３種菟絲子種子數學形態特征的初步研究

謝　敏　沈佐銳　施宗偉　郭瓊霞　高靈旺　潘鵬亮

摘要本研究基于數字圖像處理與分析技術，首次用FeatureExtract數學形態特征提取軟件獲取了3種菟絲子圖像的13項數學形態特征值，并做了方差分析和聚類分析。結果表明，該技術可應用于雜草種子快速鑒定。同時提出對方法的改進建議，為最終實現雜草種子的快速鑒定奠定了基礎。

關鍵詞計算機視覺技術；數學形態特征；檢疫性雜草種子

中圖分類號S 453

隨著計算機的普及和計算機視覺技術的日漸成熟，計算機視覺技術在農業生產和研究中已得到廣泛應用。如在農產品自動分級、農作物生長實時監控和植物病蟲害管理等方面都有詳細的報道。然而，計算機視覺技術在植物種子尤其是在檢疫性雜草種子分類鑒定方面的研究報道還不多。當前對出入境貨物中所攜帶的檢疫性雜草種子的鑒定還主要依靠人工，從這些種子的形態學方面進行分類鑒定。形態學鑒定不僅需要專業人員具備一定的專業知識與長期積累的經驗，而且耗時長，主觀性強。隨著我國加入WTO，進出口產品種類與數量都大幅增長。通關口岸的增多和危險性物種入侵的復雜程度，需要更多的專業人員從事這方面的工作，當前的鑒定方式已經不能滿足快速通關的要求，建立一套快速準確的種子分類系統已迫在眉睫。為此，本文將IPMist實驗室在昆蟲自動識別所開發的技術和軟件進行移植和改進，應用于檢疫性雜草種子的自動鑒定上，以菟絲子屬種子的數學形態特征為依據，探討利用該技術對檢疫性雜草種子進行自動分類鑒定的可行性。

1試驗材料和儀器

試驗所用菟絲子種類包括南方菟絲子(Cuscutaaustralis R.Br.)、日本菟絲子(C.japonica Choisy)和苜蓿菟絲子(C.approximata Babington)。每個種類20個樣本，通過顯微圖片采集技術對菟絲子種子進行數字圖片采集。所用菟絲子種子由福建出入境檢驗檢疫局技術中心植物檢疫實驗室提供。

試驗中使用的設備主要有顯微鏡(Leica LCDMZ16)、攝像頭(Leica DFC320)、惠普臺式計算機。

2試驗方法

2.1圖像的采集

采集到邊緣清晰的圖片是本試驗的關鍵，所以對種子的成像要求較高。具體步驟如下：為了顯示圖片實際大小，把菟絲子種子放于測微尺上采集圖像，打開LCD顯微鏡，運行其自帶軟件，調節圖像大小，使種子占滿視野，調節鏡頭并利用軟件調節圖像的清晰度，使種子輪廓及特征清晰。

2.2圖像的處理

考慮到所獲取的菟絲子種子圖像較大，種子立體結構會造成圖像輪廓模糊。本研究利用Photo—shop軟件對原始圖片進行預處理，使其輪廓更為清晰可辨，降低數據提取的運算負擔。

為了更好地去除噪音以及雜質干擾，勾勒出雜草種子的整體輪廓；并對照片其他部分填充背景色進一步去除圖像干擾，突出整體；修改圖像大小至80k左右，以加快圖像處理軟件的運算速度；用IPMist實驗室研發的圖像處理軟件BatchImage將初始圖像處理成32 bits圖，再二值化成bina_shape圖進行數據特征的提取。

2.3圖像數學形態學特征的提取

用FeatureExtract數據提取軟件提取出菟絲子種子的若干數學形態特征，包括矩形度、延長度、似圓度、球狀性、葉狀性、偏心率以及7個Hu特征值，以下是對各參數的一個簡要說明。

(1)矩形度：物體面積與最小外接矩形面積的比值。

(2)延長度：物體短軸與長軸的比值。

(3)似圓度：假設目標區域面積為S，長軸為L，似圓度=4S／πL²。

(4)球狀性：目標物體內切圓與外切圓半徑的比值。

(5)葉狀性：邊界距質心最短的距離與物體長軸長的比值。反映的是邊界的幅度特征。

(6)偏心率：由矩特征計算出來的特征值。

(7～13)Hu不變矩：數字圖像的一種統計特征。區域的矩根據所有區域內的點計算得來，本試驗所提取的矩特征是由1962年Hu首次總結的7個對平移、旋轉和尺度變換不變的距。

3結果分析

本研究用SPSS15.0對提取出來的特征值進行了分組方差分析。由表2可以看出，p=0.05時，3種菟絲子組間表現差異顯著的參數有：矩形度、延長度、似圓度、球狀性、Hu1、Hu2、Hu3、Hu5，而參數偏心率、葉狀性、Hu4、Hu6、Hu7表現不顯著。這說明在這些參數中，有8個參數可以用于對3種菟絲子種子進行準確分類，而偏心率、葉狀性、Hu4、Hu6、Hu7這幾個參數在這3種菟絲子種子鑒定中不能單獨使用。同時，對組內方差分析結果進行分析，當p=0.05時，通過查F值表，得到F_2.57≈3.15。表中顯示，只有參數偏心率和Hu6的值小于F_2.57，也就是說，這2個參數在不同種類菟絲子當中是不穩定的，不能作為鑒定這3種菟絲子種類的參數。

此外，對這3種菟絲子進行典則判別分析(圖1)和聚類分析(表3)，結果表明，3種菟絲子明顯可以分為3類。聚類分析結果也顯示出，當用全部數據得到的判別函數對3種菟絲子進行聚類分析時，所有樣本都被正確歸為一類；而當用不包含被測標本得到的判別函數對其進行聚類分析時，只有一個樣本判別錯誤，總的判對率為98.6％。

4展望與討論

通過試驗數據的分析可以看出，通過Feature-Extract軟件提取到的13個參數中，大部分對這3種菟絲子的區分與鑒別有重要作用。只有參數偏心率和Hu6在這些菟絲子種內還存在差異，不適用于這3類雜草的區分。這可能由于菟絲子種子在生長過程中所受環境影響較大，諸如水分、濕度、氣候等，對其長、寬、面積等有一定影響，所以雖然本文在試驗中設計測量了種子的長短矩和面積，但最終選取的參數不包括這些因子。利用其他參數可以成功區分出3種菟絲子的差異，并最終把相同的種歸為一類。由于這3種雜草種子同屬于一個屬，形態特征必然有一定的相似之處。但并不排除偏心率、Hu6在與其他雜草種子的區別中會起重要作用，還需進一步的試驗進行驗證。

作者認為，下一步的研究可以在兩個方向上進行。一是對攝像器材和圖像數學形態提取軟件作進一步的改進，以便能處理大樣本的菟絲子種子；二是將研究擴大到其他種類的雜草種子，進一步確定該技術在檢疫性雜草種子快速自動鑒別領域中的應用范圍。