CN108801936A - 基于光谱成像的植物茎秆切面“组织-组分”同步分析方法 - Google Patents
基于光谱成像的植物茎秆切面“组织-组分”同步分析方法 Download PDFInfo
- Publication number
- CN108801936A CN108801936A CN201810358354.1A CN201810358354A CN108801936A CN 108801936 A CN108801936 A CN 108801936A CN 201810358354 A CN201810358354 A CN 201810358354A CN 108801936 A CN108801936 A CN 108801936A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- component
- section
- tissue
- picture
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及基于光谱成像的植物茎秆切面“组织‑组分”同步分析方法,包括:获取茎秆切面感兴趣区域的光谱图像及可见光图像以及待分析组分的参考光谱,并调整空间分辨率;对获取的茎秆切面的光谱图像进行前景提取和噪点去除,并展开为依空间点序排列的光谱;对待分析组分的参考光谱和已展开的光谱图像的光谱进行数据预处理,并将预处理后的光谱还原得到新的三维光谱图像;提取茎秆切面的可见光图像的多空间信息,结合光谱图像信息,将突显茎秆切面不同组织结构特征的多空间信息进行融合,继而利用聚类算法提取茎秆切面各组织结构特征及分布;对光谱图像进行组分信息提取,并结合空间点信息将相对浓度与茎秆切面组织结构特征及分布进行对应,实现分析结果可视化。
Description
技术领域
本发明涉及一种植物茎秆切面“组织-组分”同步分析方法,特别是关于一种基于光谱成像的植物茎秆切面“组织-组分”同步分析方法。
背景技术
对农作物秸秆复杂性的认知与秸秆有效利用转化过程密切相关,既兼顾复杂秸秆特性研究的执行效率,又能以更高的精度提升对其化学组成和结构的认知能力,从而促进秸秆的深度开发。随着现代检测技术的发展,光谱成像技术得到了充分的研发和利用。光谱信息结合空间信息的直观成像,不仅能够提供具有丰富定位信息的全光谱图像,而且还能提供精确到微米级别微区的具有明确意义和指纹特性的光谱信息,是对传统光谱分析技术的一次重大突破。
光谱成像技术在提供丰富、细致分析信息的同时,也对高维海量数据的特征提取与分析提出更高要求,对其数据的处理需要结合光谱、化学计量学和图像处理等多种技术。现有的植物茎秆切面分析方法,往往仅依赖于肉眼辨识植物茎秆切面组织结构,没有充分提取可见光图像信息并加以运用,也没有实现植物茎秆切面组织结构的精细分割和定位,在分析过程中存在较大的随机性。而在结合光谱成像的深入分析中,也没能有效运用可见光图像的多空间信息,难以实现“组织-组分”原位同步分析。
发明内容
针对上述问题,本发明提供一种操作简单且实用性强的基于光谱成像的植物茎秆切面“组织-组分”同步分析方法。
为实现上述目的,本发明采取以下技术方案:一种基于光谱成像的植物茎秆切面“组织-组分”同步分析方法,包括以下内容:获取茎秆切面感兴趣区域的光谱图像及可见光图像,调整可见光图像同光谱图像具有相同的空间分辨率;并获取待分析组分的参考光谱,确保其同茎秆切面光谱图像具有相同的光谱分辨率;对获取的茎秆切面感兴趣区域的光谱图像进行前景提取和噪点去除,并展开为依空间点序排列的光谱;对待分析组分的参考光谱和已展开的光谱图像的光谱进行数据预处理得到预处理后的光谱,并将预处理后的光谱根据像素点的空间顺序还原得到新的三维光谱图像;提取茎秆切面感兴趣区域的可见光图像的多空间信息,结合相应光谱图像信息,将能够突显茎秆切面不同组织结构特征的多空间信息进行融合,摒除无关的背景信息,得到融合后的切面图像,继而利用聚类算法对融合后的切面图像进行分析提取茎秆切面各组织结构特征及分布;对新的三维光谱图像进行组分信息提取,得到目标组分对应每条光谱的相对浓度,并结合空间点信息将相对浓度与茎秆切面组织结构特征及分布进行对应,实现分析结果可视化。
进一步地,光谱图像为高光谱图像、显微红外图像或显微近红外图像。
进一步地,前景提取采用迭代法、均匀性度量法、类间最大距离法、局部阈值法、OTSU法或最大信息熵法,噪点去除采用手动框选剔除。
进一步地,数据预处理方法包括基线校正、标准正态变换、卷积求导、卷积平滑、矢量归一化、多元散射校正、均值中心化和/或标准化。
进一步地,可见光图像数据的多空间信息包括RGB空间、HSV空间和/或Lab空间。
进一步地,聚类算法采用K均值聚类算法。
进一步地,运用化学计量学方法对预处理后的光谱图像进行组分信息提取。
进一步地,化学计量学方法包括特征峰成像法和F-NNLS拟合算法。
本发明由于采取以上技术方案,其具有以下优点:本发明能够协助分析工作者快速选择最适合的图像/光谱预处理技术,建立基于多空间/波段图像的茎秆横切面表皮、维管束、厚壁细胞和薄壁细胞等多组织同步提取方法,及茎秆横切面纤维素、木质素、半纤维素、果胶和淀粉等多组分原位同步分析方法,实现了农作物茎秆横切面“组织-组分”快速原位同步分析。
附图说明
图1是本发明的植物茎秆切面“组织-组分”同步分析方法流程示意图;
图2是本发明光谱图像数据结构及展开逻辑示意图;
图3是本发明实施例茎秆切面可见光图像及各形态学结构标识示意图;
图4是本发明实施例茎秆切面可见光图像数据RGB空间、HSV空间、Lab空间信息;
图5是本发明实施例茎秆切面“组织-组分”同步分析结果示意图。
具体实施方式
以下结合附图来对本发明进行详细的描绘。然而应当理解,附图的提供仅为了更好地理解本发明,它们不应该理解成对本发明的限制。
如图1所示,本发明提供的植物茎秆切面“组织-组分”同步分析方法,包括以下步骤:
1、获取茎秆切面感兴趣区域的光谱图像及相应感兴趣区域的可见光图像,调整可见光图像数据同光谱图像具有相同的空间分辨率;并获取待分析组分的参考光谱,确保其同茎秆切面光谱图像具有相同的光谱分辨率,其中,光谱图像包括但不限于高光谱图像、显微红外图像和显微近红外图像。
2、对获取的茎秆切面感兴趣区域的光谱图像进行前景提取和噪点去除,其中,前景提取采用的算法包括但不限于迭代法、均匀性度量法、类间最大距离法、局部阈值法、OTSU法和最大信息熵法,噪点去除采用的方法包括但不限于手动框选剔除法。
3、将前景提取和去除噪点后的光谱图像展开为依空间点序排列的光谱,如图2所示,假设光谱图像包含m×n个空间像素点,每个像素点(如图示1,2,3,4,5,…,m n)对应一条覆盖p个波长或波数的光谱,“展开”即是将三维的光谱图像(m×n×p)依像素点的空间顺序排列为二维的光谱矩阵([(m×n)×p]),以对光谱数据进行下述第4步数据预处理。
4、对待分析组分参考光谱和已展开的光谱图像的光谱进行数据预处理得到预处理后的光谱,并将预处理后的光谱根据像素点的空间顺序还原得到新的三维光谱图像;其中,数据预处理方法包括但不限于基线校正、标准正态变换、卷积求导、卷积平滑、矢量归一化、多元散射校正、均值中心化和标准化中的一种或多种。
5、提取茎秆切面感兴趣区域的可见光图像的多空间信息,结合相应光谱图像信息,将能够突显茎秆切面不同组织结构特征的多空间信息进行融合,同时摒除无关的背景信息,得到融合后的切面图像数据,继而利用聚类算法对融合后切面图像提取茎秆切面各组织结构特征及分布。其中,可见光图像数据多空间信息包括但不限于RGB空间、HSV空间和Lab空间,光谱图像信息包括但不限于原始或预处理后光谱图像的平均吸光度切面分布、特征波长吸光度切面分布,聚类算法包括但不限于K均值聚类算法。
6、运用化学计量学方法对新的三维光谱图像进行组分信息提取,得到目标组分对应于每条光谱(即图2所示每个空间点)的相对浓度,并结合空间点信息将相对浓度与茎秆切面组织结构特征及分布一一对应,实现分析结果可视化,其中,化学计量学方法包括但不限于特征峰成像法和F-NNLS拟合算法。
下面通过具体实施例详细说明本发明的植物茎秆切面“组织-组分”同步分析方法的分析过程。
本实施例以乳熟期小麦茎秆地面以上第二节间中段切面为样品,小麦茎秆纤维素、半纤维素、木质素、果胶和淀粉提取物或市售标准品/替代品为待分析组分。在Matlab平台进行同步分析:
1、利用Spotlight 400(PerkinElmer Inc,US)显微近红外/红外成像系统获取该茎秆切面样品感兴趣区域显微红外光谱图像及相应感兴趣区域的可见光图像(如图3),并调整可见光图像数据同光谱图像具有相同的空间分辨率;利用Spotlight 400(PerkinElmer Inc,US)显微近红外/红外成像系统获取待分析组分(小麦纤维素、半纤维素、木质素、果胶和淀粉提取物或市售标准品/替代品)的参考光谱(按行依序排列,纤维素-半纤维素-木质素-果胶-淀粉),并确保其同茎秆切面光谱图像具有相同的光谱分辨率。
2、对光谱图像数据进行前景提取和噪点去除,本实施例分析选用局部阈值法完成前景提取,采用手动框选剔除完成噪点去除。
3、展开光谱图像数据为依空间点序的光谱。
4、对待分析组分参考光谱和已展开的光谱图像进行数据预处理,并将预处理后的光谱根据像素点的空间顺序还原得到新的三维光谱图像,其中,数据预处理依序选用Savizky-Golay卷积平滑(0阶,5点)、标准正态变换和自动Whittaker滤波基线校正(λ=100,p=0.001)。
5、提取茎秆切面感兴趣区域可见光图像数据的多空间信息,本实施例多空间为RGB空间、HSV空间和Lab空间,结合显微红外光谱图像的平均吸光度信息,将每一像素点对应的R,G,B,H,L颜色空间进行融合(如图4所示,能够清楚显示茎秆切面不同组织特征的为R,G,B,H,L,摒除无关的背景信息如S、a和b),凸显茎秆切面不同组织结构特征,继而利用K均值聚类算法(聚类数为6)提取茎秆切面各组织结构特征及分布。
6、分别运用特征峰成像法(1240cm-1,纤维素特征峰)和F-NNLS拟合算法(特征组分1,纤维素)对新的三维光谱图像进行组分信息提取,并结合既有空间信息与茎秆切面各组织结构特征及分布一一对应,实现分析结果可视化(如图5)。
上述各实施例仅用于说明本发明,其中各步骤等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (8)
1.一种基于光谱成像的植物茎秆切面“组织-组分”同步分析方法,其特征在于包括以下内容:
获取茎秆切面感兴趣区域的光谱图像及可见光图像,调整可见光图像同光谱图像具有相同的空间分辨率;并获取待分析组分的参考光谱,确保其同茎秆切面光谱图像具有相同的光谱分辨率;
对获取的茎秆切面感兴趣区域的光谱图像进行前景提取和噪点去除,并展开为依空间点序排列的光谱;
对待分析组分的参考光谱和已展开的光谱图像的光谱进行数据预处理得到预处理后的光谱,并将预处理后的光谱根据像素点的空间顺序还原得到新的三维光谱图像;
提取茎秆切面感兴趣区域的可见光图像的多空间信息,结合相应光谱图像信息,将能够突显茎秆切面不同组织结构特征的多空间信息进行融合,摒除无关的背景信息,得到融合后的切面图像,继而利用聚类算法对融合后的切面图像进行分析提取茎秆切面各组织结构特征及分布;
对新的三维光谱图像进行组分信息提取,得到目标组分对应每条光谱的相对浓度,并结合空间点信息将相对浓度与茎秆切面组织结构特征及分布进行对应,实现分析结果可视化。
2.根据权利要求1所述的植物茎秆切面“组织-组分”同步分析方法,其特征在于,光谱图像为高光谱图像、显微红外图像或显微近红外图像。
3.根据权利要求1所述的植物茎秆切面“组织-组分”同步分析方法,其特征在于,前景提取采用迭代法、均匀性度量法、类间最大距离法、局部阈值法、OTSU法或最大信息熵法,噪点去除采用手动框选剔除。
4.根据权利要求1所述的植物茎秆切面“组织-组分”同步分析方法,其特征在于,数据预处理方法包括基线校正、标准正态变换、卷积求导、卷积平滑、矢量归一化、多元散射校正、均值中心化和/或标准化。
5.根据权利要求1~4任一项所述的植物茎秆切面“组织-组分”同步分析方法,其特征在于,可见光图像数据的多空间信息包括RGB空间、HSV空间和/或Lab空间。
6.根据权利要求1~4任一项所述的植物茎秆切面“组织-组分”同步分析方法,其特征在于,聚类算法采用K均值聚类算法。
7.根据权利要求1~4任一项所述的植物茎秆切面“组织-组分”同步分析方法,其特征在于,运用化学计量学方法对预处理后的光谱图像进行组分信息提取。
8.根据权利要求8所述的植物茎秆切面“组织-组分”同步分析方法,其特征在于,化学计量学方法包括特征峰成像法和F-NNLS拟合算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810358354.1A CN108801936B (zh) | 2018-04-20 | 2018-04-20 | 基于光谱成像的植物茎秆切面“组织-组分”同步分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810358354.1A CN108801936B (zh) | 2018-04-20 | 2018-04-20 | 基于光谱成像的植物茎秆切面“组织-组分”同步分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108801936A true CN108801936A (zh) | 2018-11-13 |
CN108801936B CN108801936B (zh) | 2021-04-06 |
Family
ID=64093133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810358354.1A Active CN108801936B (zh) | 2018-04-20 | 2018-04-20 | 基于光谱成像的植物茎秆切面“组织-组分”同步分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108801936B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110658156A (zh) * | 2019-10-12 | 2020-01-07 | 安徽大学 | 一种近红外光谱特征提取方法及装置 |
CN112798459A (zh) * | 2020-12-31 | 2021-05-14 | 宁波诺丁汉新材料研究院有限公司 | 一种全自动木质纤维素测定仪及测定方法 |
CN112834470A (zh) * | 2020-12-31 | 2021-05-25 | 杭州罗盘星科技有限公司 | 用于水质分析的三维荧光光谱信号纯化与增强方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590211A (zh) * | 2011-01-11 | 2012-07-18 | 郑州大学 | 利用光谱和图像特征进行烟叶分级的方法 |
CN105181606A (zh) * | 2015-08-28 | 2015-12-23 | 中国农业科学院农产品加工研究所 | 基于高光谱成像技术检测花生中蔗糖含量分布的方法 |
CN105809716A (zh) * | 2016-03-07 | 2016-07-27 | 南京邮电大学 | 融合超像素与三维自组织背景减除法的前景提取方法 |
CN107314985A (zh) * | 2017-06-12 | 2017-11-03 | 华中农业大学 | 一种利用近红外光谱检测油菜茎秆纤维素含量的方法 |
-
2018
- 2018-04-20 CN CN201810358354.1A patent/CN108801936B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590211A (zh) * | 2011-01-11 | 2012-07-18 | 郑州大学 | 利用光谱和图像特征进行烟叶分级的方法 |
CN105181606A (zh) * | 2015-08-28 | 2015-12-23 | 中国农业科学院农产品加工研究所 | 基于高光谱成像技术检测花生中蔗糖含量分布的方法 |
CN105809716A (zh) * | 2016-03-07 | 2016-07-27 | 南京邮电大学 | 融合超像素与三维自组织背景减除法的前景提取方法 |
CN107314985A (zh) * | 2017-06-12 | 2017-11-03 | 华中农业大学 | 一种利用近红外光谱检测油菜茎秆纤维素含量的方法 |
Non-Patent Citations (6)
Title |
---|
孔汶汶 等: "基于高光谱成像技术的番茄茎秆灰霉病早期诊断研究", 《光谱学与光谱分析》 * |
张筱蕾 等: "高光谱成像技术的油菜叶片氮含量及分布快速检测", 《光谱学与光谱分析》 * |
胡珂立 等: "一种改进的自适应阈值前景提取方法", 《计算机应用研究》 * |
覃晓 等: "一种改进的Ostu图像分割法", 《山西大学学报》 * |
谢蓉 等: "图像前景提取技术研究", 《信息科学》 * |
阳波: "基于最大类间方差遗传算法的图像分割方法", 《湖南师范大学自然科学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110658156A (zh) * | 2019-10-12 | 2020-01-07 | 安徽大学 | 一种近红外光谱特征提取方法及装置 |
CN110658156B (zh) * | 2019-10-12 | 2022-03-11 | 安徽大学 | 一种近红外光谱特征提取方法及装置 |
CN112798459A (zh) * | 2020-12-31 | 2021-05-14 | 宁波诺丁汉新材料研究院有限公司 | 一种全自动木质纤维素测定仪及测定方法 |
CN112834470A (zh) * | 2020-12-31 | 2021-05-25 | 杭州罗盘星科技有限公司 | 用于水质分析的三维荧光光谱信号纯化与增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108801936B (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11257213B2 (en) | Tumor boundary reconstruction using hyperspectral imaging | |
Hu et al. | Tumor tissue classification based on micro-hyperspectral technology and deep learning | |
Lu et al. | Spectral-spatial classification using tensor modeling for cancer detection with hyperspectral imaging | |
CN110969204B (zh) | 基于磁共振图像与数字病理图像融合的样本分类系统 | |
CN108801936A (zh) | 基于光谱成像的植物茎秆切面“组织-组分”同步分析方法 | |
Piqueras et al. | Combining multiset resolution and segmentation for hyperspectral image analysis of biological tissues | |
Li et al. | Red blood cell count automation using microscopic hyperspectral imaging technology | |
Safdar et al. | Intelligent microscopic approach for identification and recognition of citrus deformities | |
Li et al. | A combined spatial-spectral method for automated white blood cells segmentation | |
CN106709967A (zh) | 一种内窥成像算法及控制系统 | |
Li et al. | Leukocyte cells identification and quantitative morphometry based on molecular hyperspectral imaging technology | |
EP3716136A1 (en) | Tumor boundary reconstruction using hyperspectral imaging | |
Jaworek-Korjakowska | A deep learning approach to vascular structure segmentation in dermoscopy colour images | |
Li et al. | Burn injury diagnostic imaging device's accuracy improved by outlier detection and removal | |
Win et al. | Automated segmentation and isolation of touching cell nuclei in cytopathology smear images of pleural effusion using distance transform watershed method | |
Aloupogianni et al. | Hyperspectral imaging for tumor segmentation on pigmented skin lesions | |
Han et al. | Automatic classification method of thyroid pathological images using multiple magnification factors | |
Wang et al. | Unsupervised domain adaptation model for lesion detection in retinal OCT images | |
Sivaprakasam et al. | Segmentation and classification of cervical cytology images using morphological and statistical operations | |
CN117315485A (zh) | 一种基于高光谱图像的早期肿瘤组织识别系统 | |
Zarei et al. | Automated prostate glandular and nuclei detection using hyperspectral imaging | |
Liu et al. | Using hyperspectral imaging automatic classification of gastric cancer grading with a shallow residual network | |
Jusman et al. | Automated cervical precancerous cells screening system based on Fourier transform infrared spectroscopy features | |
Chaudry et al. | Automated renal cell carcinoma subtype classification using morphological, textural and wavelets based features | |
CN115294434A (zh) | 一种基于分子谱像特征采集与融合的多模态学习卷积神经网络模型的实施方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |