在水果生产过程中,花数的统计往往是果农制定后期果实管理决策的关键性因素。从花卉图像中提取出花朵轮廓,进而估计花数,将有利于果农在开花期培养果树。虽然现有的花卉分割方法都能分割出目标花朵,但其准确性与实用性还需要进一步提高,而且使用范围较小,仅是在特定条件下有效的手工图像处理技术。大多数方法中为了适应花果种类、天气条件、摄像机相对于果园位置(距离和角度)的变化,构成这些算法的颜色和大小阈值参数必须进行重新调整。而且只能分割一种花,不能适应于多种花卉。花卉图像中存在的多个目标以及花与背景之间的颜色相似性的问题,使得在分割之前需要进行一个识别过程来构造一个完整的分割过程。本文针对不同背景的苹果花、桃花和梨花的高分辨率图像,提出了一种有效的、自动化的水果花图像分割方法,其主要是利用微调的CNN(Convolutional Neural Networks)网络对花朵区域的识别作用,并且通过形状约束的水平集模型来精细化分割。主要工作如下:(1)针对花卉图像的背景繁杂、光照变化、品种多样的问题,本文提出了一种新的花卉图像分割方法,该方法有以下三个特点:一是它是一种自动化系统;二是它对复杂的环境和光照的变化具有鲁棒性;三是可以推广到多个品种的水果花图像分割,如桃花,梨花。在训练网络中,本文只使用单一的苹果花图像进行训练,不需要数据预处理或特定的多次训练,就能应用到其他品种花卉。然后,本文提出了一种增加形状约束的水平集模型作为网络的后处理模块来细化网络输出的粗分割结果,在演化方程有限次的迭代之后,就能够得到目标花卉的精确轮廓。(2)因为全卷积网络计算时需要的内存空间根据图像分辨率呈指数增长。所以,在分割方法中,本文把高分辨率的图像裁剪成特定的小图,并且采用部分重叠图像的裁剪方法来减少人工裁剪边界带来的影响。(3)本文对提出的分割方法进行了仿真实验,并与三种典型的分割方法作了定性定量对比,结果表明,在不同光照、不同环境、不同品种的条件下,本文提出的方法视觉效果最优,而且有最高的分割精度,四个不同数据集的精确度(Precision)最低接近82%,最高达到了94%。(4)为了通过分割结果来估计花数,本文拟合了花覆盖率和花数之间的关系,发现了它们线性相关,由此我们可以通过花覆盖率预测图像中的花数。本文提出的方法只需要一张高分辨率的果树图像,就能够在一分钟内估计出花数,而人工可能平均需要50分钟来计算每棵树的花数。