进行植物表型分析的方法遵循图像预处理→目标分割→特征提取与量化→结果输出的通用流程，不同表型参数（如叶面积、株高、冠幅）的差异主要体现在特征提取环节的针对性操作。本项目的主要工作与难度都体现在植物表型分析的特征提取与量化这一环节。
基于分割后的植物二值图像 / 轮廓，可以利用 OpenCV 的几何计算、坐标分析函数，提取并量化形态、颜色、纹理三类核心表型特征，转化为实际物理参数，这一环节是针对不同表型指标的针对性计算，以下是常见表型参数的提取方法：
1. 形态特征（最核心，量化植物的几何尺寸）
形态特征是植物表型的基础参数，以下是核心参数及提取方法（k = 实际尺寸 / 像素数）：
表型参数 | 核心提取方法(OpenCV) |
| 叶面积 / 冠层面积 | 统计二值图像中植物白色像素的数量，乘以单个像素的实际面积（k²），即：实际面积 = 像素数 ×k²（cv2.countNonZero(binary)统计像素数） |
| 株高 / 茎高 | 检测植物茎秆的轮廓，找到轮廓的最高像素坐标（y 最小）和最低像素坐标（y 最大），计算坐标差后乘以 k，即：实际株高 = y_max-y_min ×k |
| 冠幅（冠层宽度） | 找到植物冠层轮廓的最左、最右像素坐标差乘以 k 为水平冠幅；也可计算冠层的长轴、短轴宽度（基于轮廓的外接矩形） |
| 叶片周长 / 冠层周长 | 计算植物轮廓的弧长（cv2.arcLength(contour, closed=True)，closed=True 表示闭合轮廓），结果乘以 k 得到实际周长 |
| 叶片长宽比 / 形状指数 | 拟合叶片轮廓的外接矩形（cv2.boundingRect (contour)），得到矩形的宽（w）和高（h），长宽比 = w/h；形状指数 = 4π× 面积 / 周长 ²（越接近 1 越接近圆形） |
| 分枝数 / 叶片数 | 对分割后的植物目标进行轮廓聚类 / 连通域分析（cv2.connectedComponents ()），统计独立的连通域数量（需结合形态筛选，剔除小噪点连通域） |
2. 颜色特征（量化植物的生理状态，如黄化、早衰、胁迫）
通过提取植物区域的色彩指数，反映植物的叶绿素含量、生理胁迫状态，核心是计算植物像素的平均 RGB/HSV 值或衍生颜色指数，OpenCV 中先通过掩码提取植物区域的彩色像素，再计算均值，常见颜色指数如下：
a). 绿度指数（GI）：GI=2G-R-B（G、R、B 为植物区域的平均绿、红、蓝通道值），值越大，绿色越浓，叶绿素含量越高；
b). 归一化绿红差值指数（NGRDI）：NGRDI=(G-R)/(G+R)，有效抵抗光照影响，更准确反映绿度；
c). 色相均值：植物区域 HSV 空间的 H 通道均值，若均值偏大 / 偏小，说明植物出现黄化（H 值降低）、发紫（H 值升高）等生理变化。
3. 纹理特征（辅助量化植物的表面结构，如叶片脉络、病害斑点）
纹理特征反映植物像素的空间分布规律，OpenCV 中通过灰度共生矩阵（GLCM）、LBP 特征（局部二值模式） 提取，适用于植物病害检测、品种识别等场景，如：
a). 计算叶片区域的 GLCM 特征（对比度、能量、熵、相关性），纹理对比度大表示叶片脉络清晰，熵值大表示叶片存在斑点（病害）；
b). LBP 特征用于区分不同品种植物的叶片纹理，辅助表型分类。
提取到以上表型特征后再根据不同植物采用相应阈值判断当前植物生长状态、是否受缺水缺肥胁迫、是否有病虫害等，再根据这些状态就可以给出不同护理建议。
我要赚赏金
STM32
MCU
通讯及无线技术
物联网技术
电子DIY
板卡试用
基础知识
软件与操作系统
我爱生活
小e食堂
