基于HSV空間和擬合橢圓的光核桃種核表型自動量化系統(tǒng)構(gòu)建

韓巧玲，崔樹強(qiáng)，徐釤釤，趙 玥，趙燕東

基于HSV空間和擬合橢圓的光核桃種核表型自動量化系統(tǒng)構(gòu)建

韓巧玲1,2,3,4，崔樹強(qiáng)1,2,3,4，徐釤釤1，趙 玥1,2,3,4，趙燕東1,2,3,4※

（1. 北京林業(yè)大學(xué)工學(xué)院，北京 100083；2. 城鄉(xiāng)生態(tài)環(huán)境北京實驗室，北京 100083；3. 國家林業(yè)局林業(yè)裝備與自動化國家重點實驗室，北京 100083；4. 智慧林業(yè)研究中心，北京 100083）

針對現(xiàn)有青藏高原光核桃種核表型主要采用手工測量和目視法獲得，操作繁瑣，且提取參數(shù)種類有限的問題，該研究構(gòu)建了一種基于HSV（Hue，Saturation，Value）空間和擬合橢圓的光核桃種核表型自動量化系統(tǒng)。該系統(tǒng)包括圖像自動分割和多重參數(shù)提取2個部分，首先，采用HSV閾值法實現(xiàn)光核桃種核圖像的精準(zhǔn)分割；其次，用擬合橢圓法進(jìn)行光核桃種核的核尖提??；最后，對光核桃種核形態(tài)、顏色、紋理3類表型進(jìn)行定量描述。結(jié)果表明，該系統(tǒng)對光核桃種核的自動分割準(zhǔn)確率達(dá)到99.7%，且能夠?qū)崿F(xiàn)多種表型的自動、準(zhǔn)確量化，為光核桃表型參數(shù)研究提供數(shù)據(jù)基礎(chǔ)和技術(shù)支持。

圖像識別；圖像分割；光核桃；表型參數(shù)；擬合橢圓；核尖

0 引 言

光核桃是一種主要分布于中國青藏高原的薔薇科桃屬植物，有著較高的醫(yī)藥和食用價值[1-3]。光核桃種核的表型是揭示其遺傳多樣性和遺傳變異性的重要指標(biāo)[4]。光核桃種核表型包括長度、寬度、面積、核形指數(shù)等[5]，可為桃種質(zhì)的抗旱、抗病育種及改良提供重要的遺傳基礎(chǔ)[6]。

目前，對光核桃種核表型多是采用手工測量方式獲得[7]，工作量大，操作繁瑣。而且部分表型如種核面積、核尖銳度等獲取難度大、精度較低[8]。此外，現(xiàn)有研究提取的光核桃形態(tài)表型種類較少，多是長度、寬度等；對于光核桃種核的紋理和顏色沒有詳細(xì)的量化指標(biāo)，僅能用目視法進(jìn)行定性描述和評估[9-10]。

基于圖像處理的研究方法能夠直觀便捷地提取目標(biāo)，具有自動化程度高、特征量化精確度高的優(yōu)點[11]。圖像處理可以分為圖像分割與特征提取兩部分[12-13]?，F(xiàn)有圖像分割方法主要包括邊緣檢測和閾值法，其中邊緣檢測能夠描述物體的輪廓，常用于檢測目標(biāo)體表特征，例如識別葵花籽的蟲蝕孔、獲得豬的眼睛形態(tài)參數(shù)等[14-16]。閾值法能夠根據(jù)圖像中像素點灰度值或RGB（Red，Green，Blue）值設(shè)定閾值范圍，從而實現(xiàn)目標(biāo)分割，在醫(yī)學(xué)圖像分割、物體損傷檢測等多個研究領(lǐng)域具有較為廣泛的應(yīng)用，操作簡單、運算效率快、精度較高，適用于圖像的自動分割[17-18]。對于分割后的圖像，可通過像素、灰度值等圖像信息，獲取實際物體幾何形態(tài)、顏色紋理特等多種表型特征，具有運算效率快、準(zhǔn)確性高的特點[19]。

因此，為實現(xiàn)光核桃種核表型參數(shù)的自動、高效量化分析，本文提出了一種基于HSV（Hue，Saturation，Value）空間和擬合橢圓的光核桃種核多參數(shù)自動提取系統(tǒng)。該系統(tǒng)在HSV空間下，采用閾值法，結(jié)合形態(tài)學(xué)操作，實現(xiàn)了光核桃種核圖像的高精度自動分割；同時，在準(zhǔn)確提取核形指數(shù)等形態(tài)特征的基礎(chǔ)上，該系統(tǒng)對于難以提取的核尖銳度和面積、難以量化評估的顏色和紋理特征能夠進(jìn)行數(shù)字化表達(dá)，可為西藏光核桃的品種特性研究提供數(shù)據(jù)基礎(chǔ)和技術(shù)參考。

1 系統(tǒng)設(shè)計與方法

針對西藏光核桃種核表型參數(shù)提取操作繁瑣、數(shù)量有限、精度較低等問題，本文提出一種光核桃種核表型自動量化系統(tǒng)（圖1）。

該系統(tǒng)包括：

1）光核桃種核圖像采集。采用數(shù)碼相機(jī)、攝影棚等設(shè)備獲取光核桃種核圖像。

2）光核桃種核圖像的分割和標(biāo)準(zhǔn)化。首先，提取原始圖像中的感興趣區(qū)域；然后，將其由RGB模式轉(zhuǎn)換為HSV模式，用閾值法進(jìn)行種核分割，并由形態(tài)學(xué)操作彌補(bǔ)分割圖像的欠分割與過分割部分；最后，用擬合橢圓法提取光核桃種核的核尖狀態(tài)，并以擬合橢圓為依據(jù)，實現(xiàn)光核桃種核圖像的標(biāo)準(zhǔn)化。

3）光核桃種核表型的量化表達(dá)。首先，通過外接矩形和種核圖像像素信息，獲取核形指數(shù)、種核面積、核尖銳度等光核桃種核形態(tài)特征；然后，用顏色低階矩和灰度共生矩陣分別提取桃種核的顏色與紋理特征，實現(xiàn)對光核桃種核表型的量化分析。

1.1 光核桃種核采集與圖像獲取

1.1.1 試驗材料

本文采用西藏光核桃種核作為試驗材料。所有光核桃種核均由西藏自治區(qū)農(nóng)牧科學(xué)院提供，共計598顆，采集自西藏自治區(qū)波密縣。

1.1.2 光核桃種核圖像獲取與預(yù)處理

采用佳能EOS M5數(shù)碼照相機(jī)和小型攝影棚采集光核桃種核圖像。試驗過程中，將598顆光核桃種核依次放置于小型攝影棚中的白色紙板上，用自制紙臺裝置保證種核大致處于水平狀態(tài)，且放置種核時保持尖端朝向左方。此外，紙板上用計算機(jī)軟件繪制并打印了面積為1 cm2的黑色方塊，其作用為計算物體在圖像所占像素與實際尺寸比例。攝影棚光亮度調(diào)至最大（25.98 klx），數(shù)碼照相機(jī)固定于種核上方約23 cm處垂直拍攝。相機(jī)拍攝焦距45 mm，光圈值40，曝光時間0.005 s。所得圖像為大小長6 000像素，寬3 368像素，其中黑色方塊在圖像中占據(jù)24 039個像素（圖2a）。

基于上述圖像，用python語言設(shè)計自動裁剪程序，在每張圖片上選取左上點和右下點坐標(biāo)分別為（4 250，1 990）和（1 750，70）的矩形區(qū)域（圖2b），對該區(qū)域進(jìn)行截取，再進(jìn)行等比例尺寸壓縮，得到長×寬為625× 480 像素的圖片，即為本文后續(xù)研究采用的圖像（圖2c）。

1.2 基于HSV空間的桃種核分割

在RGB（Red，Green，Blue）空間下，光核桃種核部分區(qū)域的RGB值會和背景較為相似，難以準(zhǔn)確區(qū)分目標(biāo)區(qū)域與背景區(qū)域。而HSV空間能更直觀地表達(dá)圖像不同區(qū)域間的明暗、色調(diào)和鮮艷度，有利于顏色之間的對比[20]。因此，將光核桃種核圖像由RGB空間轉(zhuǎn)換為HSV空間（圖2c和圖2d）。轉(zhuǎn)換公式如（1）～（3）所示。

式中、、分別為同一位置像素點的色調(diào)、飽和度和明度分量數(shù)值，max和min分別是集合{,,}的最大值和最小值，、、分別為同一位置像素點的紅色分量數(shù)值、綠色分量數(shù)值和藍(lán)色分量數(shù)值。

對于HSV空間下的光核桃種核圖像，通過多次試驗法先確定空間在何種閾值范圍時能最大程度分割種核與背景，然后確定在該閾值范圍下，空間的最佳分割效果，最后在已得空間與空間閾值范圍內(nèi)，選定最佳分割效果的空間閾值，并保證所有圖片為同一組分割閾值。

通過該組閾值，并經(jīng)過形態(tài)學(xué)閉運算彌補(bǔ)欠分割部分（先膨脹后腐蝕），獲得用于圖像分割的二值化掩模圖像（圖 2e）。最后由掩模在原圖中分割出所需要的目標(biāo)圖（圖 2f）。

1.3 基于擬合橢圓的核尖提取與圖像標(biāo)準(zhǔn)化

核尖信息是描述光核桃種核特性的重要指標(biāo)。本文提出基于擬合橢圓的光核桃種核核尖提取方法。

首先用canny算子檢測種核邊緣（圖3a），在邊緣中任選邊緣點求出滿足公式（1）的所有擬合橢圓參數(shù)，包括長軸、短軸、圓心等，由這些參數(shù)繪制擬合橢圓[21]，其公式如（4）所示

式中()表示橢圓函數(shù)，(x，y)表示邊緣點坐標(biāo)，α表示橢圓函數(shù)里各項參數(shù)，N表示邊緣點總數(shù)。

在光核桃種核圖像中，種核形狀呈橢圓形，但其兩端位于橢圓外部[22]。在擬合橢圓圖像（圖3b）中，分離光核桃種核在擬合橢圓內(nèi)部和外部的區(qū)域。

對于種核位于擬合橢圓外部的區(qū)域，首先將其轉(zhuǎn)換為二值化圖像（圖3c），然后求取各個連通域的幾何中心點[23]。由于所有圖片均保持種核尖端朝向左方，因此依據(jù)所得各個幾何中心點坐標(biāo)，僅保留其中橫坐標(biāo)最小的連通域，即圖像中最左側(cè)的連通域（圖3d中圓圈內(nèi)部分），該部分即為核尖區(qū)域（圖3e）。其公式如（5）～（6）所示

式中點(,)表示連通域的幾何中心點，(,)表示圖像在點(,)上的灰度值。

在此基礎(chǔ)上，為排除種核排列方向可能造成的表型參數(shù)差距，以擬合橢圓為依據(jù)，實現(xiàn)光核桃種核圖像的標(biāo)準(zhǔn)化，保證種核均處于水平狀態(tài)（圖3f）。

1.4 光核桃種核參數(shù)提取

基于標(biāo)準(zhǔn)化后的光核桃種核圖像，提取了形態(tài)、顏色和紋理3類表型參數(shù)。

1.4.1 形態(tài)參數(shù)

形態(tài)特征為光核桃種核的形狀與幾何參數(shù)。本文主要提取的形態(tài)參數(shù)指標(biāo)包括：

1）種核長度與寬度

本文將光核桃種核最大外接矩形（圖4a）的長度與寬度定義為種核的長度與寬度，單位cm，該參數(shù)反應(yīng)光核桃種核的尺寸大小。

2）核尖銳度

本文將光核桃種核核尖區(qū)域最大外接矩形（圖4b）寬度與長度比值定義為核尖銳度。

其值越大，表示核尖尖銳程度越大，計算公式為

式中表示核尖尖銳度。w表示核尖外接矩形寬度，l表示核尖外接矩形長度，cm。

3）核尖面積

核尖面積為光核桃種核核尖總像素點數(shù)目與1個像素點實際面積的乘積，其公式為

式中S為光核桃種核核尖部分面積，cm2；N為光核桃種核核尖部分所占據(jù)像素點總數(shù)；表示1個像素點的實際面積，其值為0.000 041 cm2。

4）種核面積

光核桃桃種核面積為其整體部分的水平截面積，描述桃種核輪廓的大小。其計算公式為

式中S為種核面積，cm2；N為種核所占圖像像素點總數(shù)。

5）核形指數(shù)

核形指數(shù)是光核桃種核長度和寬度的比值，其值越大表示種核橢圓程度越高。反之，種核形狀越趨近于圓形。其計算公式為

式中S表示核形指數(shù)。

1.4.2 顏色參數(shù)

本文采用計算顏色低階矩的方式來提取光核桃種核的顏色參數(shù)。其具體公式為

其中，一階矩反映光核桃種核的顏色明暗信息，二階矩反映光核桃種核的顏色分布范圍，三階矩反映光核桃種核的顏色分布對稱性[24]。

1.4.3 紋理特征

本文基于灰度共生矩陣提取紋理參數(shù)，灰度共生矩陣是將圖像中任意兩點灰度值之間產(chǎn)生的關(guān)聯(lián)概率歸一化后得到的矩陣，是一種二階統(tǒng)計度量[25]。灰度共生矩陣有多種指標(biāo)參數(shù)，本文選取其中的對比度、同質(zhì)性、能量和相關(guān)性4個指標(biāo)來反映光核桃種核的紋理信息[26]。其計算公式為

2 結(jié)果與分析

2.1 光核桃種核分割結(jié)果定性分析

本文分別采用RGB閾值法[27]、灰度閾值法[28]和HSV閾值法進(jìn)行光核桃種核分割。如圖5所示，從598張光核桃種核圖像中，隨機(jī)選擇一幅圖像進(jìn)行結(jié)果展示。其中，圖像真值（圖5 b）獲取方法為采用PhotoShop圖像處理軟件，通過手動勾勒種核邊緣的方法提取種核區(qū)域。同時，為消除主觀因素對提取精度的影響，由4人進(jìn)行重復(fù)修正標(biāo)定。

從圖5可知，RGB閾值法和灰度閾值法的分割結(jié)果均存在不同程度的缺失現(xiàn)象。其原因可能是因為種核的部分區(qū)域的RGB值或灰度值與背景較為接近，因此，很難選擇準(zhǔn)確的分割閾值對種核進(jìn)行分割操作。而通過HSV閾值法，光核桃種核能從原圖中被準(zhǔn)確分離，其輪廓與內(nèi)部區(qū)域無明顯缺失。因此，相比于RGB間閾值法、灰度閾值法，HSV閾值法適用于光核桃種核表型參數(shù)的自動提取與量化研究。

2.2 光核桃種核分割結(jié)果定量分析

為進(jìn)一步評價不同方法的分割性能，采用準(zhǔn)確率、召回率、精確率和交并比4個指標(biāo)進(jìn)行了定量分析[29]。定量分析結(jié)果如表1所示，數(shù)據(jù)均為均值和標(biāo)準(zhǔn)差。

由表1可知，灰度閾值法和其他2種方法具有較為接近的分割準(zhǔn)確率（98.1%）和精確率（94.6%），但其具有最低的召回率（88.8%）和交并比（84.8%），說明灰度閾值法對于種核存在嚴(yán)重的欠分割現(xiàn)象，不適于光核桃種核的圖像分割。相比于灰度閾值法，RGB閾值法具有較高的召回率（98.6%）和交并比（94.3%），說明RGB閾值法相比于灰度閾值法，在一定程度上對光核桃種核有著較好的分割效果。但HSV閾值法相比而言，其召回率（98.5%）雖略低于RGB閾值法，但具有最高的準(zhǔn)確率（99.7%）、精確率（98.9%）、交并比（97.4%），4項指標(biāo)均在95%以上。綜上所述，相對于其他2種方法，HSV閾值法對光核桃種核分割效果最佳。

表1 3種分割方法定量分析結(jié)果

此外，為驗證本文HSV閾值法的分割普適性，對甘肅桃、毛桃、山桃的種核進(jìn)行了分割試驗，分割所用閾值與光核桃相同，其結(jié)果如圖6所示。

從圖6可以看出，HSV閾值法法對其他3種桃種核分割效果也較好。因此，在拍攝條件相同時，本文方法具有較好的分割普適性。

2.3 表型量化結(jié)果和精度分析

2.3.1 形態(tài)特征

基于光核桃種核圖像，量化分析了光核桃種核的核形指數(shù)、種核長度、種核寬度、核尖銳度、核尖面積等6個不同形態(tài)參數(shù)。為測試本文提取形態(tài)參數(shù)的精度有效性，與手工測量法進(jìn)行對比分析，其結(jié)果如表2所示。

表2 形態(tài)參數(shù)精度分析

由表2可以看出，長度、寬度和核形指數(shù)的相對提取誤差均在1%以下，特別是寬度相對誤差低至0.02%。因此，本文提取的形態(tài)參數(shù)與真實值具有較高的一致性。

在此基礎(chǔ)上，采用種核長度、種核寬度、核尖銳度、核尖面積、核形指數(shù)等6個指標(biāo)對光核桃整體形態(tài)參數(shù)分布情況進(jìn)行分析，其結(jié)果如圖7所示。

由圖7可知，光核桃種核長度范圍為1.2～1.8 cm，寬度范圍0.5～0.8 cm（圖7a和7b）。部分種核無核尖或核尖不明顯，存在核尖的種核，其核尖銳度或面積差異亦較大（圖7c和7d）。核尖面積僅占種核面積的少量部分，前者范圍0～0.035 cm2，后者范圍1.5～4 cm2（圖7e）。種核核形指數(shù)范圍約為1.2～1.6，部分種核核形指數(shù)高達(dá)1.8，均大于1，說明光核桃種核橢圓程度較大（圖7f）。不同個體光核桃種核的形態(tài)參數(shù)存在一定差異。

綜上所述，本文方法能夠較為準(zhǔn)確地提取不同光核桃種核的形態(tài)參數(shù)。特別是，能夠?qū)崿F(xiàn)對光核桃核尖銳度和核尖面積的定量描述。

2.3.2 顏色特征

基于光核桃種核圖像，量化分析了光核桃種核的顏色參數(shù)，并通過與目視法的比較分析，驗證了顏色參數(shù)提取的有效性。并隨機(jī)選擇部分圖片進(jìn)行展示。其結(jié)果如表3所示。

由表3可以看出，隨著種核顏色深度逐漸加深，其一階矩、一階矩呈下降趨勢，一階矩呈上升趨勢。所提取的光核桃種核顏色參數(shù)與目視法結(jié)果較為一致。

在此基礎(chǔ)上，用HSV空間的一階矩、二階矩、三階矩對種核整體顏色分布參數(shù)進(jìn)行分析，其結(jié)果以均值和標(biāo)準(zhǔn)差形式表示（表4）。

由表4所示，一階矩標(biāo)準(zhǔn)差（0.7）、二階標(biāo)準(zhǔn)差（0.9）、三階矩標(biāo)準(zhǔn)差（1.1）均為最小值，說明不同光核桃種核在空間的差異較小，不同光核桃種核的色調(diào)差異較小。一階矩標(biāo)準(zhǔn)差（5.4）、二階標(biāo)準(zhǔn)差（5.1）分別小于一階矩標(biāo)準(zhǔn)差（6.6）和二階矩標(biāo)準(zhǔn)差（5.4），而三階矩標(biāo)準(zhǔn)差（4.8）與三階矩標(biāo)準(zhǔn)差（4.7）相近，說明光核桃種核整體上在空間的差異略大于空間，不同光核桃種核顏色明度的差異略大于色調(diào)的差異。綜上所述，本文提取的顏色指標(biāo)能夠較準(zhǔn)確描述光核桃種核顏色特性。

表3 顏色特征精度分析

表4 光核桃種核的顏色特征

2.3.3 紋理特征

通過前文介紹的紋理參數(shù)提取方法對光核桃整體紋理參數(shù)分布情況進(jìn)行分析，其結(jié)果如圖8所示。

由圖8可知，不同光核桃種核的對比度和能量差異較大，表明種核表面溝紋的深淺程度和紋理的細(xì)致程度相差較大；與之相比，同質(zhì)性差異較小，紋理數(shù)量與復(fù)雜程度對同質(zhì)性的影響；相關(guān)性的分布差異最小，說明不同光核桃種核表面均勻程度較為相近。

在此基礎(chǔ)上，為驗證本文紋理參數(shù)提取方法的有效性，隨機(jī)選擇了部分光核桃種核圖像，將其紋理參數(shù)與目視法結(jié)果進(jìn)行了比較，其結(jié)果如表5所示。

由表5，在種核表面溝紋深度逐漸增大，數(shù)量逐漸增加時，其對比度逐漸增大（0.255～0.442），同質(zhì)性逐漸減?。?.972～0.948）；種核表面紋理清晰程度增大時，其能量值呈降低趨勢（0.629～0.446），但相關(guān)性無明顯變化（0.992～0.993）。

表5 紋理特征精度分析

綜上所述，本文方法提取出的紋理參數(shù)與目視法得到的結(jié)果較為一致，能夠在一定程度上對光核桃種核紋理特性進(jìn)行量化分析。

2.4 光核桃種核表型自動量化系統(tǒng)

在光核桃種核圖像分割與參數(shù)提取的基礎(chǔ)上，本文研制了一款可視化系統(tǒng)，其界面如圖9所示。運行環(huán)境為Windows10，開發(fā)工具為pycharm。系統(tǒng)的開發(fā)語言為python，運行庫包括OpenCV、PyQt5、numpy、skimage等。該系統(tǒng)包含圖像讀取、圖像分割、參數(shù)提取以及自動切換4個模塊。

首先，圖像讀取模塊組件如圖9左上角“文件”按鍵和“圖片文件地址”一欄所示。點擊“文件”按鍵，可選擇欲進(jìn)行處理的任意一幅經(jīng)過裁剪和尺寸壓縮的光核桃種核圖像，被選中的圖像會顯示在“原圖”框中，同時在“圖片文件地址”欄中會顯示圖片文件的地址，便于查找。

其次是圖像分割模塊和特征提取模塊，其可視化組件如圖9上方“特征提取”按鍵，圖9左側(cè)“hsv空間”、“掩膜”、“分割+特征提取”四幅圖像，圖9右側(cè)“紋理特征”、“形態(tài)特征”、“顏色特征”包含的數(shù)據(jù)框所示。點擊“特征提取”按鍵，會在左側(cè)四幅圖像框中自動生成對應(yīng)的圖像，同時在右側(cè)數(shù)據(jù)框中自動生成對應(yīng)的形態(tài)、顏色和紋理參數(shù)數(shù)據(jù)。

此外，自動切換模塊的可視化組件為圖9右下側(cè)“上一張”“下一張”按鍵。其功能為將系統(tǒng)所處理的圖像自動切換為相同文件夾內(nèi)的上一幅或下一幅光核桃種核圖像。該模塊可在無需點擊“特征提取”按鍵對新圖像進(jìn)行圖像分割和特征提取的重復(fù)操作的前提下，自動于目標(biāo)區(qū)域生成所需要的處理后圖像與表型數(shù)據(jù)。

綜上所述，本文提出的光核桃種核表型參數(shù)量化系統(tǒng)具有便捷、高效的特點，不僅能夠?qū)崿F(xiàn)光核桃種核圖像的自動、準(zhǔn)確分割，還能夠完成光核桃種核多重表型的定量、精確表達(dá)。

3 結(jié) 論

針對現(xiàn)有光核桃研究中存在的表型提取困難、定量參數(shù)指標(biāo)較少的問題，本文提出一種光核桃種核表型自動量化系統(tǒng)，并得出了以下結(jié)論：

1）在HSV空間下，結(jié)合形態(tài)學(xué)操作的閾值法，其分割準(zhǔn)確率、精確率、召回率和交并比均在95%以上，特別是準(zhǔn)確率已到達(dá)99.7%，高于灰度閾值法和RGB閾值法。

2）相較于現(xiàn)有的基于手工測量的光核桃種核表型提取方法，本文系統(tǒng)能夠更為高效、準(zhǔn)確地提取種核的形態(tài)參數(shù)，其相對誤差均在1%以下，特別是寬度相對誤差低至0.02%。同時，本系統(tǒng)采用擬合橢圓法，提出了光核桃種核核尖銳度、核尖面積等指標(biāo)，豐富了種核形態(tài)參數(shù)的研究。

3）本文采用顏色低階矩和灰度共生矩陣法提取光核桃種核的顏色和紋理參數(shù)，其結(jié)果與目視法具有一致性。例如，隨著種核表面紋理分布程度由簡單至復(fù)雜，其對比度呈上升趨勢（0.255～0.442），同質(zhì)性（0.972～0.948）和能量（0.629～0.446）呈下降趨勢。

綜上所述，本文提出的光核桃種核表型參數(shù)自動量化系統(tǒng)能夠準(zhǔn)確地提取光核桃種核的形態(tài)、顏色、紋理3類表型參數(shù)，可在一定程度上對光核桃的育種研究提供數(shù)據(jù)基礎(chǔ)和技術(shù)支持。

[1] 孫位軍，周熙，王張，等. 光核桃仁油對實驗鼠與兔的急性毒性實驗[J]. 中國醫(yī)藥導(dǎo)報，2017，14(21)：18-24.

Sun Weijun, Zhou Xi, Wang Zhang, et al. Study on the acute toxicity ofoil in rats and rabbits[J]. China Medical Herald, 2017, 14(21): 18-24. (in Chinese with English abstract)

[2] 張姍姍，鄧嵐，曾秀麗. 西藏光核桃研究進(jìn)展及展望[J]. 農(nóng)學(xué)學(xué)報，2016，6(2)：88-91.

Zhang Shanshan, Deng Lan, Zeng Xiuli. Research progress and prospects of[J].Journal of Agriculture, 2016, 6(2): 88-91. (in Chinese with English abstract)

[3] Zhang S S, Ge S P C, Ying H, et al. Male sterility is linked to the flavonoid biosynthesis Pathways in[J]. Bioinformation, 2020, 16(5): 363-374.

[4] 左力旭，呂健，畢金峰，等.西藏光核桃超微粉粉體特性及活性成分研究[J]. 現(xiàn)代食品科技，2019，35(4)：182-189.

Zuo Lixu, Lyu Jian, Bi Jinfeng, et al. Research on powder characteristics and active components ofpowder prepared by superfine grinding technology[J]. Modern food science & technology, 2019, 35(4): 182-189. (in Chinese with English abstract)

[5] 薛靈麗.光核桃遺傳資源的經(jīng)濟(jì)價值評估與保護(hù)[J]. 林業(yè)科技情報，2019，51(1)：24-25.

Xue Lingli. Economic value assessment and protection ofgenetic resources[J]. Forestry Science and Technology Information, 2019, 51(1): 24-25. (in Chinese with English abstract)

[6] 曾秀麗，張姍姍，格桑平措，等. 西藏光核桃果實的主要表型性狀分析[J]. 西藏農(nóng)業(yè)科技，2018，40(4)：4-7.

Zeng Xiuli, Zhang Shanshan, Gesangpingcuo, et al. Analysis of phenotypic traits of Tibetan[J].Tibet Journal of Agricultural Sciences, 2018, 40(4): 4-7. (in Chinese with English abstract)

[7] 包文泉，烏云塔娜，杜紅巖，等. 西藏光核桃表型性狀遺傳多樣性分析[J]. 分子植物育種，2018，16(16)：5463-5473.

Bao Wenquan, Wuyun Tana, Du Hongyan, et al. Genetic diversity analysis of the phenotypic traits offrom Tibet Plateau[J]. Molecular Plant Breeding, 2018, 16(16): 5463-5473. (in Chinese with English abstract)

[8] 劉會芳，鹿鑫，關(guān)法春，等. 林芝地區(qū)光核桃種子表型性狀變異的影響因素分析[J]. 西南民族大學(xué)學(xué)報：自然科學(xué)版，2019，45(4)：343-348.

Liu Huifang, Lu Xin, Guan Fachun, et al. Analysis of influencing factors on phenotypic variation ofseeds in Nyingchi prefecture[J]. Journal of Southwest Minzu University: Natural Science Edition, 2019, 45(4): 343-348. (in Chinese with English abstract)

[9] 魏麗萍，韓艷英，大布窮，等. 西藏光核桃果實表型性狀變異分析與種質(zhì)資源篩選[J]. 北京林業(yè)大學(xué)學(xué)報，2020，42(7)：48-57.

Wei Liping, Han Yanying, Dabuqiong, et al. Analysis on phenotypic variation and germplasm resource selection of wildin Tibet of southwestern China[J]. Journal of Beijing Forestry University, 2020, 42(7): 48-57. (in Chinese with English abstract)

[10] 譚江平. 西藏光核桃果實性狀分析及遺傳多樣性研究[D]. 成都：四川農(nóng)業(yè)大學(xué)，2012.

Tan Jiangping. Study on the Fruit Characters Analysis and Genetic Diversity ofin Tibet[D]. Chengdu: Sichuan Agricultural University, 2012. (in Chinese with English abstract)

[11] 李龍龍，何東健，王美麗. 基于改進(jìn)型LBP算法的植物葉片圖像識別研究[J]. 計算機(jī)工程與應(yīng)用，2021，57(19)：228-234.

Li Longlong, He Dongjian, Wang Meili. Study of plant leaf image recognition based on improved local binary pattern algorithm[J].Computer Engineering and Applications, 2021, 57(19): 228-234. (in Chinese with English abstract)

[12] 韓巧玲，趙玥，趙燕東，等. 基于全卷積網(wǎng)絡(luò)的土壤斷層掃描圖像中孔隙分割[J]. 農(nóng)業(yè)工程學(xué)報，2019，35(2)：128-133.

Han Qiaoling, Zhao Yue, Zhao Yandong, et al. Soil pore segmentation of computed tomography images based on fully convolutional network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(2): 128-133.(in Chinese with English abstract)

[13] 趙玥，韓巧玲，趙燕東. 基于灰度-梯度特征的改進(jìn)FCM土壤孔隙辨識方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2018，49(3)：279-286.

Zhao Yue, Han Qiaoling, Zhao Yandong. Improved FCM method for pore identification based on grayscale gradient features[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(3): 279-286.(in Chinese with English abstract)

[14] 王衛(wèi)翼，張秋菊. 基于機(jī)器視覺的蟲蝕葵花籽識別與分選系統(tǒng)[J]. 食品與機(jī)械，2014，30(2)：109-113.

Wang Weiyi, Zhang Qiuju. Identification and sorting system of wormhole sunflower seeds based on machine vision[J].Food & Machinery, 2014, 30(2): 109-113. (in Chinese with English abstract)

[15] Di Y, Huang Y, Yang Y J, et al. Measuring the ocular morphological parameters of guinea pig eye with edge detection and curve fitting[J]. Computational and Mathematical Methods in Medicine, 2020, 2020(9): 1-13.

[16] Martínez A, Gómez L, Blanco N, et al. Clustered entropy for edge detection[J]. Mathematics and Computers in Simulation, 2021, 182: 620-645.

[17] 李曉峰，焦洪雙，李東. 基于量子蟻群算法的醫(yī)療圖像閾值分割算法[J]. 沈陽大學(xué)學(xué)報：自然科學(xué)版，2020，32(6)：490-495，522.

Li Xiaofeng, Jiao Hongshuang, Li Dong. Medical image threshold segmentation algorithm based on quantum ant colony algorithm[J]. Journal of Shenyang University: Natural Science, 2020, 32(6): 490-495, 522. (in Chinese with English abstract)

[18] 葉祖坤，李恒，查文彬，等. 采用局部閾值分割的刀具損傷視覺檢測方法[J]. 西安交通大學(xué)學(xué)報，2021，55(4)：52-60.

Ye Zukun, Li Heng, Zha Wenbin, et al. Visual detection method of tool damage using local threshold segmentation[J].Journal of Xi'an Jiaotong University, 2021, 55(4): 52-60. (in Chinese with English abstract)

[19] 王東，方圣輝，王政. 基于光譜特征和顏色特征的油菜提取研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2018，49(3)：158-165.

Wang Dong, Fang Shenghui, Wang Zheng. Extraction for oilseed rape based on spectral feature and color feature[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(3): 158-165. (in Chinese with English abstract)

[20] 韓巧玲，柏浩，趙玥，等. 采用染色示蹤技術(shù)的土壤優(yōu)先流自動分割與量化系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報，2021，37(6)：127-134.

Han Qiaoling, Bai Hao, Zhao Yue, et al. Automatic segmentation and quantitative analysis of soil preferential flow using dye tracer technology[J]. TTransactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(6): 127-134. (in Chinese with English abstract)

[21] Lei I, Teh L, Si W. Direct least squares fitting of ellipses segmentation and prioritized rules classification for curve-shaped chart patterns[J]. Applied Soft Computing Journal, 2021,107: 107363.

[22] 曾秀麗，張姍姍，格桑平措，等. 西藏光核桃種質(zhì)資源的桃種核特征分析[J]. 西藏農(nóng)業(yè)科技，2019，41(2)：6-8.

Zeng Xiuli, Zhang Shanshan, Gesangpingcuo, et al. Seed characteristics ofresources in Tibet[J].Tibet Journal of Agricultural Sciences, 2019, 41(2): 6-8. (in Chinese with English abstract)

[23] 何壸，白研，劉宏偉. 一種基于中心矩特征的SAR圖像目標(biāo)識別方法[J]. 火控雷達(dá)技術(shù)，2006，35(2)：74-74.

He Kun, Bai Yan, Liu Hongwei. A SAR recognition method based on central moment features[J]. Fire Control Radar Technology, 2006, 35(2): 74-74. (in Chinese with English abstract)

[24] 謝文涌，柴琴琴，甘勇輝，等. 基于多特征提取和Stacking集成學(xué)習(xí)的金線蓮品系分類[J]. 農(nóng)業(yè)工程學(xué)報，2020，36(14)：203-210.

Xie Wenyong, Chai Qinqin, Gan Yonghui, et al. Strains classification ofusing multi-feature extraction and Stacking ensemble learning[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(14): 203-210. (in Chinese with English abstract)

[25] Gao Y I, Xue C, Wang R, et al. Chinese fingerspelling recognition via gray-level co-occurrence matrix and fuzzy support vector machine[J]. EAI Endorsed Transactions on e-Learning, 2021, 7(20): 166554.

[26] 鄒修國，丁為民，陳彩蓉，等. 基于改進(jìn)灰度共生矩陣和粒子群算法的稻飛虱分類[J]. 農(nóng)業(yè)工程學(xué)報，2014，30(10)：138-144.

Zou Xiuguo, Ding Weimin, Chen Cairong, et al. Classification of rice planthopper based on improved gray level co-occurrence matrix and particle swarm algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(10): 138-144. (in Chinese with English abstract)

[27] Shreeshan S, Subhra B, Gattu P, et al. Fully automated region of interest segmentation pipeline for UAV based RGB images[J]. Biosystems Engineering, 2021, 211: 192-204.

[28] Mohamed A, Diego O, Ahmed E, et al, Multi-level thresholding-based grey scale image segmentation using multi-objective multi-verse optimizer[J]. Expert Systems with Applications, 2019, 125: 112-129.

[29] Han Q L, Zhao Y, Liu L, et al. A simplified convolutional network for soil pore identification based on computed tomography imagery[J]. Soil Science Society of America Journal, 2019, 83(5): 1309-1318.

Construction of the automatic quantification system for the phenotype ofseeds based on HSV space and fitting ellipse

Han Qiaoling1,2,3,4，Cui Shuqiang1,2,3,4，Xu Shanshan1，Zhao Yue1,2,3,4，Zhao Yandong1,2,3,4※

(1.,,100083,;2.,,100083,;3.,, 100083,;4.,100083,)

Extracting the phenotypic characteristics ofseeds is to measure the size of a physical object that needs to operate a large number of peach seeds. However, some phenotypic data is still difficult to obtain at present. In this study, an automatic multi-feature extraction system was proposed for peach seeds using HSV color space and edge point detection. The system included three parts. The first part was the collection and image acquisition of Amygdalus mira seeds. Specifically, theseeds were collected from the scientific research institutions, and then seed images were captured using a small studio and digital camera. The second part was the image processing of peach seeds. First, the region of interest was obtained on the original image of peach seed, then converted from the RGB to the HSV color space. The threshold segmentation was then selected using the HSV space, in order to remove the seeds from the original image. The purpose of threshold extraction was to determine what threshold range of H space was used to segment the seed kernel and background and then determine the best segmentation of S space under the H threshold range. Finally, the V space threshold was selected in the threshold range of H and S space with the best segmentation, in order that all pictures were the same set of segmentation thresholds, further to realize the preliminary segmentation of peach seed. Binary morphological operations were then utilized to revise the under- and over-segmentation. The third part was the feature extraction and quantification of seeds. First, the morphological features were achieved, including area, shape index, and seed tip state. Specifically, the edge points of seed kernel images were detected to draw the fitting ellipse and separate the tip of seeds. Among them, the tip state was evaluated using the area and sharpness of the seed tip. Subsequently, the color and texture characteristics of the peach kernel were obtained using low-order moments and gray-level co-occurrence matrix. As such, the quantitative analysis was realized for the nucleus phenotype ofseeds. Additionally, the extracted color features included the first-, the second-, and the third-order moments. The texture features included contrast, energy, homogeneity, and correlation. A comparative experiment was conducted to evaluate the RGB and gray threshold. It was found that the HSV threshold presented a better segmentation, indicating the highest accuracy rate (99.7%), average accuracy rate (98.9%), and Intersection over Union (IoU) (97.4%). In addition, the extraction experiments of morphological, color, and texture features were carried out to further verify the performance of the system. The results showed that there were quite different phenotypic characteristics of different seed individuals. At the same time, the H-mean and S-mean moment showed a downward trend, as the color depth of seed gradually deepened, compared the extracted color features with the visual. The same comparison experiment was also performed on texture features. The contrast increased, while the homogeneity decreased gradually, as the depth of grooves on the seed increased gradually. The energy and correlation decreased gradually when the surface texture of seeds was much clearer. In summary, the extracted characteristics of color and texture were more consistent with that of the visual, indicating the quantitative texture ofseed kernel. Consequently, this system can be expected to realize the extraction and quantification of kernel tip state, color, and texture features. The finding can also provide the data foundation and technical support for the breeding research of.

image identification; image segmentation;; phenotypic parameter; ellipse fitting; seed tip

韓巧玲，崔樹強(qiáng)，徐釤釤，等. 基于HSV空間和擬合橢圓的光核桃種核表型自動量化系統(tǒng)構(gòu)建[J]. 農(nóng)業(yè)工程學(xué)報，2021，37(20)：202-210.doi：10.11975/j.issn.1002-6819.2021.20.023 http://www.tcsae.org

Han Qiaoling，Cui Shuqiang，Xu Shanshan, et al. Construction of the automatic quantification system for the phenotype ofseeds based on HSV space and fitting ellipse[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(20): 202-210. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.20.023 http://www.tcsae.org

2021-06-10

2021-09-30

國家自然科學(xué)基金青年科學(xué)基金（32101590）；北京市共建項目；國家自然科學(xué)基金面上項目（32071838）

韓巧玲，博士，講師，研究方向為圖像處理與模式識別、生態(tài)信息智能檢測等。Email：hanqiaoling0@163.com

趙燕東，教授，博士生導(dǎo)師，研究方向為生態(tài)信息智能檢測與控制。Email：yandongzh@bjfu.edu.cn

10.11975/j.issn.1002-6819.2021.20.023

TP391

A

1002-6819(2021)-20-0202-09