小麦是重要的粮食作物,在世界上播种面积和总产量都占据第一,以小麦为主要粮食的人口占世界总人口的1/3,小麦生产在国民经济中占重要地位,是整个农业生产的基础。小麦品种的选择是实现小麦丰产的关键,新品种产量预测和分蘖率的自动计算是育种专家繁重劳动的制约因素。因此,对小麦图像自动识别的研究具有重要科学意义和应用价值。目前,小麦产量预测方法有:田间人工判断预测,电容量测产、遥感预测、气候和供求关系分析预测法、年景预测等方法,但这些方法存在一些问题:凭专家经验判断,会因个人经验不同导致预测存在差异;电容量测产使用专利产品,成本较高且小麦密度和分蘖率不易测量;遥感技术通过卫星远距离拍摄图像,适用于大面积田地的处理和分析,预测密度过大、准确度低,难以实现小范围的育种和估测;气候和供求关系分析预测法以及年景预测法只能做到大范围的整体粗略估计。而借助于计算机图像处理和模式识别技术对小麦图像进行识别和分析,可以有效地解决这些问题,从而为育种考种和科学预测产量提供依据。本文以计算机图像处理技术为主要技术手段,综合运用数字图像、摄影、生物特征、模式识别等方面的知识,对麦穗的自动识别进行了研究。本文的主要工作如下:1.麦穗图像的采集为了提高自动识别的准确性同时尽量减少对图像采集的约束条件,对图像拍摄方法进行了研究。通过调整相机成像方式,在田间麦垄间隙对穗部单独拍摄,以减少背景干扰。2.麦穗图像预处理图像灰度化和二值化:利用传统灰度化方法进行试验,通过比较处理后的图像效果,在研究中找到了改进分量法的麦穗图像灰度-二值化处理方法。图像增强:对二值化的麦穗图像中存在的孤立噪声点,采用快速并行中值滤波法对噪声点进行过滤。背景分割:采用Sobel算子边缘检测的方法进行背景分割。最后利用形态学中的二值闭运算,对分割后的麦穗图形中的空洞进行填充,使目标图像更具体。3.麦穗特征提取为便于麦穗的识别,对麦穗的形状特征、纹理特征进行提取。形状特征提取出了Hu矩的7个特征参数;纹理特征提取出二阶矩、惯性矩、逆差矩和灰度相关性的4个特征值。4.麦穗识别采用神经网络图像中麦穗进行识别,根据提取出的形状特征参数和纹理特征值,构建BP神经网络,使用样本对网络权值进行调整。麦穗的识别率达92%。