基于自适应阈值分割的田间条件下，玉米茎部轮廓提取与直径测量
遗传和表型分析是玉米育种研究的基础。目前遗传技术发展迅速，但表型监测技术相对滞后，逐渐导致作物育种发展的瓶颈。
在本文中，通过色相饱和度值（HSV）色彩空间和自适应阈值分割算法提取了玉米的茎部轮廓。
玉米的茎部直径是通过参考方法测量的。这项研究基于图像处理技术将轮廓提取和茎部直径测量结合起来。它为农学家提供了更完整和多样化的表型数据，并为后续研究与三维点云相结合提供了基础。
一，材料和方法
1，数据收集
选择36×30平方米的种植区作为实验田。种植密度为67,000/hm2。种植行距为50厘米，株距为40厘米。图像采集时间为2021年7月11:00至2022年7月15:00。数据可分为两个时期：小铃铛期，有10片叶子；大铃铛期，有14片叶子。在生长前期，植物几乎没有重叠覆盖，树冠密度可以忽略不计。
2，色彩空间的选择
田间光照强度的变化影响了拍摄效果，田间彩色图像包含了玉米植株和土壤，它们有明显的颜色差异。因此，选择一个亮度和色度分量独立并保留色彩信息的色彩空间模型，对图像分割是有好处的。
为了选择最适合本文的颜色空间模型，我们考虑了三种颜色空间模型。RGB模型由红色（R）、绿色（G）和蓝色（B）组成，是最常见的色彩空间模型。然而，RGB模型通常用于处理灰度图像；因此，它容易丢失颜色信息，并对亮度信息敏感。
因此，它不适用于本文的研究。Y表示Ycrcb中的亮度信息。Cb表示蓝色成分和亮度之间的差异。Cr表示红色成分和亮度之间的差异。在本文中，绿色目标将被提取出来。因此，这种方法也不适用。HSV色彩空间模型是在色彩的直观特征的基础上建立的。这个模型符合人类的视觉特征。
3， 图像分割
图像分割是特征提取的一个重要步骤。阈值分割算法和基于聚类的图像分割算法通常被用来处理农业图像。为了选择最适合本文的图像分割算法，比较了三种图像分割算法。
固定阈值算法在先验知识的基础上确定最佳阈值。
阈值是手动选择的。然而，具有不同明度和暗度的图像不能被这种算法很好地处理。K-means算法是一种无监督的聚类算法。
首先，随机选择K个初始聚类中心。此外，距离被用作相似性指标，将剩余的对象划分到最近的聚类中心。然后，每个聚类的中心点被重新计算，以获得新的聚类中心点。
该计算是反复进行的，直到聚类目标函数收敛。然而，K值的选择是困难的。最大类间差异是一种自适应阈值分割算法。该算法将图像分为背景和目标像素。
通过使类间方差最大化来选择最佳阈值。该算法不受图像亮度和对比度的影响。此外，阈值是自动选择的。因此，大津算法是阈值分割的最佳选择。
3，玉米茎部直径的测量方法
通过使用HSV + Otsu算法，从复杂的田间环境中提取玉米的茎部轮廓。参考方法被用来将三维实验场景与二维图像联系起来。
在Python中，坐标是由OpenCV库中的函数半自动提取的。控制台可以输出坐标结果。在本文中，参考方法被用来提取茎部直径参数。参考方法的原理是针孔成像。
一个棋盘格被用来作为参考对象。原始图像的分辨率为1280×720，而处理后的图像的分辨率仍为1280×720，因此，通过使用原始图像的棋盘格而不是处理后的图像的棋盘格来计算茎部直径。这避免了图像处理后不完整的棋盘对实验的影响。
棋盘格中每个方块的边长为n，三个方块的平均像素宽度为w。在玉米的第二个茎节内随机选择三组等高线点。这三组等高线点的平均像素宽度为l。 L是玉米茎的测量直径。
4，不同轮廓线提取方法的比较
以第一组田间的玉米图像为例。使用Photoshop获得手工分割的图像。用散点图来比较HSV+K-means算法、HSV+固定阈值算法和HSV+Otsu算法的轮廓提取效果。
为了验证HSV+Otsu算法的准确性，在两个时期内共选择了60组田间的玉米图像进行对比实验。
结果显示，小铃铛阶段的玉米茎部直径的平均绝对误差、MAPE和RMSE分别为4.30毫米、10.76%和5.29毫米。大喇叭口期的玉米茎直径的平均绝对误差、MAPE和RMSE分别为4.78毫米、12.82%和5.48毫米。
MAPE在10-20%之内。综上所述，HSV + Otsu算法可以准确地测量玉米在小喇叭口期和大喇叭口期的茎部直径。
结果表明，HSV + Otsu算法可以满足茎直径测量的需求。它可以为获取玉米的表型参数提供参考。对于预测玉米的抗宿根性、产量和生长控制时间，在两个快速生长期进行田间试验具有重要意义。
同时，准确获取多个时期的玉米表型参数也为遗传育种提供了必要的数据支持。在多个生长时期对作物表型参数的测量也将为解决玉米产量危机提供新的推动力。
