CN108955560B - 一种槭属种子形态测定及分析方法 - Google Patents
一种槭属种子形态测定及分析方法 Download PDFInfo
- Publication number
- CN108955560B CN108955560B CN201810489423.2A CN201810489423A CN108955560B CN 108955560 B CN108955560 B CN 108955560B CN 201810489423 A CN201810489423 A CN 201810489423A CN 108955560 B CN108955560 B CN 108955560B
- Authority
- CN
- China
- Prior art keywords
- acer
- seeds
- seed
- image
- point
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
- Pretreatment Of Seeds And Plants (AREA)
Abstract
本发明公开了一种槭属种子形态测定及分析方法,其实现过程为:采集槭属种子,压制成标本,并获取图像;输入槭属种子的图像,对图像进行预处理,以提取种子形态的图像值;获取槭属种子的图像值与测量值的转换参数,并结合图像值,得到槭属种子形态的测量值;获取槭属种子的几何形态统计分析结果,并获取与统计分析结果相关联的形态变化图。本发明所提供的方法,操作简单,重复性强,检测效率高,检测结果准确度高;且能够对槭属种子面积进行准确测量。
Description
技术领域
本发明涉及种子形态分析方法领域,具体涉及一种槭属种子形态测定及分析方法。
背景技术
种子是种子植物的重要器官,是种子植物生殖繁衍的重要载体,其形态特征相对稳定,因此,种子形态学成为描述性分类学的一个重要方面,在种、属或科级水平上具有分类学意义,可利用其生态特征进行种、属间的系统与演化研究。
在槭属树种中,翅果是其繁殖系统的重要特征,也是受遗传控制较强的特征,槭属植物独特的果型成为识别槭属植物最为便捷、准确的方式。
目前,对于槭属种子形态学的研究,仅限于手动利用游标卡尺的测量,如孟超等(孟超,郑昕,姬志峰,等.山西葛萝槭天然种群表型多样性研究[J].西北植物学报,2013,33(11):2232-2240.)利用游标卡尺测定叶厚、叶柄宽、果实的翅果长、翅果宽、翅果柄长、翅果长/款、果长、果宽、果厚、果柄长、着生痕、种子长、种子宽、种子长/宽等指标。
此外,对于槭属种子的研究,多仅进行千粒重的测量和长度、宽度的测量,如杜鹃等(杜娟,兰永平,王鹞,等.贵州槭种子形态特征和萌发特性的研究[J].种子,2011,30(8):9-12.)随机取100粒种子,以种子纵轴长度为纵径,以横向最大宽度为横径,用游标卡尺测量种子的纵、横径;同时随机取纯净种子100粒为1组,取8组,并将各重复种子称重,计算出种子的千粒重。
上述方法均采用手动游标卡尺的测量方式,不仅费时耗力,且人为主观因素较大,可以测量的参数较少,不能全面的反应种子全部的形态,而且,对于种子面积这一重要参数,无法进行精准的测量。
因此,亟需提供一种方便快捷、重复性强且精度高的槭属种子形态测定及分析方法,该方法能够全面准确地分析槭属种子的形态学特征,且能够对种子的面积进行测定。
发明内容
为了克服上述问题,本发明人进行了锐意研究,设计出一种槭属种子形态测定及分析的方法,通过采集槭属种子的图像,并对图像进行处理,准确提取种子形态的图像值,再通过各个形态指标图像值与测量值的转换参数,得到种子形态的测量值;本发明还通过将槭属种子形态的图像值转换为数据信息,并将数据进行标准化处理,获得了准确的几何形态统计分析结果,本发明中的测定及分析方法,检测准确度及效率高,能够对槭属种子面积进行测定,且能对槭属种子几何形态进行全面准确的分析,从而完成了本发明。
具体来说,本发明的目的在于提供以下方面:
一方面,本发明提供了一种槭属种子形态测定及分析方法,其中,该包括方法包括以下步骤:
步骤1,采集槭属种子,压制成标本,并获取图像;
步骤2,输入槭属种子的图像,对图像进行预处理,以提取种子形态的图像值;
步骤3,获取槭属种子的图像值与测量值的转换参数,并结合图像值,得到槭属种子形态的测量值;
步骤4,获取槭属种子的几何形态统计分析结果,并获取与统计分析结果相关联的形态变化图。
另一方面,本发明还提供了一种检测系统,其用于实施槭属种子形态测定及分析方法。
本发明所具有的有益效果包括:
(1)本发明所提供的方法,操作简单,重复性强,检测效率高,检测结果准确度高;
(2)本发明所提供的方法,能够对槭属种子的多个参数进行测量,尤其是能够对槭属种子面积进行准确测量,填补了现有技术中未能对槭属种子面积进行测定的缺陷;
(3)本发明所提供的方法,选择的代表槭属种子形状的参照点,能够最大程度覆盖槭属种子的轮廓,且标定参照点的标准统一,排除了人为主观因素,测定结果准确;
(4)本发明所提供的方法,提高了主导因子的选择标准,能够更准确的选择影响种子形态变异的主导因素,提高了多样性评价的准确度。
附图说明
图1示出本发明选定阈值范围内的槭属种子灰度图;
图2示出一种阈值范围下的槭属种子灰度图;
图3示出另一种阈值范围下的槭属种子灰度图;
图4示出本发明中槭属种子夹角的线角图;
图5示出本发明中参照点的标定位置图;
图6示出本发明实施例2中主导因子的支持度信息图;
图7示出本发明实施例2中根据主导因子划分槭属种子的散点信息图;
图8示出本发明实施例2中参照点信息基于薄板样条的转换网格图,其中,数字1~16即为LM1~LM16。
具体实施方式
下面通过附图和实施例对本发明进一步详细说明。通过这些说明,本发明的特点和优点将变得更为清楚明确。
本发明提供了一种槭属种子形态测定及分析方法,所述方法包括以下步骤:
步骤1,采集槭属种子,压制成标本,并获取图像;
步骤2,输入槭属种子的图像,对图像进行预处理,以提取种子形态的图像值;
步骤3,获取槭属种子的图像值与测量值的转换参数,并结合图像值,得到槭属种子形态的测量值;
步骤4,获取多个槭属种子形状的量化数据;
步骤5,根据步骤4中多个槭属种子形状的量化数据,获取槭属种子的几何形态统计分析结果,并获取与统计分析结果相关联的形态变化图。
具体地,进一步详述本发明:
步骤1,采集槭属种子,压制成标本,并获取图像。
在本发明中,为保证图像的清晰度,优选通过扫描仪对槭属种子的标本扫描来采集图像,
其中,扫描图像的页面面积记为S,图像格式为常用光栅图像,如JPG格式。
其中,扫描种子标本时,在标本的一侧放置一把有刻度的直尺作为“标尺”,用于在该扫描模式下图像值与测量值的转换。
步骤2,输入槭属种子的图像,对图像进行预处理,以提取种子形态的图像值。
根据本发明一种优选的实施方式,所述对图像进行预处理为对图像进行二值化处理,以便于对图像进行精确识别。
本发明人经过研究发现,由于扫描得到的槭属种子图像为彩色图像,需要将其转化为仅有黑白两种灰度的二值化图像,以降低图像处理难度。
其中,图像二值化是指根据给定阈值,将整副图像中大于或等于阈值的像素点灰度值赋为1,小于阈值的像素点灰度值赋为0,从而得到仅有0和1两个灰度值的黑白图像。
本发明人经过研究发现,在将图像进行黑白二值化处理后,槭属种子与背景的灰度级存在明显差异,因此,本发明人优选选择迭代法计算给定阈值,具体算法如下:
(i)首先计算得到整副图像的最大灰度值和最小灰度值,分别记为Amax和Amin,所述初始阈值T0=(Amax+Amin)/2;
(ii)根据阈值Tn(由n=0开始)将图像分为目标和背景,分别计算得到两者的平均灰度值B1和B2;
(iii)计算出新的阈值Tn+1=(B1+B2)/2;
(iv)判断Tn是否与Tn+1相等,若相等,则Tn为给定阈值,若不相等,则继续迭代计算,直至计算出阈值。
优选地,采用双阈值法对图像进行处理。
其中,双阈值包括高阈值和低阈值,所述高阈值决定目标与背景的对比度,低阈值用于平滑目标边缘的轮廓。
在进一步优选的实施方式中,所述对图像进行二值化处理的最小阈值为0~10,最大阈值为90~110,
优选地,所述对图像进行二值化处理的最小阈值为0~5,最大阈值为95~105;
更优选地,所述对图像进行二值化处理的最小阈值为0~2,最大阈值为99~101,例如,最小阈值为0,最大阈值为100。
本发明人经过研究发现,如图1所示,当选定的最小阈值为0,最大阈值为100时,槭属种子与背景的灰度级差异明显,便于统计分析各形态指标;当选定的最小阈值大于10或选定的最大阈值大于120时,分别如图2(最小阈值为35,最大阈值为103)和图3(最小阈值为0,最大阈值为254)所示,由图可以看出槭属种子与背景的灰度级差异不明显,不便于从背景中区分出来。
在本发明中,槭属种子形态的测定指标包括槭属种子的面积、夹角、翅长和翅宽。其中,由于槭属种子的面积代表的是种子自身的像素子集,可以通过统计槭属种子的整体像素块数得到其面积的图像值。
在更进一步优选的实施方式中,在对槭属种子进行翅长、翅宽和夹角测定前,对图像进行锐化处理,以增强图像边缘部分,使图像清晰。
根据本发明一种优选的实施方式,如图4所示,所述槭属种子的夹角为翅果外侧两条连线的夹角,其中一条连线为槭属种子的左右两侧外侧的结合点(记为a0)与左侧果翅外侧的最突出点(记为a1)的连线,另一条连线为结合点与右侧果翅外侧的最突出点(记为a2)的连线。
在进一步优选的实施方式中,所述槭属种子夹角的测定方法为:
(i)选择槭属种子的左右两侧外侧的结合点(a0)中心位置的像素块和左侧果翅外侧的最突出点(a1)中心位置的像素块,进行连线;
(ii)再选择种子右侧果翅外侧的最突出点(a2)中心位置的像素块,与a0中心位置的像素块连线,形成线角;
(iii)测定得到的线角角度即为槭属种子的夹角值。
其中,此处测定得到的槭属种子的夹角度数即为夹角测量值。
根据本发明一种优选的实施方式,所述槭属种子的翅长为果柄与翅果结合点与翅果尖端端点之间的距离。在进一步优选的实施方式中,所述槭属种子翅长的测定方法为:
(i)分别选择槭属种子果柄与翅果的结合点处中心位置的像素块、槭属种子一侧翅果尖端最外缘的像素块;
(ii)将上述选中的两个像素块连线;
(iii)测定连线包括的像素块数,即为槭属种子翅长的图像值。
其中,若翅果尖端最外缘的像素块不容易确定,可重复选择测量2~4次,选择最长距离作为翅长的图像值。
根据本发明一种优选的实施方式,所述槭属种子的翅宽为翅果在垂直于翅长方向上两侧边缘之间的最大距离。
在进一步优选的实施方式中,所述翅宽的测定方法为:
(i)选择槭属种子一侧果翅外侧的最突出点(a1或a2)中心位置的像素块;
(ii)由此像素块沿垂直于翅长连线的方向连线,连线与果翅内侧相交;
(iii)测定果翅内侧和外侧之间连线的像素块数,即为槭属种子翅宽的图像值。
步骤3,根据槭属种子的图像值,得到槭属种子形态的测量值。
在本发明中,需要首先获得图像值与测量值的转换参数,所述图像值与测量值的转换参数即为图像值中每个像素点代表的实际距离(例如多少厘米)。其中,由于本发明中槭属种子的图像为扫描得到,而且为100%扫描,因此其实际放大倍率为1.0。
所述转换参数的获得方法为:首先截取图像的标尺区域,将然后任意选取标尺上的两个刻度点,两个刻度点的距离有标尺上读出,记为A;再统计两个刻度点之间的像素块数,记为B,则图像值与测量值的转换参数为A/B,即翅长或翅宽的测量值=翅长或翅宽的图像值×(A/B)。
在本发明中,步骤1中所述的扫描图像的扫描页的页面面积为S,在选定范围的灰度值下,可以得到扫描页面的图像值(即像素块数),进而可以得到种子面积的测量值=扫描页面面积测量值(S)×(种子面积的图像值/扫描页面的图像值)。
步骤4,获取多个槭属种子形状的量化数据。
本发明人经过研究发现,由于本发明中槭属种子为图像格式,若想研究其形状的细小差异,需将槭属种子的形状转化为数据格式,以进行深入分析。
所述量化数据的获取包括以下子步骤:
步骤4.1,确定槭属种子的形状信息。
其中,确定槭属种子的形状信息通过以下步骤进行:
步骤4.1.1,确定能够代表槭属种子形状的参照点。
在本发明中,所述参照点的选取需满足以下条件:
(i)明显且易于辨认;
(ii)能够最大程度覆盖槭属种子的轮廓。
根据本发明一种优选的实施方式,如图5所示,所述选取的参照点具有16个,依次记为LM1~LM16,
所述参照点的位置依次为:翅果左右两侧结合处的下部结合点(LM1)、翅果左右两侧结合处的上部结合点(LM2)、右侧种子主体部分最宽处的下部边缘点(LM3)、右侧种子主体部分最宽处的上部边缘点(LM4)、右侧果翅部分最窄处的下部边缘点(LM5)、右侧果翅部分最窄处的上部边缘点(LM6)、右侧果翅部分最宽处的下部边缘点(LM7)、右侧果翅部分最宽处的上部边缘点(LM8)、右侧果翅尖端的端点(LM9)、左侧种子主体部分最宽处的下部边缘点(LM10)、左侧种子主体部分最宽处的上部边缘点(LM11)、左侧果翅部分最窄处的下部边缘点(LM12)、左侧果翅部分最窄处的上部边缘点(LM13)、左侧果翅部分最宽处的下部边缘点(LM14)、左侧果翅部分最宽处的上部边缘点(LM15)、左侧果翅尖端的端点(LM16)。
其中,所述槭属种子为翅果型,包括种子主体部分和果翅部分。
步骤4.1.2,将参照点按照顺序标定在槭属种子的图像中。
在本发明中,为保证后续统计分析的数据一致性,需按照预定顺序标定参照点,优选按照LM1至LM16的顺序依次进行标定。
根据本发明一种优选的实施方式,在标定参照点之前,将槭属种子的图像的最小阈值调整至0~10,最大阈值调整至90~110,使得图像中种子边缘、尖端及拐点的像素块清晰。
其中,所有参照点均标定在相应位置处的中心像素块上,为保证多个种子参照点标定位置的一致性,本发明参照点的标定原则是:以种子图像的水平方向为X轴,竖直方向为Y轴,先确认标志点LM1的位置,以其为参照点,LM2的X轴方向的坐标信息与LM1的相同;种子上下部边缘对应的标志点(例如LM3和LM4,LM10和LM11等),二者在X轴方向上的像素块数的差值小于10个像素块;考虑到左右果翅发育的不对称性,左右两侧相对应的标志点(例如LM3和LM10、LM4和LM11),在Y轴方向上像素块数的差值小于20个像素块。
步骤4.2,将槭属种子的形状信息转化为数字信息。
其中,将上述标定好参照点的槭属种子图像投影至x-y坐标系中,获得各个参照点在坐标系中对应的x坐标值和y坐标值。
步骤4.3,对上述数字信息进行标准化处理。
在本发明中,在对数字信息进行标准化处理之前,需将参照点的个数及待测槭属种子的个体信息(如分布区域)加入,以保证后续统计分析的全面准确。
其中,所述标准化处理包括以下子步骤:
步骤4.3.1,将多个槭属种子的数字信息进行叠加重合,以消除非形态变异对几何形态分析的影响。
在本发明中,槭属种子图像的参照点的位置、取向和比例等非形态的变化会直接影响几何形态分析的准确性,因此,需要在分析前将非形态变异的干扰去除,以确保形态变异的变量能够准确反映不同种子样本间的差异。
其中,采用最小二乘法准则,找到个体坐标点之间的最小距离,然后将所有数字信息进行平移、旋转或缩放的操作,以进行叠加重合。
步骤4.3.2,基于步骤4.3.1处理后的数字信息,计算多个槭属种子的平均值,并比较每个种子偏离平均值的偏差,根据偏差大小确定离群值,并剔除。
其中,比较每个槭属种子与平均形状的距离,优选偏差距离大于50时,剔除该槭属种子(样本)。
在本发明中,由于个体的变异或者测量误差的存在,会导致部分种子的测定值显著偏离平均值,进而影响后续测定分析的准确性,需要找到并剔除。
步骤5,根据步骤4中多个槭属种子形状的量化数据,获取槭属种子的几何形态统计分析结果,并获取与统计分析结果相关联的形态变化图。
在本发明中,获取槭属种子几何形态统计分析结果的步骤包括:
步骤5.1,将步骤4中多个槭属种子形状的量化数据转换为协方差矩阵,以能够同时表现量化数据在不同维度间的相关性及在各个维度上的方差。
步骤5.2,将上述协方差矩阵中的多维度数据通过线性变换投影到低维度空间中,获取影响槭属种子形态特征的主导因子。
其中,所述投影的过程是减弱原变量之间的相关性,并形成一组新的互相无关的变量的过程,能够帮助寻找到影响槭属种子形态特征的主导因子。
根据本发明一种优选的实施方式,所述主导因子为对槭属种子全部形态变异的解释度高于70%的因子。
在本发明中,获取的主导因子即为影响槭属种子形态发生变异的最主要因素。
其中,所述主导因子至少包括2个。
步骤5.3,根据步骤5.2中获取的主导因子,将测量的多个槭属种子几何形态数据进行划分,以评价其形态多样性,确定重要种质资源区。
在本发明中,根据主导因子,将测量的槭属种子几何形态数据重新进行区分,能够依据主要影响因素将形态变异大和变异小的种子进行区分。
其中,以对形态变异解释度最高的两个主导因子(PC1和PC2)为坐标轴(PC1为横坐标,PC2为纵坐标),对槭属种子几何形态数据进行划分,得到槭属种子的分布图。
根据槭属种子群体的种源,选定每个种源内处于中心位置的个体,计算种源内其他个体与中心位置个体的距离,计算距离的平均值,比较各个种源的距离的平均值,平均值大的即为形态变异大的槭属种子,平均值小的为形态变异小的槭属种子。
在本发明中,根据主导因子重新划分的槭属种子几何形态数据,能够准确反应槭属的种质资源变异情况,能够判断重要的种质资源区,并可以根据槭属的表观多样性推断其遗传组成。
步骤5.4,获取与步骤5.2和步骤5.3中的统计分析结果相关联的槭属种子的形态变化图。
在本发明中,为了形象地表示与统计分析结果相关联的形态变化,优选将叶片的参照点数据进行可视化操作。
所述形态变化图包括棒棒糖图、转换网格图、扭曲轮廓图和线框图,在本发明中优选选择获取转换网格图,更优选选择基于薄板样条的网格变形进行转换网格。
其中,所述基于薄板样条的转换网格法是将样本通过变形或反卷的方式,使多个样本坐标进行对应,这种网格变形的差异即为两者之间形态的差异。
所述形态变化图的获取包括以下子步骤:
步骤5.4.1,获取待测槭属种子相对于主导因子的位置。
在本发明中,获取的是待测槭属种子在PC1坐标轴上的位置。
步骤5.4.2,设置网格线的数量。
其中,所述网格线包括水平网格线和垂直网格线。
步骤5.4.3,获取待测槭属种子在形态空间的可视化形态图。
其中,在所述可视化形态图中,根据网格线条整体的扩张和收缩变化,可以判断槭属种子各部位的形态变化趋势。
在本发明中,可以根据实际分析的需要,分别获取每个个体、每个种源及群体整体的形态变化图。
在本发明中,所述参照点分布在网格中,参照点的位置、变化幅度和趋势通过点和线表示,其中,以“点”表示在PC1为0的情况下参照点的位置,以“线”表示在整个PC1轴的范围内参照点的位置变化幅度,“线”的指向方向表示形态变异趋势。
根据本发明一种优选的实施方式,当“线”的指向方向相反,且向相反方向延长时,则表示此部位的长度较大或距离较远。
当“线”的指向方向相反,且向相同方向延长时,则表示此部位的长度较小或距离较近。
本发明还提供了一种系统,用于实施上述槭属种子形态测定及分析方法,其中,该系统包括:
图像处理模块,对输入的槭属种子图像进行处理,获取各形态指标的图像值;
图像转换模块,获取图像值与测量值的转换参数,获得槭属种子各形态指标的测量值;
形状量化模块,将槭属种子形态的图像值转换为量化的数据值;
几何形态分析模块,通过确定的槭属种子形态的数据值,获得影响形态变异的主要因子,并对槭属种子的形态多样性进行评价。
在本发明中,图像处理模块包括预处理子模块,用于对图像进行二值化处理,以便于对图像进行精确识别;
所述图像处理模块还包括面积测定子模块、夹角测定子模块、翅长测定子模块和翅宽测定子模块,其中,
面积测定子模块,通过设定图像的阈值,使槭属种子区域像素块凸显,得到种子面积的图像值;
夹角测定子模块,通过测定槭属种子外侧突出点与结合点之间的夹角,得到种子的图像值,即测量值;
翅长测定子模块和翅宽测定子模块,均通过测定选定区域内的像素块数,测定得到槭属种子翅长和翅宽的图像值。
在本发明中,图像转换模块包括面积转换子模块和翅长/翅宽转换子模块,其中,
面积转换子模块,根据图像扫描页面的面积及扫描页面的图像值,可以得到种子面积的测量值;
翅长/翅宽转换子模块,通过截取图像的标尺区域,获得标尺上任意两个刻度点间的像素块数,进而得到图像值与测量值的转换参数。
在本发明中,所述形状量化模块包括参照点标记子模块、参照点转化子模块、数字信息标准化子模块,其中,
参照点标记子模块,按照一定的顺序,将设置的参照点标定在图中;
参照点转化子模块,用于将标定好参照点的图像投影至坐标系中,将图像信息转化为数字信息;
数字信息标准化子模块,通过叠加重合和剔除离群值的方式,将数字信息中的非形态变异值和误差值去除。
在本发明中,所述几何形态分析模块包括多维数据转化子模块、主导因子获取子模块、几何形态数据划分子模块和可视化分析子模块,其中,
多维数据转化子模块,用于将多个槭属种子形状的量化数据进行转化,以能够同时表现量化数据在不同维度间的相关性及在各个维度上的方差;
主导因子获取子模块,通过降维度转化分析,获取影响槭属种子形态特征的主导因子;
几何形态数据划分子模块,根据确定的主导因子,将槭属种子的几何形态数据重新划分,以评价其形态多样性,确定重要种质资源区;
可视化分析子模块,用于将统计分析结果转换为相关联的形态变化图。
实施例
实施例1
本实施例测定的种子为随机选取的5粒梓叶槭种子。
(1)将梓叶槭的种子压制成标本,一侧放置刻度尺,然后用CanoScan 5600F扫描仪扫描,分辨率设为300dpi,扫描页的面积为2.867×10-4cm2。
(2)输入扫描图像,调整最低阈值为0,最高阈值为100,对图像进行二值化处理,使得槭属种子的图像与背景灰度级差异明显,统计种子整体的像素块和扫描页的像素块,并根据扫描页的面积得到种子面积的测量值(重复测量3次);
选择梓叶槭种子的左右两侧外侧的结合点中心位置的像素块和左侧果翅外侧的最突出点中心位置的像素块,进行连线,再选择种子右侧果翅外侧的最突出点中心位置的像素块,与果翅结合点中心位置的像素块连线,形成线角,测定得到种子夹角的度数(重复测量3次);
分别选择梓叶槭种子果柄与翅果的结合点处中心位置的像素块、梓叶槭种子一侧翅果尖端最外缘的像素块;将上述选中的两个像素块连线,将上述选中的两个像素块连线,测定得到种子翅长的图像值,根据标尺计算出每个像素块代表的距离为8.467×10-3cm,进而得到翅长的测量值(重复测量3次);
选择梓叶槭种子一侧果翅内侧的最突出点中心位置的像素块,由此像素块沿垂直于翅长连线的方向连线,连线与果翅外侧相交,测定果翅内侧和外侧之间连线的像素块数,得到槭属种子的图像值,根据标尺计算出每个像素块代表的距离为8.467×10-3cm,进而得到翅宽的测量值(重复测量3次)。
实施例2
本实施例所用槭属种子为梓叶槭的种子,所述种子来自6个分布区(都江堰(dj)、峨眉山(em)、平武(pw)、大邑(dy)、龙泉驿(LQ)、邛崃(QL))的20棵生长正常、无明显缺陷及病虫害的植株,每棵树采集10粒种子。
(1)将梓叶槭的种子压制成标本,然后用CanoScan 5600F扫描仪扫描,分辨率设为300dpi;
选取一张图像,将梓叶槭种子的图像调整至最小阈值为0,最大阈值为100,使得图像中种子的边缘、尖端及拐点的像素块清晰可辨,按照序号顺序依次标定参照点LM1~LM16,如图5所示,其中,参照点的位置信息具体如下:
翅果左右两侧结合处的下部结合点(LM1)、翅果左右两侧结合处的上部结合点(LM2)、右侧种子主体部分最宽处的下部边缘点(LM3)、右侧种子主体部分最宽处的上部边缘点(LM4)、右侧果翅部分最窄处的下部边缘点(LM5)、右侧果翅部分最窄处的上部边缘点(LM6)、右侧果翅部分最宽处的下部边缘点(LM7)、右侧果翅部分最宽处的上部边缘点(LM8)、右侧果翅尖端的端点(LM9)、左侧种子主体部分最宽处的下部边缘点(LM10)、左侧种子主体部分最宽处的上部边缘点(LM11)、左侧果翅部分最窄处的下部边缘点(LM12)、左侧果翅部分最窄处的上部边缘点(LM13)、左侧果翅部分最宽处的下部边缘点(LM14)、左侧果翅部分最宽处的上部边缘点(LM15)、左侧果翅尖端的端点(LM16)。
(2)将上述参照点的图像位置转化为坐标系中的坐标值,然后重复上述操作,将所有待测梓叶槭种子的图像进行输入、标定参照点和转化为坐标值的操作。
(3)将上述所有梓叶槭种子的坐标值进行叠加重合,数据平移、旋转和缩放;
对上述处理后的数字信息,剔除偏差大于50的离群值。
(4)将步骤(3)处理后的数据转换为协方差矩阵格式,并进行将维度分析,获得影响梓叶槭种子形态特征的前几个主成分的支持度信息,结果如图6所示,
由图可知,第一主导因子PC1对梓叶槭种子全部形态变异的解释度为73.5%,第二主导因子PC2对梓叶槭种子全部形态变异的解释度为5.6%,二者对梓叶槭种子全部形态变异的解释度共为79.1%,能够解释梓叶槭种子的主要变异。
(5)根据步骤4中的得到的第一主导因子PC1和第二主导因子PC2对6个分布区的梓叶槭种子进行区分,具体结果如图7和表1所示。
表1 20棵槭属植株的几何形态数据
由图7和表1可知,都江堰(dj)为梓叶槭的重要种质资源区,梓叶槭结籽株数较多且种子表观变异大(处于中心位置的个体与其他个体的平均距离为0.014928),峨眉山(em)也为种植资源区。其中,平武(pw)地区虽然梓叶槭结籽树较多,有4棵结籽的梓叶槭,但形态变异较小(处于中心位置的个体与其他个体的平均距离为0.006859),可能为同一家系。因此,可以确定,在后续保护之中应该加强都江堰和峨眉山地区梓叶槭的保护工作,在平武地区植株虽然较多,但多样性较低,应尝试进行异地种源迁入补充多样性。
(6)基于步骤(5)中的统计结果,选择6个分布区的梓叶槭种子,将其参照点基于薄板样条的网格变形进行转换网格,得到如图8所示的分布模式。
由图8可知,此梓叶槭种子基部的变化趋势是逐渐缩小,而果翅的形态变化趋势是由基部到翅尖逐渐扩大;且图中参照点LM9和LM16的线条指向相反方向,且相反方向延长,表明梓叶槭种子果翅尖部的长度较长。
基于以上分析,几何形态测量方法可以去除种子大小因素的影响,将梓叶槭种子进行量化,能很好地体现梓叶槭种子的变化趋势,为分类学和保护生物学研究的奠定了基础。
对比例
对比例1
本对比例所测定的梓叶槭种子与实施例1中的种子相同。
所用的测定方法为:采用游标卡尺测定梓叶槭种子的翅长和翅宽,测量精度为0.02mm;采用量角器对槭属种子的夹角进行测量。
实验例
实验例1
统计分析实施例1和对比例1所用测量方法的用时可知,实施例1中仅需1个人操作,扫描种子标本仅需1min左右,测量出种子的翅长、翅宽、夹角的测量值需要1~2min;而对比例1中所用方法,测量5粒种子,即使是比较熟练的情况下,若1个人进行操作,平均需要8~10min,后期的数据输入计算机需要2min。
由此可见,本发明中所述的方法能够显著提升测量速度,省时省力,工作效率较高。
实验例2
统计分析实施例1和对比例1中测定方法的精确度,均重复测量三次,结果如表2~5所示:
表2
表3
表4
表5
由表2~表5可知,利用本发明所述方法实现槭属种子的测定可方便快捷的获取种子形态数据,在角度测量时,相较于对比例1的手动测量表现出较高的稳定性,在翅长与翅宽测定时,利用本发明所述的方法在保证数据准确与稳定的前提下,还便于他人进行复测检验。
此外,采用本发明所述的测量方法,能够对槭属种子的面积进行准确测量,填补了现有技术中不能对槭属种子面积进行测定的缺陷。
以上结合了优选的实施方式对本发明进行了说明,不过这些实施方式仅是范例性的,仅起到说明性的作用。在此基础上,可以对本发明进行多种替换和改进,这些均落入本发明的保护范围内。
Claims (7)
1.一种槭属种子形态测定及分析方法,其特征在于,该方法包括以下步骤:
步骤1,采集槭属种子,压制成标本,并获取图像;
步骤2,输入槭属种子的图像,对图像进行预处理,以提取种子形态的图像值;
步骤3,获取槭属种子的图像值与测量值的转换参数,并结合图像值,得到槭属种子形态的测量值;
步骤4,获取槭属种子的几何形态统计分析结果,并获取与统计分析结果相关联的形态变化图;
在步骤4进行之前,将槭属种子形状的图像信息转换为数据信息,包括以下步骤:
步骤4.1,确定槭属种子的形状信息;
步骤4.2,将槭属种子的形状信息转化为数据信息;
步骤4.3,对上述数据信息进行标准化处理;
步骤4.1包括以下子步骤:
步骤4.1.1,确定能够代表槭属种子形状的参照点,所述参照点具有16个,依次记为LM1~LM16,
所述参照点的位置依次为:翅果左右两侧结合处的下部结合点LM1、翅果左右两侧结合处的上部结合点LM2、右侧种子主体部分最宽处的下部边缘点LM3、右侧种子主体部分最宽处的上部边缘点LM4、右侧果翅部分最窄处的下部边缘点LM5、右侧果翅部分最窄处的上部边缘点LM6、右侧果翅部分最宽处的下部边缘点LM7、右侧果翅部分最宽处的上部边缘点LM8、右侧果翅尖端的端点LM9、左侧种子主体部分最宽处的下部边缘点LM10、左侧种子主体部分最宽处的上部边缘点LM11、左侧果翅部分最窄处的下部边缘点LM12、左侧果翅部分最窄处的上部边缘点LM13、左侧果翅部分最宽处的下部边缘点LM14、左侧果翅部分最宽处的上部边缘点LM15、左侧果翅尖端的端点LM16;
步骤4.1.2,将所述参照点按照顺序标定在槭属种子的图像中,按照LM1至LM16的顺序依次进行标定。
2.根据权利要求1所述的方法,其特征在于,步骤2中,所述对图像进行预处理为对图像进行二值化处理,以便于对图像进行精确识别,
采用双阈值法对图像进行处理,
所述对图像进行二值化处理的最小阈值为0~10,最大阈值为90~100。
3.根据权利要求1所述的方法,其特征在于,所述槭属种子的形态包括槭属种子的面积、夹角、翅长和翅宽,
所述槭属种子的面积的图像值即为槭属种子的整体像素块数,和/或
所述槭属种子的夹角为连线角,其中一条连线为槭属种子的左右两侧外侧的结合点与左侧果翅外侧的最突出点的连线,另一条连线为结合点与右侧果翅外侧的最突出点的连线。
4.根据权利要求1所述的方法,其特征在于,所述槭属种子翅长的图像值为果柄与翅果的结合点与翅果尖端端点之间的距离,和/或
所述槭属种子翅宽的图像值为翅果在垂直于翅长方向上两侧边缘之间的最大距离。
5.根据权利要求1所述的方法,其特征在于,步骤4.3包括以下子步骤:
步骤4.3.1,将多个槭属种子的数字信息进行叠加重合,以消除非形态变异对几何形态分析的影响;
步骤4.3.2,基于步骤4.3.1处理后的数字信息,计算多个槭属种子的平均值,并比较每个种子偏离平均值的偏差,根据偏差大小确定离群值,并剔除。
6.根据权利要求5所述的方法,其特征在于,在将数据信息进行标准化后,需通过以下步骤来进行几何形态学分析:
(i),将多个槭属种子形状的标准化数据转换为协方差矩阵,以能够同时表现数据在不同维度间的相关性及在各个维度上的方差;
(ii),将协方差矩阵中的多维度数据通过线性变换投影到低维度空间中,获取影响槭属种子形态特征的主导因子;
(iii),根据获取的主导因子,将测量的多个槭属种子的几何形态数据进行划分,以评价其形态多样性;
(iV),获取与统计分析结果相关联的槭属种子的形态变化图;
所述步骤(ii)中的主导因子为对槭属种子全部形态变异的解释度高于70%的因子。
7.一种检测系统,其用于实施权利要求1至5之一所述的槭属种子形态测定及分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810489423.2A CN108955560B (zh) | 2018-05-21 | 2018-05-21 | 一种槭属种子形态测定及分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810489423.2A CN108955560B (zh) | 2018-05-21 | 2018-05-21 | 一种槭属种子形态测定及分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108955560A CN108955560A (zh) | 2018-12-07 |
CN108955560B true CN108955560B (zh) | 2020-06-26 |
Family
ID=64499432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810489423.2A Expired - Fee Related CN108955560B (zh) | 2018-05-21 | 2018-05-21 | 一种槭属种子形态测定及分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108955560B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115962735B (zh) * | 2022-12-26 | 2024-01-05 | 中国林业科学研究院林业研究所 | 一种基于几何测量确定梓属叶片形状的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3663645B2 (ja) * | 1994-11-18 | 2005-06-22 | ソニー株式会社 | 動画像処理装置とその方法 |
CN101944231A (zh) * | 2010-08-19 | 2011-01-12 | 北京农业智能装备技术研究中心 | 小麦穗部形态参数提取方法 |
CN102425992A (zh) * | 2011-12-15 | 2012-04-25 | 青岛农业大学 | 一种玉米果穗性状测量装置和测量玉米穗行数、穗行倾角以及穗缘角的方法 |
CN103090818A (zh) * | 2013-01-18 | 2013-05-08 | 北京农业信息技术研究中心 | 包衣种子质量测定的方法、装置及系统 |
CN106404779A (zh) * | 2016-08-30 | 2017-02-15 | 郑州航空工业管理学院 | 基于形态分析的玉米种子纯度辅助检测的方法 |
CN110246186A (zh) * | 2019-04-15 | 2019-09-17 | 深圳市易尚展示股份有限公司 | 一种自动化三维彩色成像与测量方法 |
-
2018
- 2018-05-21 CN CN201810489423.2A patent/CN108955560B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3663645B2 (ja) * | 1994-11-18 | 2005-06-22 | ソニー株式会社 | 動画像処理装置とその方法 |
CN101944231A (zh) * | 2010-08-19 | 2011-01-12 | 北京农业智能装备技术研究中心 | 小麦穗部形态参数提取方法 |
CN102425992A (zh) * | 2011-12-15 | 2012-04-25 | 青岛农业大学 | 一种玉米果穗性状测量装置和测量玉米穗行数、穗行倾角以及穗缘角的方法 |
CN103090818A (zh) * | 2013-01-18 | 2013-05-08 | 北京农业信息技术研究中心 | 包衣种子质量测定的方法、装置及系统 |
CN106404779A (zh) * | 2016-08-30 | 2017-02-15 | 郑州航空工业管理学院 | 基于形态分析的玉米种子纯度辅助检测的方法 |
CN110246186A (zh) * | 2019-04-15 | 2019-09-17 | 深圳市易尚展示股份有限公司 | 一种自动化三维彩色成像与测量方法 |
Non-Patent Citations (1)
Title |
---|
高光谱图像技术检测玉米种子品质研究;杨小玲;《中国优秀硕士学位论文全文数据库》;20161231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108955560A (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019134252A1 (zh) | 结构裂缝自动化描绘及宽度精准测量方法与设备 | |
CN108764257B (zh) | 一种多视角的指针式仪表识别方法 | |
CN112881467B (zh) | 一种大尺寸复合材料损伤成像与定量识别方法 | |
CN112818988B (zh) | 一种指针式仪表自动识别读数方法及系统 | |
Ball et al. | Morphometric analysis of phytoliths: recommendations towards standardization from the International Committee for Phytolith Morphometrics | |
Liu et al. | A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field | |
CN104834806B (zh) | 结构面粗糙度系数尺寸效应取样代表性评价方法 | |
EP2697770B1 (en) | Method for preparing quantitative video-microscopy and associated system | |
US20030091221A1 (en) | Method for quantitative video-microscopy and associated system and computer software program product | |
AU2002334590A1 (en) | Method quantitative video-microscopy and associated system and computer software program product | |
CN109409290B (zh) | 一种温度表检定读数自动识别系统及方法 | |
CN113109240B (zh) | 一种计算机实施的粮食不完善粒测定方法和系统 | |
CN101793840A (zh) | 钻石切工参数测量方法及测量装置 | |
Richner et al. | Root image analysis and interpretation | |
CN110781729B (zh) | 碳纤维增强水泥基材料纤维分散性评价模型与评价方法 | |
CN110782440A (zh) | 一种作物籽粒性状测量方法 | |
JP4985480B2 (ja) | がん細胞を分類する方法、がん細胞を分類するための装置及びがん細胞を分類するためのプログラム | |
CN108955560B (zh) | 一种槭属种子形态测定及分析方法 | |
CN114332534B (zh) | 一种高光谱图像小样本分类方法 | |
CN110689567A (zh) | 一种乔木整株总叶面积的测算方法 | |
JP2006343234A (ja) | 非球面形状誤差の評価方法および形状評価装置 | |
CN113570538B (zh) | 一种叶片rgb图像偏态分布参数信息采集及分析方法 | |
CN109300150B (zh) | 一种用于骨龄评估的手骨x光图像纹理特征提取方法 | |
CN110675363A (zh) | 一种针对宫颈细胞的dna指数自动计算方法 | |
Henke et al. | Semiautomatic tree ring segmentation using Active Contours and an optimised gradient operator/Poloautomatizovaná segmentácia ročných radiálnych kruhov stromov s využitím metódy „Active Contours “a optimalizovaného gradientového operátora |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200626 Termination date: 20210521 |
|
CF01 | Termination of patent right due to non-payment of annual fee |