计数的准确度建立在可靠的麦穗图像分割之上的。在目前的图像分割方法中，根据目标特性提取的图像特征，主要包括颜色、纹理、形状。然而，用纹理特征对灌浆期小麦进行麦穗分割时受叶片干扰较大，效果不理想。由于灌浆期小麦群体较大，麦穗遮挡严重，形状特征也很难准确提取。根据田间观察，在灌浆期，麦穗有着明显的颜色变化，逐渐由绿色转为黄绿色，而茎秆和叶片部分仍保持绿色，颜色特征可适用于该时期的麦穗分割，这也与前人的研究一致。此外，大部分图像分割算法均以像素作为基本处理对象，忽略了像素之间固有的空间信息，对于非结构化的自然场景下的图像处理效果不佳。而且随着科技的发展，遥感技术的应用越来越广泛，面对大尺寸的遥感影像时，直接基于像素的分割方法在计算效率上难以满足需求。与像素相比，超像素的优势主要体现为对像素之间空间组织关系的有效利用以及降低处理对象规模和后续处理的计算复杂度，提高处理效率。基于前人研究，本研究用超像素分割对图像进行预处理并提取颜色信息用作麦穗特征描述，旨在获得高效准确的麦穗识别效果。
利用提取的图像特征，本研究采用SVM和KNN两种分类器模型来进行麦穗识别。结果表明，在单一氮水平下SVM分类器表现更为理想，有较高的分类准确率，而对于混合样本，KNN分类器分类准确率优于SVM分类器。众所周知，SVM作为建立在统计学习理论基础上的分类方法在解决小样本、非线性及高维模式识别中表现出许多特有的优势，然而在面对训练样本和支持向量数目多的分类问题时，效果不甚理想。KNN作为经典的懒惰学习方法，计算量大，效率较低，然而对于类域的交叉较多的或者大规模的待分样本集来说有很好的适用性。本研究结果从样本量因素考虑，即样本量较小时SVM分类器效果较优，样本量较大时KNN分类器更为适用，与此两种分类器特性相符。
不同氮梯度处理下的识别结果表明，无氮处理相比其他氮处理，麦穗识别效果较差。由于严重缺氮，无氮处理下的小麦植株细弱，叶片、茎秆与麦穗均呈黄绿色，在这种情况下提取图像颜色特征用于麦穗识别，错分现象严重，识别效果较差；同时受穗形短小影响，在分类后处理过程中，面积较小的麦穗极易被误判为背景碎片被去除，引起严重的漏分。因此无氮处理下麦穗识别效果不尽人意。
本研究选取灌浆期小麦田间影像进行分析，结合小麦的生育进程，花后籽粒受精麦穗体积不断增大，随着籽粒的灌浆充实逐渐达到顶满仓，麦穗体积达到最大值，因此该时期田间影像中麦穗为主要成分。在此之前的开花期，田间影像中叶片比重较大，相反麦穗比例较小，不利于图像特征提取和分析。在此之后的成熟期，随着籽粒成熟，叶片逐渐衰老，植株整体呈金黄色，麦穗与植株的区分度降低，并且田间影像中土壤背景的影响增加了图像特征提取难度。因此本研究认为灌浆期是利用颜色特征识别麦穗的最佳时期。然而灌浆期内小麦形态和颜色变化鲜明，本研究仅选用了单一时期影像，多生育时期结合对田间图像解析和麦穗识别的影响仍有待进一步探究。此外，本研究所采用的数码相机为普通消费级相机（SONY DSC-HX200），由于未进行严格的检校，在近距离获取图像时，其存在较大的光学误差和边缘畸变误差。在麦穗图像获取过程中，田间情况复杂，叶片与麦穗姿态各异，导致相同麦穗的光照条件存在差异，使得图像上麦穗的颜色特征发生较大差异，降低了基于颜色特征分割方法的准确率。以上这些因素均降低了麦穗的识别效果，因此还需要进一步研究，探究一种更好表达麦穗特征的图像获取和处理方法，从而改善麦穗识别效果，提高计数准确率。
4 结论
通过颜色直方图分析，利用颜色特征Eg和Dgr可以有效识别灌浆期麦穗。相较于基于像素的分割方法，基于超像素块分割得到的麦穗形态更为完整，边缘信息保持较好，错分现象也有所改善。受不同氮素水平下小麦长势差异影响，该方法在长势较好的高氮水平下麦穗识别统计效果最优（AN4 = 94.4%），在正常氮（AN3 = 94.1%）和低氮水平（AN2 = 93.1%）下同样适用，长势较差的无氮水平（AN1= 81.9%）下效果较差。针对混合样本，排除极端无氮情况后，样本长势差异减小，麦穗统计结果有明显改善，准确率达到92.9%，提高了8.3%。因此在一般环境下，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。
References
田纪春, 邓志英, 胡瑞波, 王延训. 不同类型超级小麦产量构成因素及籽粒产量的通径分析. 作物学报, 2006, 32(11): 1699-1705.
TIAN J C, DENG Z Y, HU R B, WANG Y X. Yield components of super wheat cultivars with different types and the path coefficient analysis on grain yield. Acta Agronomica Sincia, 2006, 32(11): 1699-1705. (in Chinese)
方正, 邵锡珍, 李云海. 从小麦的超高产实践谈良种选育的问题. 作物杂志, 1999(1): 20-21.
FANG Z, SHAO X Z, LI Y H. Discussion on the breeding of fine varieties from the super high yield practice in wheat. Crops, 1999(1): 20-21. (in Chinese)
KONG W W, ZHANG C, HUANG W H, LIU F, HE Y. Application of hyperspectral imaging to detect sclerotinia sclerotiorum on oilseed rape stems. Sensors, 2018, 18(1): 123.
李小龙, 王库, 马占鸿, 王海光. 基于热红外成像技术的小麦病害早期检测. 农业工程学报, 2014, 30(18): 183-189.
LI X L, WANG K, MA Z H, WANG H G. Early detection of wheat disease based on thermal infrared imaging. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(18): 183-89. (in Chinese)
鲁军景, 黄文江, 张竞成, 蒋金豹. 基于小波特征的小麦白粉病与条锈病的定量识别. 光谱学与光谱分析, 2016, 36(6): 1854-1858.
LU J J, HUANG W J, ZHANG J C, JIANG J B. Quantitative identification of yellow rust and powdery mildew in winter wheat based on wavelet feature. Spectroscopy and Spectral Analysis, 2016, 36(6): 1854-1858. (in Chinese)
谭昌伟, 杜颖, 童璐, 周健, 罗明, 严伟伟, 陈菲. 基于开花期卫星遥感数据的大田小麦估产方法比较. 中国农业科学, 2017, 50(16): 3101-3109.
TAN C W, DU Y, TONG L, ZHOU J, LUO M, YAN W W, CHEN F. Comparison of the methods for predicting wheat yield based on satellite remote sensing data at anthesis. Scientia Agricultura Sinica, 2017, 50(16): 3101-3109. (in Chinese)
GUO J X, TIAN G L, ZHOU Y, WANG M, LING N, SHEN Q R, GUO S W. Evaluation of the grain yield and nitrogen nutrient status of wheat (Triticum aestivum L.) using thermal imaging. Field Crops Research, 2016, 196: 463-472.
OMAR V D, MAINASSARA Z A, BENHILDAH M, ALBERTO H, PABLO Z T, BODDUPALLI M P, JILL E C, JOSE L A. A novel remote sensing approach for prediction of maize yield under different conditions of nitrogen fertilization. Frontiers in Plant Science, 2016, 7: 666.
于仁师, 孙华丽, 韩仲志. 玉米品种识别多算法模型比较研究. 湖北农业科学, 2016, 55(9): 2366-2369.
YU R S, SUN H L, HAN Z Z. A comparative study of multi-algorithm for maize varieties identification. Hubei Agricultural Sciences, 2016, 55(9): 2366-2369. (in Chinese)
马惠玲, 王若琳, 蔡骋, 王栋. 基于高光谱成像的苹果品种快速鉴别. 农业机械学报, 2017, 48(4): 305-312.
MA H L, WANG R L, CAI C, WANG D. Rapid identification of apple varieties based on hyperspectral imaging. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(4): 305-312. (in Chinese)
毕立恒. 基于叶片图像算法的植物种类识别方法研究. 浙江农业学报, 2017, 29(12): 2142-2148.
BI L H. Plant species recognition based on leaf image algorithm. Acta Agriculturae Zhejiangensis, 2017, 29(12): 2142-2148. (in Chinese)
JIN X L, LIU S Y, FREDERIC B, COMAR A. Estimates of plant density of wheat crops at emergence from very low altitude UAV imagery. Remote Sensing of Environment, 2017, 198: 105-114.
WALTER J, EDWARDS J, MCDONALD G, KUCHEL H. Photogrammetry for the estimation of wheat biomass and harvest index. Field Crops Research, 2018, 216: 165-174.
陈含, 吕行军, 田凤珍, 王克俭, 韩宪忠. 基于Sobel算子边缘检测的麦穗图像分割. 农机化研究, 2013(3): 33-36.
CHEN H, Lü X J, TIAN F Z, WANG K J, HAN X Z. Wheat panicle image segmentation based on sobel operator－edge detection. Journal of Agricultural Mechanization Research, 2013(3): 33-36. (in Chinese)
LI Q, CAI J, BERGER B, OKAMOTO M, MIKLAVCIC S J. Detecting spikes of wheat plants using neural networks with laws texture energy. Plant Methods, 2017, 13(1): 83.
路文超, 罗斌, 潘大宇, 于春花, 王成. 基于图像处理的小麦穗长和小穗数同步测量. 中国农机化学报, 2016, 37(6): 210-215.
LU W C, LUO B, PAN D Y, YU C H, WANG C. Synchronous measurement of wheat ear length and spikelets number based on image processing. Journal of Chinese Agricultural Mechanization, 2016, 37(6): 210-215. (in Chinese)
王宁, 孔斌, 王灿, 何立新, 李伟, 徐海明. 基于图像分形分割的麦穗粒数计算方法. 计算机系统应用, 2017, 26(10): 219-224.
WANG N, KONG B, WANG C, HE L X, LI W, XU H M. Counting grains per wheat spike based on fractal segmentation of image. Computer Systems & Applications, 2017, 26(10): 219-224. (in Chinese)
刘涛, 孙成明, 王力坚, 仲晓春, 朱新开, 郭文善. 基于图像处理技术的大田麦穗计数. 农业机械学报, 2014, 45(2): 282-290.
LIU T, SUN C M, WANG L J, ZHONG X C, ZHU X K, GUO W S. In-field wheatear counting based on image processing technology. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(2): 282-290. (in Chinese)
FERNANDEZGALLEGO J A, KEFAUVER S C, GUTIÉRREZ N A, NIETOTALADRIZ M T, ARAUS J L. Wheat ear counting in-field conditions: high throughput and low-cost approach using RGB images. Plant Methods, 2018, 14(1): 22.
ACHANTA R, SHAJI A, SMITH K, LUCCHI A, FUA P, SÜSSTRUNK S.SLIC Superpixels compared to state-of-the-art superpixel methods. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2012, 34(11): 2274-2282.
赵博, 宋正河, 毛文华, 毛恩荣, 张小超. 基于PSO与K-均值算法的农业超绿图像分割方法. 农业机械学报, 2009, 40(8): 166-169.
ZHAO B, SONG Z H, MAO W H, MAO E R, ZHANG X C. Agriculture extra-green image segmentation based on particle swarm optimization and K-means clustering. Transactions of the Chinese Society for Agricultural Machinery, 2009, 40(8): 166-169. (in Chinese)
STAJNKO D, LAKOTA M, HOCEVAR M. Estimation of number and diameter of apple fruits in an orchard during the growing season by thermal imaging. Computers & Electronics in Agriculture, 2004, 42(1): 31-42.
XUE C, MA J, QIAO H, YUAN F. The take-all of wheat diseases feature extraction method study using ground spectral measurement data and tm multispectral data//International Geoscience and Remote Sensing Symposium. IEEE, Boston, 2008: 320-322.
颜七笙, 王士同. 一种基于调节形态学的骨架提取算法. 计算机应用与软件, 2006, 23(3): 116-117.
YAN Q S, WANG S T. A new skeletonization algorithm based on regulated morphology. Computer Applications and Software, 2006, 23(3): 116-117. (in Chinese)
杨志平, 齐清文, 黄仁涛. 数学形态学在空间格局图像骨架提取中的应用. 地球信息科学, 2003, 5(2): 79-83.
YANG Z P, QI Q W, HUANG R T. Application of mathematical morphology in the skeleton extraction of spatial pattern image. Geo-Information Science, 2003, 5(2): 79-83. (in Chinese)
尚振宏, 刘明业. 二值图像中拐点的实时检测算法. 中国图像图形学报, 2005, 10(3): 295-300.
SHANG Z H, LIU M Y. Real-time corner detection in binary image. Journal of Image and Graphics, 2005, 10(3): 295-300. (in Chinese)
MUKHERJEE D, WU Q M J, WANG G H. A comparative experimental study of image feature detectors and descriptors. Machine Vision & Applications, 2015, 26(4): 443-466.
CHANG M Z, GU G C, LIU H B, SHEN J, YU H L. Segmentation of ultrasound image based on texture feature and graph cut. Computer Science and Software Engineering, IEEE, Hubei, 2008: 795-798.
TAN W M, YAN B, Li K, TIAN Q. Image retargeting for preserving robust local feature: application to mobile visual search. IEEE Transactions on Multimedia, 2015, 18(1): 128-137.
ZHOU C Q, LIANG D, YANG X D, XU B, YANG G J. Recognition of wheat spike from field based phenotype platform using multi-sensor fusion and improved maximum entropy segmentation algorithms. Remote Sensing, 2018, 10(2): 246-269.
ZHANG Y X, LI X M, GAO X F, ZHANG C M. A simple algorithm of superpixel segmentation with boundary constraint. IEEE Transactions on Circuits & Systems for Video Technology, 2017, 27(7): 1502-1514.
宋熙煜, 周利莉, 李中国, 陈健, 曾磊, 闫镔. 图像分割中的超像素方法研究综述. 中国图象图形学报, 2015, 20(5): 599-608.
SONG X Y, ZHOU L L, LI Z G, CHEN J, ZENG L, YAN B. Review on superpixel methods in image segmentation. Journal of Image and Graphics, 2015, 20(5): 599-608. (in Chinese)
SHU G, DEHGHAN A, SHAH M. Improving an object detector and extracting regions using superpixels. Computer Vision and Pattern Recognition, IEEE, Portland, 2013: 3721-3727.
WANG J, WANG X Q. VCells: simple and efficient superpixels using edge-weighted centroidal voronoi tessellations. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2012, 34(6): 1241-1247.
XIONG X, DUAN L F, LIU L B, TU H F, YANG P, WU D, CHEN G X, XIONG L Z, YANG W N, LIU Q. Panicle-SEG: a robust image segmentation method for rice panicles in the field based on deep learning and superpixel optimization. Plant Methods, 2017, 13(1): 104-118.
张小艳, 李强. 基于SVM的分类方法综述. 科技信息, 2008(28): 350-351.
ZHANG X Y, LI Q. The summary of text classification based on support vector machines. Science & Technology Information, 2008(28): 350-351. (in Chinese)
PEREIRA T, PAIVA J S, CORREI C, CARDOSO J. An automatic method for arterial pulse waveform recognition using KNN and SVM classifiers. Medical & Biological Engineering & Computing, 2016, 54(7): 1049-1059.
页:
[1]