水稻稻穗表型参数自动测量和穗重预测方法
【技术领域】
[0001] 本发明属于数字图像处理和数学建模领域，具体地指一种水稻稻穗表型参数自动 测量和穗重预测方法。
【背景技术】
[0002] 稻穗是水稻成熟后的表现形式，与水稻的产量直接相关，因此其性状特征对水稻 育种和功能基因组学的研究有着重要意义。现阶段的稻穗性状测量及穗重测量均是依靠人 工测量，耗时耗力、效率低、重复性差，并且人工测量属于有损测量，不能同时获取稻穗的多 个性状。随着现代育种技术的快速发展，每天可W产生上千种水稻新品种，为了高效、准确 的从运些品种中筛选出具有推广潜力的新品种，需要进行规模化、高通量的稻穗性状测量， 人工测量的方法显然不能满足要求。在此背景下，国内外已有一些大型的表型测量仪和相 关软件，如德国LemmaTec公司的Scanalyzer3Dsystem,Ikeda等人开发的PASTAR/PASTA Viewer，AkTam等人开发的P-TRAP等，但均存在依赖大型的测量平台和设计复杂的软件的 测量缺陷，且不能反映穗重的相关信息。
【发明内容】
[0003] 本发明的目的是为了克服上述不足提供一种水稻稻穗表型参数自动测量和穗重 预测方法。
[0004] 本发明水稻稻穗表型参数自动测量和穗重预测方法，包括W下步骤：
[0005] (1)通过扫描仪获取稻穗图像：将晒干的稻穗平铺在白纸上，并用胶带固定，开启 计算机，连接扫描仪，将固定于白纸上的稻穗放入扫描仪中，即可获得稻穗图像；
[0006] 似将扫描所得到的稻穗图像进行灰度化：提取扫描所得到的稻穗图像的R、G、B 分量，采用3R-G+B的组合方式得到灰度化图像。
[0007] (3)对得到的灰度化图像进行滤波去噪，并分离出稻穗部分的二值化图像：对得 到的灰度化图像进行滤波去噪，并采用0TSU自动阔值处理得到二值图像；
[0008] (4)利用步骤（3)的二值图像同时提取实粒面积与总粒面积，实粒数与总粒数；依 据化Iditch细化算法提取稻穗骨架，利用得到的稻穗骨架提取最长路径的穗长；计算计盒 维数；恢复稻穗图像的纹理和颜色特征；
[000引妨将步骤（4)中的性状参数与穗重进行相关性分析，将性状参数与穗重进行逐 步回归分析；
[0010] (6)根据步骤巧）中的相关性分析和逐步回归分析结果确定BP神经网络结构；
[0011] (7)根据步骤（6)中的BP神经网络结构预测穗重。
[0012] 进一步、所述步骤（4)中提取实粒面积与总粒面积，实粒数与总粒数的方法为：得 到的二值图像的前景点值为1，背景点值为0,对图像进行预处理W区分出实粒和痕粒，同 时统计出实粒数与总粒数，去除痕粒部分后，利用谷粒所占前景点像素个数乘W单位像素 空间分辨率（皿2)，计算出实粒与总粒的面积，计算公式如下： CN105115469A 巧明书 2/7 页
[0014] 其中S为面积，N为目标前景像素点个数，化i为分辨率。
[0015] 进一步、所述步骤（4)中提取稻穗骨架计算穗长的方法为：利用化Iditch细化算 法处理图像，得到图像的骨架，并进行去除毛刺的处理，优化骨架图像，利用优化的骨架图 像提取穗长，对整幅骨架图像进行扫描，得到端点信息，分别计算每两个端点之间的前景像 素总数，其中最大值为穗长，只保留最长路径的前景像素，而将其他路径的中的前景像素转 变为背景像素。
[0016] 进一步、所述步骤（4)中计算计盒维数的方法为：根据盒维数的定义采用Cantor 集构造，处理二值图像可W得到反映稻穗形状的Cantor集盒维数，计算公式如下：
[0018] 其中BCD为计盒维数，Sk为盒子大小，馬巧为不为空的盒子个数。
[0019] 进一步、所述步骤（4)中恢复稻穗图像的纹理和颜色特征的方法为：采用图像掩 膜技术，恢复二值图像的纹理和颜色特征，分别利用灰度直方图和灰度共生矩阵各提取6 个纹理特征参数，将整幅图像的灰度值范围划分为3组，分别统计每组范围内像素点的个 数，去除枝梗，同时计算含有枝梗的稻穗颜色信息和不含枝梗的稻穗颜色信息。
[0020] 进一步、所述步骤（5)具体过程为：将步骤（4)中的性状参数与穗重进行相关性分 析，得到衡量两个随机变量之间线性相关程度的相关系数r，并进行逐步回归分析，其中
[002引其中n为样本量，Xi，为两个变量的观测值，影累为两个变量的均值。
[0023] 进一步、所述步骤（6)具体过程为：
[0024] BP神经网络中的隐藏层节点输出值：
[0026] BP神经网络中的输出层节点输出值：
[002引其中Vki输入层与隐藏层间的权值，W，k为隐藏层与输出层间的权值，为隐藏层的 传递函数，f2为输出层的传递函数，Xi为输入层节点的输入值；
[0029] 第P个训练样本的误差Ep为： CN105115469A 说明书 3/7 页
[003。 其中，f为期望输出值，《为实际输出值；
[0032] 对于全部P个样本，全局误差为：
[0034] 其中，f为期望输出值，謗为实际输出值。
[0035] 本发明在不依赖于大型测量平台W及复杂的测量软件情况下，只依靠稻穗的扫描 图像即可快速、准确的得到稻穗的多个性状，并得到穗重的相关信息，提高了测量效率，降 低了人工劳动强度。
【附图说明】
[0036] 图1为本发明方法的流程图。
[0037] 图2为预测穗重与实际穗重拟合图。
【具体实施方式】
[0038] 实施例：一种水稻稻穗表型参数自动测量和穗重预测方法，包括W下步骤：
[003引 （1)通过扫描仪获取稻穗图像：将晒干的稻穗平铺在白纸上，并用胶带固定，开启 计算机，连接扫描仪，将固定于白纸上的稻穗放入扫描仪中，即可获得高分辨率的稻穗图 像。
[0040] 似将扫描所得到的稻穗图像进行灰度化：为提高前景点与背景点间的对比度， 提取扫描所得到的稻穗图像的R、G、B分量，采用3R-G+B的组合方式得到对比度显著增强的 灰度化图像。
[0041] (3)对得到的灰度化图像进行滤波去噪，并分离出稻穗部分的二值化图像：对得 到的灰度化图像进行滤波去噪，并采用0TSU自动阔值处理得到二值图像；
[0042] (4)计算稻穗的粒数和穗面积：得到的二值图像的前景点值为1，背景点值为0,由 于实粒与痕粒对于穗重影响较大，因此需要对图像进行预处理W区分出实粒和痕粒，同时 统计出实粒数与总粒数，去除痕粒部分后，可W利用谷粒所占前景点像素个数乘W单位像 素空间分辨率（皿2)，计算出实粒与总粒的面积。计算公式如下：
[0043] S-当 dp;!; -
[0044] 式中S为面积，N为目标前景像素点个数，化i为分辨率。
[0045] (5)处理原始的二值图像，进行去除毛刺，得到稻穗骨架，计算穗长信息：利用 化Iditch细化算法处理图像，可W得到图像的骨架，并进行去除毛刺的处理，优化骨架图 像，利用优化的骨架图像提取穗长，对整幅骨架图像进行扫描，得到端点信息，分别计算每 两个端点之间的前景像素总数，其中最大值为穗长，为确保所计算的值反映实际穗长，并可 进行人工判别，只保留了最长路径的前景像素，而将其他路径的中的前景像素转变为背景 像素。
[004引 （6)得到每幅稻穗图像的集盒维数BCD:根据盒维数的定义采用Cantor集构造，处 理二值图像可W得到反映稻穗形状的Cantor集盒维数。计算公式如下：
[004引式中5k为盒子大小，巧为不为空的盒子个数。
[0049] (7)恢复二值图像的纹理和颜色特征：采用图像掩膜技术，恢复二值图像的纹理 和颜色特征。<