稻麦是世界主要粮食作物,快速精准地获取稻麦长势信息对于管理者做出生产指导、病虫害预防和施肥调控等决策极其重要。株高、覆盖度、叶片叶绿素相对含量、叶面积指数是稻麦基本的长势指标,长期以来主要依靠人工经验观察、手工测量获取,这种方法简单易行,但主观性强;室内化学定量分析,需要破坏性取样,时效性较差;近年来,新兴的光谱检测技术,因其测量方法便捷、高效无损,逐渐成为支持地物识别的一项关键性技术,但仍然面对着测量费用昂贵的问题,不利于推广。随着图像传感器和高速处理器的飞跃发展与普及,数字图像处理技术逐渐渗入到农业信息获取领域中,主要用于作物产量预测,病虫害检测,杂草识别,营养监测,农作物质量检测,作物形态测量等方面。本研究采用数字图像处理技术研发了稻麦长势数字图像分析系统,该系统可以实现稻麦图像采集、处理、特征提取以及农学参数解译等功能,可检测稻麦的株高、覆盖度、叶片叶绿素相对含量、叶面积指数状况。主要研究内容及成果如下:1.稻麦长势数字图像采集与处理;根据应用需求选择CMOS图像采集模块,同时对比分析现行通信方式和智能终端设备性能,集成稻麦长势数字图像获取CMOS-以太网-PC平台硬件模块,可以采集冠层俯视图、株系侧视图图像。对比分析了各图像处理算法处理后的结果,选定图像处理方案:对比图像增强(各通道灰度直方图)结果,根据双峰原则,选定俯视图的2*G-R-B通道与侧视图的G-R通道;对比图像分割(最大类间方差法、迭代法、最大摘法、sobel边缘检测法、laplacian边缘检测法、canny边缘检测法)效果,根据有监督评价,选定最大类间方差法;对比图像复原(中值滤波、均值滤波、维纳滤波)结果,根据峰值信噪比,选定中值滤波法。提取颜色特征(平均颜色特征值、比值颜色特征值、差分颜色特征值、归一化差分颜色特征值、归一化颜色特征值、综合颜色特征值),纹理特征值,形态特征值。为下一步建模提供数据依据。2.稻麦长势数字图像分析系统的模型构建;使用Photoshop软件、SPAD-502叶绿素仪、LAI-2200C冠层分析仪分别测定冠层的覆盖度、叶片叶绿素相对含量、叶面积指数,使用卷尺测定株高。将提取的图像特征值与农学参数进行相关性分析。利用相关性较高的图像特征值建立回归模型。根据相关系数(Correlation coefficient,r)、决定系数(coefficient of determination,R2)、均方根误差(root mean square error,RMSE)和相对误差(relative tolerance,RE)判断分析各图像特征值与稻麦农学参数的相关程度以及关系模型预测精度。最终建立图像提取株高与实测株高的估测模型y=1.057x-2.769,R2为0.856,RMSE为5.794;对模型进行验证得到预测株高与实测株高的R2为0.706,RMSE为0.374;建立图像提取的覆盖度与利用Photoshop软件人机交互方式获取的覆盖度的估测模型y=0.911x+0.030,R2为0.753,RMSE为0.054;对模型进行验证得到预测覆盖度与实测覆盖度的R2为0.939,RMSE为0.031;图像颜色特征值g与叶绿素的相关系数为0.916,建立估测模型y=34.467x+27.035,R2为0.839,RMSE为1.541;对模型进行验证得到的预测叶片叶绿素相对含量值与实测SPAD值的R2为0.697,RMSE为2.909;图像颜色特征值G-B与叶面积指数的相关系数为0.803,建立估测模型y=0.279e0.038x,R2为0.833,RMSE为0.64;对模型进行验证得到预测叶面积指数与实测叶面积指数的R2为0.790,RMSE为0.158。3.稻麦长势数字图像分析系统的应用软件研发;利用Matlab软件的GUI功能设计并实现了基于Windows平台的稻麦长势数字图像分析c/s系统。主要功能包括图像读取(JPEG文件)以及显示,图像处理(多种图像通道提取、六种图像分割、三种图像复原)以及结果显示,图像特征提取(颜色特征值、纹理特征值、形态特征值)以及数据显示,图像解译(稻麦株高、覆盖度、叶片叶绿素相对含量、叶面积指数)以及结果显示,图像数据清空复位。结果表明,所设计的稻麦长势数字图像分析系统操作便捷,交互特性良好。成功探索了稻麦株高、覆盖度、叶片叶绿素相对含量、叶面积指数的估测方法,建立的估测模型具有实用性。