科学而准确地预测农作物的产量对于指导粮食生产、流通和消费,保障国家粮食安全和维持社会稳定都具有十分重要的意义。田间小麦产量相关参数的准确测量不仅可以检验小麦生产管理是否合理而且能够分析增产或减产的原因,田间单位面积小麦穗数与单位面积小麦产量是田间小麦测产的两个重要参数。目前关于小麦产量信息的测量主要采用田间抽样调查法,需要依靠大量的人工来完成,十分耗时耗力。为了快速且准确地获取单位面积田间小麦的产量相关信息,解决长期以来人们获取这些参数自动化程度低、效率低下等问题,本文基于计算机图像处理技术对田间小麦冠层图像进行处理,实现了田间0.25m2小麦穗数、籽粒数和产量的自动化预测。本研究选取两个品种三个成熟期田间小麦试验样本,其中一个品种小麦的两个试验样本处于两个不同成熟时期。利用取样框选取0.25m2区域小麦,相机以一定倾角从斜上方获取田间小麦冠层图像。在每块样本区域中选取5穗小麦做标记,利用扫描仪获取单株离体小麦穗部图像,通过图像处理去除麦芒、茎秆,二值化后获取穗部像素面积,分别分析其与麦穗籽粒数及籽粒质量之间的关系,结果表明:不同品种、不同成熟时期离体小麦穗部面积分别与麦穗籽粒数和籽粒质量存在线性关系,其平均决定系数R2为0.8015和0.7823。对田间样本区域小麦图像进行图像畸变校正、尺度归一化处理,提取单穗在体小麦穗部像素面积,分析其与麦穗籽粒数及籽粒质量之间的关系,结果表明:不同品种、不同成熟时期在体小麦穗部面积分别与麦穗籽粒数和籽粒质量存在线性关系,其平均决定系数R2为0.7371和0.7673,说明可以通过获取田间小麦穗部面积进行小麦籽粒数和产量预测。对经过畸变矫正和尺度归一化处理的小麦冠层图像进行预处理,将图像颜色空间从RGB转换为HSV,根据饱和度分量去除取样框和背景板,再将图像颜色空间从RGB转为Lab,经过改进伽马变换对图像进行对比度增强,利用K-means聚类算法进行目标与背景粗分割,再利用中值滤波对图像进行平滑处理。将处理过的小麦冠层图像作为机器学习分类器预测样本集,分别从3种不同预测样本集中各选取5幅图像利用PS将麦穗部分抠出作为机器学习分类器训练样本集的目标部分,并建立分类标签,对训练样本集中小麦图像进行分类器训练,生成预测模型,应用分类器生成的预测模型对预测样本集中的小麦图像进行处理,提取麦穗部分,二值化后计算麦穗部分像素面积,分别建立样本区域麦穗像素面积与籽粒数和籽粒质量之间的线性关系。利用预处理后去除取样框和背景板的小麦冠层图像,经过对比度增强突出麦穗部分,利用平滑滤波去除麦芒和高频噪声,再进行灰度化处理,最后利用ImageJ中的Find Maxima算法求出灰度图像的局部极大值点,计算极大值点个数以达到区域麦穗计数的目的,结果表明:0.25m2区域麦穗计数平均绝对误差为10穗,平均相对误差为 9.72%。将样本区域小麦穗数预测值代入测产公式进行0.25m2区域小麦产量预测,其平均绝对误差为12.37g,平均相对误差为14.04%。将0.25m2区域麦穗像素面积代入麦穗像素面积与籽粒数和籽粒质量之间的线性关系式中,计算出0.25m2区域小麦籽粒数预测平均绝对误差为209.32粒,平均相对误差为8.17%;0.25m2区域小麦产量预测平均绝对误差为5.30g,平均相对误差为6.05%。利用籽粒数预测值结合千粒重计算0.25m2区域小麦产量平均绝对误差为5.55g,平均相对误差为6.11%。总体来说,利用麦穗像素面积与籽粒质量之间的关系进行样本区域小麦产量预测准确度更高。本研究基于田间小麦冠层图像特征实现了 0.25m2区域内小麦穗数、籽粒数和产量的自动获取,预测精度均达到90%以上,且可操作性强、经济成本低,具有一定的实用性。