基于圖像處理的苦蕎品種判別

張 強

(山西師范大學(xué)生命科學(xué)學(xué)院，臨汾 041004)

苦蕎亦稱韃靼苦蕎(F.tartaricum)，為蓼科(Polygonaceae)苦蕎屬(Fagopyrum Gaerth)藥食兼用的作物。隨著苦蕎營養(yǎng)和功能成分研究的深入［1］，苦蕎的開發(fā)利用也得到了迅速的發(fā)展，目前中國已是苦蕎生產(chǎn)大國，種植面積及產(chǎn)量均居世界第一。

種子的真實性和品種純度鑒定在種子質(zhì)量管理、種子生產(chǎn)與營銷實踐中有重要意義［2］?；诜N子數(shù)字圖像處理的機器視覺檢測方法具有無損、高效、快捷和低成本的特點。近年來，國內(nèi)外學(xué)者在小麥［3－7］、玉米［2，8］、花生［9］等大宗作物、經(jīng)濟作物的品種、等級和產(chǎn)地判別中進(jìn)行了探索和應(yīng)用。不同農(nóng)作物的種子特征在識別中作用會有所不同，傳統(tǒng)的苦蕎種子品種分類鑒別還依賴于肉眼觀察為主，而對苦蕎種子品種進(jìn)行圖像識別的相關(guān)研究還未見報道。為了解決品種混雜、充偽等問題，探尋新的苦蕎品種判別方法，對于苦蕎品種鑒別、產(chǎn)品質(zhì)量控制、健全質(zhì)量管理、保證苦蕎產(chǎn)業(yè)的持續(xù)健康發(fā)展具有重要意義。

本試驗基于圖像處理的研究方法對不同品種的苦蕎種子(果實，下同)進(jìn)行形態(tài)特征方面的分類比較，首先使用圖像掃描儀獲得不同品種苦蕎種子的彩色圖像，再采用圖像處理軟件從圖像中提取顏色和形態(tài)特征的基礎(chǔ)數(shù)據(jù)，然后利用統(tǒng)計軟件對這些基礎(chǔ)數(shù)據(jù)進(jìn)行分析，篩選判別變量，建立有效的判別模型，并對模型進(jìn)行驗證，為苦蕎品種分類提供有效鑒定依據(jù)。

1 材料與方法

1.1 材料

采用全國8個省區(qū)的11個品種苦蕎種子作為試驗材料，分別為:1威寧苦蕎、2九江苦蕎、3晉蕎2號苦蕎、4固原苦蕎、5海原苦蕎、6通化苦蕎、7苦刺蕎、8黑豐1號苦蕎、9湖南7－2苦蕎、10云南苦蕎、11黔黑苦蕎，均由山西省農(nóng)科院農(nóng)產(chǎn)品加工研究所提供。種子過篩去雜，每個品種隨機選取40粒種子，共440粒種子。

1.2 方法

1.2.1 種子圖像的采集及信息提取

采用EPSON Perfection V700掃描儀獲取苦蕎種子的數(shù)字圖像，掃描儀的分辨率設(shè)置為600 dpi，背景設(shè)置為白色。圖像處理與分析在臺式電腦(Lenovo，Pentium 4，2.8 GHz)上進(jìn)行，操作系統(tǒng)為 Windows XP SP3。以圖像處理軟件Adobe Photoshop CS4作為樣本特征參數(shù)提取的主要工具。

1.2.2 圖像分析方法

通過USB接線將樣本的原始圖像轉(zhuǎn)入計算機進(jìn)行處理。為了進(jìn)一步消減圖像在掃描及傳輸過程中的噪聲干擾，利用Adobe Photoshop CS4軟件中的調(diào)整邊緣工具，將調(diào)整半徑設(shè)置為1.00像素，平滑力度設(shè)置為3以去除圖像邊緣的鋸齒狀干擾，并且利用羽化工具以1.00像素單位平均模糊柔化選取邊緣［10］，獲取更精細(xì)的結(jié)果。通過邊緣的調(diào)整，干擾及圖像噪聲得到消減，較好地保持了圖像的邊緣。利用快速選擇工具，設(shè)置選定直徑為10 px，間距為25%，對單個種子進(jìn)行選定，提取單個種子的特征數(shù)據(jù)。

1.2.3 顏色特征提取

對于顏色識別通常采用紅綠藍(lán)(RGB)和HSI顏色分析，使用RGB顏色模式時，自然的色彩與顯示器上的色彩是以完全相同的方法創(chuàng)建的，有利于對圖像進(jìn)行客觀、準(zhǔn)確地分析和研究，因苦蕎籽粒主色調(diào)為灰白及黑色，并且考慮到Adobe Photoshop CS4軟件中顏色數(shù)據(jù)提取的方便性，采用RGB顏色作為苦蕎種子顏色特征的提取通道。利用快速選擇工具將籽粒選定后，在直方圖里會顯示選定區(qū)域的RGB各顏色特征均值。

1.2.4 形態(tài)特征的提取

利用快速選定工具對每個種子進(jìn)行選定提取，并記錄測量。形態(tài)特征如下:

面積=以單個苦蕎種子圖像所包含的所有像素總數(shù)計算。

周長=苦蕎種子圖像邊界像素總和。

長度=苦蕎種子縱向圖像上距離最長的2個端點之間的像素距離。

寬度=苦蕎種子橫向圖像上垂直于縱軸的最大2個端點之間的像素距離。

長寬比=長度/寬度。圓形度=(周長)2/(4π×面積)。矩形度=面積/外接矩形面積。

1.2.5 其他特征變量的提取

根據(jù)苦蕎種子的性狀特點，將一些較明顯的籽粒外觀特征也進(jìn)行了提取，比如腹溝及棱翅的有無。經(jīng)觀察發(fā)現(xiàn)，11個樣本的苦蕎品種均具有腹溝，除苦刺蕎具有明顯的棱翅分布之外，其他品種均沒有明顯的棱翅特征。

1.2.6 判別模型的構(gòu)建與驗證

采用SPSS 17.0統(tǒng)計軟件進(jìn)行方差分析和判別分析。方差分析的多重比較采用Duncan法;判別分析，采用Wilks'，λ法和逐步法，構(gòu)建貝葉斯(Bayes)判別函數(shù)。聚類分析采用DPS14.10軟件進(jìn)行因子聚類。驗證方法采用回判驗證和交互驗證法。交互驗證是近年來逐漸發(fā)展起來的一種非常重要的判別效果驗證技術(shù)，是在建立判別準(zhǔn)則時逐一去掉一例，再用建立的判別準(zhǔn)則對該例進(jìn)行判別，交互驗證與回判驗證相比錯分率可能會增加，但結(jié)果更真實、客觀，是評價判別準(zhǔn)則效能的可靠指標(biāo)［11－12］。

2 結(jié)果

2.1 特征變量篩選結(jié)果

提取的苦蕎種子特征參數(shù)為28個。其中9個形態(tài)特征包括面積、周長、長度、寬度、矩形度、長寬比、圓度、棱翅和腹溝;顏色特征包括RGB、R、G、B和明度的平均值、標(biāo)準(zhǔn)差、中間值以及灰度的最小值、最大值、平均值、中間值等19個特征指標(biāo)。方差分析結(jié)果顯示不同品種間的全部指標(biāo)均存在顯著差異(P＜0.05)，圖1顯示的是部分形態(tài)特征的多重比較結(jié)果，圖2顯示的是部分顏色特征的多重比較結(jié)果(不同字母表示在0.05水平，差異存在統(tǒng)計學(xué)意義)。

圖1 不同品種苦蕎種子的長度、寬度及長寬比

圖2 不同品種苦蕎種子的R、G、B中間值

11個品種之間28個特征變量均存在顯著差異(P＜0.05)，于是將全部變量納入進(jìn)行逐步篩選，根據(jù)規(guī)則標(biāo)準(zhǔn)F＞3.84的納入，F(xiàn)＜2.71的篩除，從中篩選出特征變量，剔除影響不顯著變量的干擾。經(jīng)20步的篩選，獲得18個有效特征變量列于表1。

表1 篩選出的特征變量

將這18個變量采用標(biāo)準(zhǔn)化處理，進(jìn)行因子聚類分析，結(jié)果如圖3所示，在距離為1處可分為2類，一類為顏色特征變量共13個，另一類為形態(tài)特征變量共5個。分別使用篩選出的形態(tài)因子和顏色因子進(jìn)行品種判別分析，5個形態(tài)因子的判別正確率為55.7%，交互驗證正確率為53.6%;13個顏色因子的判別正確率為76.4%，交互驗證正確率為73.4%。

圖3 判別變量的聚類結(jié)果

苦蕎種子的顏色是苦蕎的重要特征，基于顏色特征因子的判別正確率為76.4%，亦顯示顏色特征是重要的分類特征。顏色特征中的灰度(平均值)為最重要的判別變量，這與Manickavasagan等［13］利用圖像處理對加拿大8個小麥品種進(jìn)行判別時的首要變量有相似之處。顏色特征也較為穩(wěn)健，對于物體的大小和方向均不敏感，有較強的的魯棒性。通過人眼得到顏色知覺，這是一種復(fù)雜的主觀過程，不可避免地受到諸如人的視覺、疲勞程度、個人傾向性、光源等因素的干擾［14］。利用計算機圖像分析技術(shù)對不同苦蕎品種種子的顏色特征和形狀特征進(jìn)行采集、提取，通過圖象處理技術(shù)與現(xiàn)代統(tǒng)計技術(shù)相結(jié)合進(jìn)行分析建模判別，相比傳統(tǒng)肉眼識別而言，精確量化、客觀準(zhǔn)確有效。

基于形態(tài)特征因子的判別正確率為55.7%，表明長度、寬度、長寬比、矩形度和垂直投影的面積5個形態(tài)特征在品種分類中亦發(fā)揮著比較重要的作用。雖然研究顯示不同品種形態(tài)特征上存在較明顯的可區(qū)分差異，但這種形態(tài)特征差異的顯著性僅通過肉眼判別是比較困難的，通過數(shù)字圖像處理和統(tǒng)計學(xué)分析有效克服了這個困難，可以利用這些特征對種子的形狀進(jìn)行較為精確的區(qū)分判斷。在有效特征的篩選中，腹溝及棱翅2個變量未被加入有效特征中，但這2個特征對于其他品種的區(qū)分可能仍具有一定意義。

顏色和形狀為多基因遺傳特征，受環(huán)境因素影響較小，可視為品種的屬性特征［15］。顏色特征與形態(tài)特征結(jié)合使用，能有效提高判別的正確率。本研究方法對品種的判別正確率達(dá)到了96.8%，交互驗證的正確率達(dá)到了94.7%。判別效果一般用誤判率來衡量，并要求誤判率小于10%或20%才有應(yīng)用價值［16］。因此根據(jù)苦蕎的數(shù)字圖像特點建立的Bayes模型，具有一定的應(yīng)用價值。另外，研究采用的圖像處理軟件和統(tǒng)計分析軟件普及性高，易于掌握和使用。

2.2 判別結(jié)果

使用篩選出的18個形態(tài)因子和顏色因子一起進(jìn)行Bayes判別分析，得到判別函數(shù)為:

式中:y1，y2，…，y11，為對應(yīng)的品種 1，2，…，11的Bayes判別函數(shù)，將未知品種特征變量分別代入函數(shù)式，哪個函數(shù)值大，則應(yīng)歸入相應(yīng)的品種類別。

表2 判別分析結(jié)果

表2結(jié)果表明，對11個品種的回判驗證(根據(jù)判別準(zhǔn)則將原樣本逐一代入，評價判別效果)，正確率為96.8%。其中威寧苦蕎、苦刺蕎、云南苦蕎的回判正確率都達(dá)到了100%，固原、海原、通化、黑豐1號及黔黑苦蕎的回判正確率達(dá)到了97.5%，晉蕎2號、九江苦蕎的回判正確率分別為95%和92.5%，僅湖南7－2苦蕎回判正確率較低，為87.5%。對11個品種的交互驗證(即在建立判別準(zhǔn)則時逐一去掉一例，再用建立的判別準(zhǔn)則對該例進(jìn)行判別)，正確率為 94.7%。

影響苦蕎品種判別的因素可能與品種內(nèi)種子的一致性差有關(guān)?？嗍w是總狀花序，花期長，成熟時間極不一致，因為苦蕎的最適宜的收獲時間為全株2/3籽粒成熟，過早收獲，大部分籽粒尚未成熟，過遲收獲，籽粒將大量脫落，影響產(chǎn)量［17］。另外，品種數(shù)目越多，在籽粒形態(tài)諸特征上的交疊現(xiàn)象就越嚴(yán)重，可區(qū)分性變差，也影響到識別效果［8］。今后選擇成熟度盡可能一致的籽粒，探索適宜種子樣品數(shù)量規(guī)模、嘗試引入新的特征因子，如紋理特征等，優(yōu)化分類方法和模型，可能有助于提高判別的正確率。本研究使用了11個苦蕎品種，而通常某一區(qū)域的主要栽培品種不會很多，建立針對某一地域幾個主要品種的，基于數(shù)字圖像處理的判別模型，將使得應(yīng)用數(shù)字圖像技術(shù)進(jìn)行苦蕎品種判別具有更廣泛的應(yīng)用價值。

3 結(jié)論

對來自8個省區(qū)的11個品種苦蕎種子，通過掃描儀獲取其彩色數(shù)字圖像，并從中提取了顏色和形態(tài)2類共28個變量進(jìn)行統(tǒng)計分析，發(fā)現(xiàn)苦蕎種子不同品種間的顏色特征和形狀特征存在著顯著差異。通過逐步法篩選從中獲得18個變量，作為苦蕎種子品種識別的重要指標(biāo)，經(jīng)R型聚類分析可聚成2類:13個顏色變量聚為一類;5個形態(tài)變量聚為一類。13個顏色類變量的判別正確率為74.6%，5個形態(tài)類變量的判別正確率為53.6%，顏色類變量在苦蕎品種預(yù)測中發(fā)揮著主要作用。

將顏色類變量和形態(tài)類變量相結(jié)合，獲得的Bayes判別模型回判正確率為96.8%，交互驗證判別正確率為94.7%。表明利用圖像分析系統(tǒng)和現(xiàn)代統(tǒng)計方法，能有效地對苦蕎種子的顏色與形態(tài)特征進(jìn)行精確量化提取和快速分析，比肉眼識別更具優(yōu)勢，可為苦蕎品種分類鑒別和質(zhì)量控制提供一種客觀性，準(zhǔn)確性、有效性的方法。

［1］周小理，李宗杰，周一鳴.蕎麥治療糖尿病化學(xué)成分的研究進(jìn)展［J］.中國糧油學(xué)報，2011，26(5):119－121

［2］楊錦忠，郝建平，杜天慶，等.基于種子圖像處理的大數(shù)目玉米品種形態(tài)識別［J］.作物學(xué)報.2008，34(6):1069－1073

［3］Shouche SP，Rastogi R，Bhagwat SG，et al.Shape analysis of grains of Indian wheat varieties［J］.Computers and Electronics in Agriculture，2001，33(1):55 －76

［4］何勝美，李仲來，何中虎.基于圖像識別的小麥品種分類研究［J］.中國農(nóng)業(yè)科學(xué).2005，38(9):1869－1875

［5］Zapotoczny P.Discrimination of wheat grain varieties using image analysis and neural networks.Part I.Single kernel texture［J］.Journal of Cereal Science，2011，54:60 －68

［6］Pourreza A，Pourreza H，Abbaspour－Fard M H，et al.I-dentification of nine Iranian wheat seed varieties by textural analysis with image processing［J］.Computers and Electronics in Agriculture，2012，83:102 －108

［7］Delwiche SR，Yang I C，Graybosch R A.Multiple view image analysis of freefalling U.S.wheat grains for damage assessment［J］.Computers and Electronics in Agriculture，2013，98:62－73

［8］郝建平，楊錦忠，杜天慶，等.基于圖像處理的玉米品種的種子形態(tài)分析及其分類研究［J］.中國農(nóng)業(yè)科學(xué)，2008，41(4):994－1002

［9］韓仲志，趙友剛.基于外觀特征識別的花生品質(zhì)與品種檢測方法［J］.中國糧油學(xué)報，2009，24(5):123－126

［10］程軼波.Photoshop圖像處理技巧［J］.中國科技信息，2009，(1):328－354

［11］黃曉韻，曹波，楊躍.基于 SAS的多元統(tǒng)計方法實現(xiàn)芯片數(shù)據(jù)挖掘［J］.生物信息學(xué)，2010，8(2):147－149

［12］劉娟，崔樹起，呂曼，等.基于非參數(shù)交互證實判別分析法建社區(qū)腦膜炎診斷模型［J］.數(shù)理醫(yī)藥學(xué)雜志，2010:23(1):8－10

［13］Manickavasagan A，Sathya G，Jayas D S，et al.Wheat class identification using monochrome images［J］.Journal of Cereal Science，2008，47(3):518－527

［14］劉光蓉，管庶安，周紅.基于圖象處理技術(shù)的大米色澤檢測［J］.糧食和飼料，2006(1):8－9

［15］Wiwart M，Suchowilska E，Lajszner W，et al.Identification of hybrids of spelt and wheat and their parental forms using shape and color descriptors［J］.Computers and Electronics in Agriculture，2012，83:68－76

［16］孫振球.醫(yī)學(xué)統(tǒng)計學(xué)(第三版)［M］.北京:人民衛(wèi)生出版社，2010

［17］趙鋼，陜方.中國苦蕎［M］.北京:科學(xué)出版社，2009.