计算机视觉理论出现于二十世纪五十年代,主要用于二维图像的分析与识别。计算机视觉研究的出发点及核心均在于提取视觉信息,而对视觉信息的合理处理就是解决一切问题关键。本研究在计算机视觉理论及技术基础上,设计与提出可自动、准确地提取所需要作物表征参数的系统方法。玉米个体的生长结构参数对于评价其生长情况有着重要的意义,而实际生产过程中,由于玉米个体株的数量巨大,传统的人工测量等方法无法获得大量种植的玉米的生长结构参数。当前研究大多采用直线检测来近似测量叶倾角且没有研究其随生长时间的变化规律。为此本研究提出一种基于视觉图像自动获取玉米个体参数的方法。故本文提出嵌入预处理的GrabCut算法进行玉米图像分割,实验结果表明,与分水岭算法、均值漂移算法相比较,该算法具有更精确的分割效果。然后设计细化算法对图像中玉米枝叶进行细化处理,再采用八邻域搜索算法对玉米枝叶线段进行划分和筛选,以获得玉米个体骨干图像,该骨干图像与手动划分的骨干图像相比较,平均错误率仅为2.85%。最后,采用单目视觉测量技术,通过叶片叶脉二次模型拟合获得玉米叶片叶倾角及最大高度等参数,并对实验获取的玉米生长周期内不同叶片的叶倾角及最大高度的变化规律进行分析。运用通过双目视觉技术,进行玉米双目图像的三维点云计算,并利用双边滤波对三维点云进行降噪,最终完成玉米的三维重建,并获取玉米植株的个体高度与宽度。该结果与手动测量结果相比,测量误差率仅为5.81%和0.52%。同时,采用Harris角点检测与主干提取算法获得作物的节数信息。随后分析一个生长周期内的玉米植株的高度、宽度、节数的变化规律,实验结果与实际情况相符。最后采用相关性分析和逐步回归分析方法分析玉米植株果实与视觉量化参数的相关性,结果表明果实底端周长、植株高度等植株个体参数与植株个体产量相关性最为显著,相关系数分别为0.7477和0.7103,其次为果实长度和植株节数,相关系数分别为0.6761和0.6516。本研究结果为玉米个体生长监测及虚拟植株的研究提供可借鉴的方法或思路。