基于图像的大宗作物覆盖度计算方法与流程

本发明涉及一种覆盖度计算方法，尤其是一种基于图像的大宗作物覆盖度计算方法，属于数字图像处理的技术领域。

背景技术：

近年来，随着计算机软硬件、数字图像处理、机器视觉、模式识别以及机器学习等理论与技术的快速发展，计算机视觉技术已经越来越多地应用到农业生产的各个领域，包括农作物的长势监测、农作物病虫害检测以及农作物产量预估。作物覆盖度信息不仅是农业气象观测的重要内容，而且是作物生育期和生长状况的判定的重要依据，有效而准确的覆盖度信息也可以提高作物产量预测的准确性。

通常为了使得计算机能够对农作物进行自动观测，首先会对作物图像进行分割处理，获取纯作物图像。到目前为止，已有许多关于作物图像分割的方法被提出。armbrust等1990年在“agronomyjournal”发表的《rapidmeasurementofcropcanopycover》一文中，提出了利用作物观测图像的二值图像可以作为一种计算作物覆盖度的可选择方法。e.v.lukina等1999年在“journalofplantnutrition”发表的《estimatingvegetationcoverageinwheatusingdigitalimages》一文中，其利用软件“micrografxpicturepublisher”通过交互调节数字图像的对比度和色彩平衡估测了小麦的覆盖度。赵进辉等2008年在“农业工程学报”发表了《基于颜色与形状特征的甘蔗病害图像分割方法》，文中利用利用图像颜色特征指数2*g-r-b和2*r-g-b提取出了病斑和土壤等非绿色植物类。李章成等2013年在“安徽农业科学”上发表文章《决策树分类数码相机影像获取水稻覆盖度的研究》，文中利用决策树分类算法，计算出了水稻图像不同测点不同时期的覆盖度值。何姣等2015年在“气象与环境科学”上发表了《棉花覆盖度特征及与其他生长参数关系分析》，文中描述到利用安装在新疆乌兰乌苏的农业气象试验站获取了棉花生长图像，通阈值分割技术，并对棉花生长连续观测图像进行训练，建立棉花在不同光照强度下的变化规律，最终实现了棉花覆盖度的提取。刘亚东等2015年在“光谱学与光谱分析”上发表了《基于可见光光谱和随机森林算法的冬小麦冠层图像分割》，其利用基于图像lab色彩空间a分量的最大类间方差法和基于srgb和lab两个色彩空间的随机森林算法对冬小麦冠层图像进行了分割，获得了较高的图像分割精度。

以上各种分割算法仅仅针对某一种特定的作物具有较好的分割效果，能够得到较精确的图像覆盖度计算结果，但不适用于其他作物。尤其在农业气象自动观测的应用中，如果针对不同作物制定不同的覆盖度提取算法，会极大的增加设备及软件的复杂度、增加投入成本、增加观测难度，给观测人员带来不便。所以亟需一种针对不同作物图像的覆盖度通用算法，以简化观测设备、减少观测成本、降低观测难度。

技术实现要素：

本发明的目的是克服现有技术中存在的不足，提供一种基于图像的大宗作物覆盖度计算方法，其能适用大宗作物的图像覆盖度自动检测，简化观测设备，减少观测成本，降低观测难度，覆盖度检测精确度高，实用性强。

按照本发明提供的技术方案，一种基于图像的大宗作物覆盖度计算方法，所述大宗作物覆盖度计算方法包括如下步骤：

步骤1、获取完整生育期的大宗作物图像，并对所述获取的大宗作物图像进行所需的预处理；

步骤2、对上述预处理后的大宗作物图像，利用pemfr方法对所述预处理后的大宗作物图像进行分割，并计算分割后图像覆盖度；

步骤3、对步骤1获取的大宗作物图像，利用rgb分量构建所需数量的颜色指数；

步骤4、根据上述步骤2得到的图像覆盖度以及步骤3中构建的颜色指数，建立作物覆盖度模型，所述作物覆盖度模型为：

zfvc＝a*(cive)²-b*cive+c

其中，zfvc为作物覆盖度，cive为作物提取颜色算子，a、b、c为根据图像覆盖度以及颜色指数拟合得到的系数；

步骤5、利用上述作物覆盖度模型确定任意大宗作物图像对应的作物覆盖度。

步骤3中，所述颜色指数包括归一化指数、超绿算子、超红算子、超绿减超红、vegetative、作物提取颜色算子、绿减蓝、红减绿和/或(g-b)/|r-g|。

本发明的优点：获取具有完整生育期的大宗作物图像，并根据所获取的大宗作物图像得到图像覆盖度以及颜色指数，根据图像覆盖度以及颜色指示构建得到作物覆盖度模型，从而能利用作物覆盖度模型计算得到任意作物图像的作物覆盖度，适用大宗作物的图像覆盖度自动检测，简化观测设备，减少观测成本，降低观测难度，覆盖度检测精确度高，实用性强，安全可靠。

附图说明

图1为本发明的流程图。

图2为本发明作物的实测覆盖度以及预测覆盖度的散点图。

具体实施方式

下面结合具体附图和实施例对本发明作进一步说明。

如图1所示：为了能适用大宗作物的图像覆盖度自动检测，简化观测设备，减少观测成本，降低观测难度，覆盖度检测精确度高，本发明的大宗作物覆盖度计算方法包括如下步骤：

步骤1、获取完整生育期的大宗作物图像，并对所述获取的大宗作物图像进行所需的预处理；

具体地，获取的大宗作物图像包括水稻的生育期图像、小麦的生育期图像、玉米的生育期图像、棉花的生育期图像以及甘蔗的生育期图像，对大宗作物图像进行的预处理时，主要检查所述获取的大宗作物图像是否完整或是否污染，当大宗作物图像不完整时，则删除所获取的大宗作物图像，当大宗作物图像存在污染时，则同样删除该大宗作物图像，以确保所获取的大宗作物图像能满足后续处理的需要。具体实施时，利用农业气象自动观测站获取对应作物的图像，即能方便有效地获取作物的生育期图像，对获取图像的预处理可以采用本技术领域常用的技术手段，具体过程为本技术领域人员所熟知，此处不再赘述。

步骤2、对上述预处理后的大宗作物图像，利用pemfr方法对所述预处理后的大宗作物图像进行分割，并计算分割后图像覆盖度；

本发明实施例中，利用pemfr方法进行分割，不仅能有效地抵抗强烈的光照对图像分割的影响，而且还可以从阴影中正确地分离出作物，适应于一般的作物，具体对图像进行分割的过程为本技术领域人员所熟知，此处不再赘述。具体实施时，在对大宗作物图像分割后，还需要去噪处理，具体去噪处理时，可以将分割图像上连通域面积小于60的区域去除，具体去噪处理的过程为本技术领域人员所熟知，此处不再赘述。

在对分割后的图像去噪后，需要计算图像的覆盖度，在计算图像覆盖度时，主要通过计算图像中所有的作物像素与图像全部图像的比值，具体计算图像覆盖度的过程为本技术领域人员所熟知，此处不再赘述。

步骤3、对步骤1获取的大宗作物图像，利用rgb分量构建所需数量的颜色指数；

本发明实施中，所述颜色指数包括归一化指数、超绿算子、超红算子、超绿减超红、vegetative、作物提取颜色算子、绿减蓝、红减绿和/或(g-b)/|r-g|，对获取的大宗作物图像，构建并获得对应颜色指数的具体过程为本技术领域人员所熟知，具体为本技术领域人员所熟知，此处不再一一赘述。

步骤4、根据上述步骤2得到的图像覆盖度以及步骤3中构建的颜色指数，建立作物覆盖度模型，所述作物覆盖度模型为：

zfvc＝a*(cive)²-b*cive+c

其中，zfvc为作物覆盖度，cive为作物提取颜色算子，a、b、c为根据图像覆盖度以及颜色指数拟合得到的系数；

具体实施时，步骤1中获取的多个作物具有完整生育周期的作物图像后，需要对每张图像均进行分割并计算分割后图像的盖度，此外，还需要计算每个图像所需数量的颜色指数。

在得到每个图像的覆盖度以及每个图像的颜色指数后，选取部分图像对应的覆盖度以及颜色指数来建立作物覆盖度模型，其余部分图像对应的覆盖度以及颜色指数来验证模型的精度，即在得到上述的颜色指数后，利用采用决定系数(thecoefficientsofdetermination，r²)，均方根误差(rootmeansquareerror，rmse)和平均绝对误差(meanabsoluteerror，mae)三个指标进行评价，从而确定采用作物提取颜色算子(cive)建立大宗作物通用覆盖度模型。系数a、系数b以及系数c通过数据拟合得到，a、b、c的具体数值范围均在-1到1。

步骤5、利用上述作物覆盖度模型确定任意大宗作物图像对应的作物覆盖度。

本发明实施例中，对于在得到上述作物覆盖度模型后，对于任意的大宗作物图像，可以利用上述的作物覆盖度模型反演得到作物覆盖度zfvc，从而能根据作物图像快速得到作物覆盖度，与现有技术中得到作物覆盖度的方式相比(现有技术得到作物覆盖度的方式可以参考步骤2的说明)，能适用大宗作物的图像覆盖度自动检测，简化观测设备，减少观测成本，降低观测难度，覆盖度检测精确度高，图2中为通过本发明作物覆盖度模型得到作物覆盖度与现有方式得到作物覆盖度的对比示意图，图2中r²标识决定系数，rmse为均方根误差，mae为平均绝对误差。

本发明获取具有完整生育期的大宗作物图像，并根据所获取的大宗作物图像得到图像覆盖度以及颜色指数，根据图像覆盖度以及颜色指示构建得到作物覆盖度模型，从而能利用作物覆盖度模型计算得到任意作物图像的作物覆盖度，适用大宗作物的图像覆盖度自动检测，简化观测设备，减少观测成本，降低观测难度，覆盖度检测精确度高，实用性强，安全可靠。