一种大豆品种的有效筛选方法

1.本发明涉及一种大豆品种的有效筛选方法。


背景技术：

2.大豆含有丰富的植物蛋白，是我国非常重要的粮食和榨油兼用作物，同时也是饲料蛋白和蛋白食品的重要加工原料，其基础性和经济效益对于促进农业经济转型和提高农民收入方面都是不言而喻的。因此，大豆在我国的农产品及加工业中占有非常重要的地位。大豆品种的更新有利于提高生产水平，不同地区由于地理环境、温度、水分、土壤等条件各不相同，适宜当地生长的大豆品种也存在很大的差异。因此，需要针对不同地域条件筛选适宜当地种植环境的大豆品种。对大豆品种的有效筛选可以很大程度提高当地大豆的产量、稳定性、口感、商品性和抗逆性。
3.传统的大豆品种筛选和鉴定工作主要是通过大豆的株高、主茎节数、单株荚数、单株粒数、百粒重、颜色等田间种植经验或大豆籽粒形状的差异来进行的人工识别的，这种方法往往要求相关工作人员具有非常专业的背景知识和种植经验，往往鉴别过程费时费力，识别准确率较低，且鉴别人员存在较大的主观差异性；利用图像处理手段也可以对大豆进行筛选和鉴定，这种方法主要针对于大豆种粒的图像识别，往往要求提取和对比不同种类的统计特征，且要求的样本数较多，前期处理成本高，但提取种粒的特征往往只是大豆在某一个角度下片面的二维特征，且容易受到拍照环境和阴影的影响；高光谱和简单重复序列等新型技术手段虽然可以根据大豆品种的光谱特征差异和蛋白质分子标记特性实现对大豆品种的筛选和分类，但设备昂贵，技术门槛高，往往难以普及。


技术实现要素：

4.基于以上不足之处，发明提供一种大豆品种的有效筛选方法，利用不同大豆品种通过叶片反映出来的稳定遗传特征差异，通过对各生长期内不同大豆品种进行叶片图像的标准化获取以及对大豆叶片的形态特征，颜色特征及纹理特征的动态提取，建立用于鉴别大豆种类的模型方法，实现对大豆种类客观、准确、快速、高效地鉴别和提取。克服了现有方法的对大豆品种筛选的人工识别方法效率低下、费时费力且容易受主观判断影响的缺点；同时还可以克服光谱识别方法及简单重复序列等识别方法仪器设备造价昂贵，技术困难，且必须在实验室等较为苛刻的测量实验条件的条件限制和操作的局限性。
5.本发明所采用的技术如下：一种大豆品种的有效筛选方法，步骤如下：
6.步骤1、获取大豆不同生长期的叶片图像
7.获取不同大豆品种在生长过程中各个生长期的叶片图像，包括整体的叶片图像和局部高清的叶脉图像，将数码相机安装在固定支架上，保证数码相机的镜头与试验台平行，在镜头的正下方放置一个黑白棋盘格网定标板；通过分光光度计测量并调整拍摄环境光照强度；利用白色比色板对数码相机进行白平衡处理；调整数码相机高度，针对每个大豆品种，选择一定数量的叶片作为样本；将叶片放置在定标板中心，调整数码相机参数，对每片
叶片进行分别拍照，以此获取各大豆品种在不同生长期内的叶片图像；
8.步骤2、对大豆图像进行标准化处理
9.利用多项式模型实现对定标板的几何校正，根据定标板几何校正模型的多项式参数实现对各大豆品种叶片图像进行统一的几何校正处理，获取每个叶片的整体标准化图像；对每一个几何校正后的图像进行统一裁剪，将裁剪结果作为每个叶片的局部标准化图像；
10.步骤3、提取大豆叶片的形态特征
11.对每个已知大豆品种在其开花期、结荚期、鼓粒期和成熟期的四个生长期内获取的标准化叶片图像进行处理，将每个已知大豆品种选取的一定数量样本的标准化图像转化为灰度图，再将灰度图进行二值化处理，标记并提取二值化图像中每个叶片的长轴长、短轴长、长宽比、周长、面积、椭圆度，作为该大豆品种叶片的形态特征参数；
12.步骤4、提取大豆叶片的颜色特征
13.对每个已知大豆品种在其开花期、结荚期、鼓粒期和成熟期的四个生长期内获取的标准化叶片图像进行处理，针对每个已知大豆品种选取一定数量样本的标准化图像，提取每个叶片样本图像的红色分量的像元均值、绿色分量的像元均值、蓝色分量的像元均值、红色分量的像元标准差、绿色分量的像元标准差及蓝色分量的像元标准差，作为该大豆品种叶片的颜色特征参数；
14.步骤5、提取大豆叶片的纹理特征
15.对每个已知大豆品种在其开花期、结荚期、鼓粒期和成熟期的四个生长期内获取的标准化叶片图像进行处理，针对每个已知大豆品种选取一定数量样本按选区裁剪后的局部标准化彩色图像，将其图像转化为灰度图，再将灰度图进行二值化处理，计算每个局部叶片二值图的灰度共生矩阵，并根据计算结果提取灰度共生矩阵对比度纹理特征量、灰度共生矩阵角二阶矩纹理特征量、灰度共生矩阵相关性纹理特征量及灰度共生矩阵一致性纹理特征量，作为该大豆品种叶片的纹理特征参数；
16.步骤6、建立大豆品种的筛选方法
17.通过对不同生长期下的已知大豆品种叶片图像的处理，分别确定每个已知大豆品种在各个生长期下叶片提取的形态特征参数、颜色特征参数及纹理特征参数，根据每个已知大豆品种在各个生长期下叶片特征参数提取结果选取适宜已知大豆品种的最优生长期，根据不同参数类型的重要性，确定该生长期下，已知大豆品种叶片的形态特征、颜色特征及纹理特征的权重系数，同时设置筛选比例阈值，将最优生长期下每个已知大豆品种叶片的所有形态特征参数、颜色特征参数及纹理特征参数进行建库保存，最后，针对每个待筛选的大豆品种，测量并提取该大豆品种叶片的所有形态特征参数、颜色特征参数及纹理特征参数，将其与数据库中所有已知大豆品种进行计算和对比：对数据库中所有已知大豆品种的整体差异计算结果均大于筛选阈值，则将待筛选品种定义为新品种，否则将待筛选品种认定为与小于筛选阈值的所有已知品种中特征参数提取结果的整体差异最小的那一个已知大豆品种。
18.本发明还具有如下技术特征：
19.1、如上所述的步骤3，根据二值化图像提取每个已知大豆品种叶片的形态特征参数，包括已知大豆品种叶片长轴长a1、已知大豆品种叶片短轴长a2、已知大豆品种叶片长宽
比a3、已知大豆品种叶片周长a4、已知大豆品种叶片面积a5、已知大豆品种叶片椭圆度a6，对叶片的形态特征参数做归一化处理，即a1+a2+a3+a4+a5+a6＝1。
20.2、如上所述的步骤4：提取每个已知大豆品种叶片的颜色特征参数，包括已知大豆品种叶片红色分量像元均值b1、已知大豆品种叶片绿色分量像元均值b2、已知大豆品种叶片蓝色分量像元均值b3、已知大豆品种叶片红色分量像元标准差b4、已知大豆品种叶片绿色分量像元标准差b5及已知大豆品种叶片蓝色分量像元标准差b6，对已知大豆品种叶片的颜色特征参数做归一化处理，即b1+b2+b3+b4+b5+b6＝1。
21.3、如上所述的步骤5具体是，对每个已知大豆品种在开花期、结荚期、鼓粒期和成熟期的4个生长期的标准化叶片图像进行处理，针对每个已知大豆品种10个样本按选区裁剪后的局部标准化图像，利用p＝(r+g+b)/3对已知大豆品种叶片的彩色的局部标准化图像红色分量图像r，绿色分量图像g和蓝色分量图像b进行处理，将已知大豆品种彩色图像转换为灰度图，通过灰度直方图设置灰度级阈值实现对叶片灰度图像的二值化处理，提取处理后叶片二值化图像在水平方向、垂直方向、45
°
对角方向及135
°
对角方向的灰度共生矩阵，灰度共生矩阵的计算公式如公式(1)所示：
22.p(i,j)＝g{(x1,y1),(x2,y2)∈m
×
n|f(x1,y1)＝i,f(x2,y2)＝j}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
23.其中，p(i,j)表示灰度共生矩阵在i行，j列的元素值，也就是灰度图像f同时满足在(x1,y1)位置上的灰度级为i和在(x2,y2)位置上的灰度级为j的概率值，当计算完叶片二值化图像在各个方向的灰度共生矩阵后，利用公式(2)计算四个方向的对比度纹理特征量，并进一步计算已知大豆品种叶片对比度纹理特征均值c1；利用公式(3)计算四个方向的角二阶矩纹理特征量，并进一步计算已知大豆品种叶片角二阶矩纹理特征均值c2；利用公式(4)计算四个方向的熵值纹理特征量，并进一步计算已知大豆品种叶片熵值纹理特征均值c3；利用公式(5)计算四个方向的一致性纹理特征量，并进一步计算已知大豆品种叶片一致性纹理特征均值c4，作为该大豆品种叶片的纹理特征参数，对叶片的纹理特征参数做归一化处理，即c1+c2+c3+c4＝1，
[0024][0025][0026][0027][0028]
在公式(2)
‑
公式(5)中，n表示叶片灰度图像的灰度级，ng表示灰度共生矩阵的级数的最大值。
[0029]
5、根据权利要求4所述的一种大豆品种的有效筛选方法，其特征在于：步骤6：对每个已知大豆品种在开花期、结荚期、鼓粒期和成熟期的4个生长期的大豆叶片图像的处理，分别确定每个大豆品种提取的形态特征参数、颜色特征参数及纹理特征参数，选取所有已知的大豆品种所有参数间差异最大的生长期作为最优生长期，根据不同参数类型的重要
性，确定该生长期下大豆形态特征的整体权重系数k1、颜色特征的整体权重系数k2及纹理特征的整体权重系数k3，对权重系数做归一化处理，即k1+k2+k3＝1，利用公式对每个已知大豆品种的叶片特征参数进行求和，将计算结果f作为该大豆品种叶片的整体特征参数，设置筛选比例阈值t作为筛选和鉴定大豆品种的参考指标，将最优生长期下每个大豆品种的所有形态特征参数a1、a2、a3、a4、a5、a6，所有颜色特征参数b1、b2、b3、b4、b5、b6，所有纹理特征参数c1、c2、c3、c4及整体特征参数f进行建库保存，
[0030]
最后，针对每个待筛选的大豆品种，记录待筛选大豆的生长期，针对该筛选大豆品种选取10个样本的整体标准化图像，利用p＝(r+g+b)/3对彩色整体标准化图像的红色分量图像r，绿色分量图像g和蓝色分量图像b进行处理，将彩色图像转换为灰度图，再通过设置灰度级阈值实现对叶片灰度图像的二值化处理，根据二值化图像提取每个待筛选大豆品种叶片的形态特征参数，包括待筛选大豆品种叶片长轴长a1、待筛选大豆品种叶片短轴长a2、待筛选大豆品种叶片长宽比a3、待筛选大豆品种叶片周长a4、待筛选大豆品种叶片面积a5、待筛选大豆品种叶片椭圆度a6，并对以上待筛选大豆品种叶片的形态特征参数进行归一化处理，满足a1+a2+a3+a4+a5+a6＝1；提取每个待筛选大豆品种叶片的颜色特征参数，包括待筛选大豆品种叶片红色分量像元均值b1、待筛选大豆品种叶片绿色分量像元均值b2、待筛选大豆品种叶片蓝色分量像元均值b3、待筛选大豆品种叶片红色分量像元标准差b4、待筛选大豆品种叶片绿色分量像元标准差b5及待筛选大豆品种叶片蓝色分量像元标准差b6，并对以上待筛选大豆品种叶片的颜色特征参数进行归一化处理，满足b1+b2+b3+b4+b5+b6＝1；提取每个待筛选大豆品种叶片的纹理特征参数，包括待筛选大豆品种叶片对比度纹理特征均值c1，待筛选大豆品种叶片角二阶矩纹理特征均值c2，待筛选大豆品种叶片熵值纹理特征均值c3，待筛选大豆品种叶片一致性纹理特征均值c4，并对以上待筛选大豆品种叶片的纹理特征参数进行归一化处理，满足c1+c2+c3+c4＝1，根据公式对每个待筛选大豆品种的叶片参数进行求和，将计算结果f作为待筛选大豆品种叶片的整体特征参数，将待筛选大豆品种叶片的整体特征参数f与数据库中与待筛选大豆品种生长期相同的所有已知大豆品种叶片的整体特征参数f进行计算和对比，计算比例系数s＝f/f，设置筛选比例阈值t＝0.1，如对数据库中所有已知大豆品种的比例系数s计算结果均大于筛选比例阈值t，则将待筛选大豆品种定义为新品种，否则将待筛选品种认定为与小于筛选比例阈值t的所有的已知大豆品种叶片的整体特征参数f计算结果与待筛选大豆品种叶片的整体特征参数f的比例系数s差异最小的那一个大豆品种。
[0031]
本发明突出的有益性效果及优点：本发明通过对具有稳定遗传特征和品种差异的大豆叶片的几何特征、颜色特征及纹理特征的综合提取，建立一个新的基于叶片特征的大豆品种鉴别和筛选方法，既可以实现对大豆品种的客观筛选，又能够保证较高的鉴别精度和较高的鉴别效率，具有可操作性强、灵活性强、可重复性强和批量处理和优点。
附图说明
[0032]
图1为某一已知大豆品种叶片的整体标准化图像灰度图；
[0033]
图2为某一已知大豆品种叶片的整体标准化图像二值图；
[0034]
图3为某一已知大豆品种叶片的局部标准化图像灰度图；
[0035]
图4为某一已知大豆品种叶片的局部标准化图像二值图。
具体实施方式
[0036]
下面根据说明书附图举例对本发明做进一步的说明：
[0037]
实施例1
[0038]
步骤1：采用的设备包括试验台、固定支架、数码相机、分光光度计、白色比色板和黑白棋盘格网定标板等，用于获取不同大豆品种在生长过程中各个生长期的叶片图像，包括整体的叶片图像和局部高清的叶脉图像。首先，将数码相机安装在固定支架上，保证数码相机的镜头与试验台平行，在镜头中心的正下方放置一个20厘米*20厘米的黑白棋盘格网定标板，每个棋盘格为一个边长为0.5厘米的正方形；通过分光光度计测量并调整拍摄环境的光照强度；利用数码相机捕获的白色比色板作为参考标准对数码相机进行白平衡设置，保证相机的拍照环境统一；调整数码相机高度，针对每个大豆品种，选择固定生长期的10片叶片作为样本；首先拍摄定标板图像，作为几何校正参考标准，然后将每个叶片放置在定标板中心，保证叶片的中心与镜头的中心重合，调整数码相机的焦距、光圈、曝光时间等参数，对每片叶片进行分别拍照，以此获取各大豆品种在不同生长期内的叶片图像。
[0039]
步骤2：选择黑白棋盘格网定标板四周的边界及中心点作为基准点，利用多项式模型实现对定标板的几何校正并记录多项式参数作为几何校正参考标准，利用该多项式参数实现对各大豆品种叶片图像进行统一的几何校正处理，获取每个叶片的整体标准化图像。
[0040]
以每个叶片图像中的主叶脉为中心，对每一个几何校正后的图像再选择固定大小的矩形区域作为选区，裁剪选区内的叶片图像部分作为每个叶片的局部标准化图像。
[0041]
步骤3：对每个大豆品种在开花期、结荚期、鼓粒期及成熟期等4个关键生长期的标准化叶片图像进行处理，针对每个大豆品种10个样本的整体标准化图像，利用p＝(r+g+b)/3对彩色整体标准化图像的红色分量图像(r)，绿色分量图像(g)和蓝色分量图像(b)进行处理，将彩色图像转换为灰度图，如图1为对已知大豆品种叶片的整体标准化图像进行灰度图转换后的结果。
[0042]
通过设置灰度级阈值实现对叶片灰度图像的二值化处理，如图2为对图1中已知大豆品种叶片的整体标准化图像的灰度图进行二值化处理后的结果。
[0043]
根据二值化图像提取每个已知大豆品种叶片的形态特征参数，包括已知大豆品种叶片长轴长a1、已知大豆品种叶片短轴长a2、已知大豆品种叶片长宽比a3、已知大豆品种叶片周长a4、已知大豆品种叶片面积a5、已知大豆品种叶片椭圆度a6，为了便于后期品种筛选工作的统一和量化，对叶片的形态特征参数做归一化处理，即a1+a2+a3+a4+a5+a6＝1。
[0044]
步骤4：对每个大豆品种在开花期、结荚期、鼓粒期及成熟期等4个关键生长期的整体标准化叶片图像进行处理，针对每个大豆品种10个样本的标准化图像，提取每个已知大豆品种叶片的颜色特征参数，包括已知大豆品种叶片红色分量像元均值b1、已知大豆品种叶片绿色分量像元均值b2、已知大豆品种叶片蓝色分量像元均值b3、已知大豆品种叶片红色分量像元标准差b4、已知大豆品种叶片绿色分量像元标准差b5及已知大豆品种叶片蓝色分量像元标准差b6，为了便于后期品种筛选工作的统一和量化，对已知大豆品种叶片的颜
色特征参数做归一化处理，即b1+b2+b3+b4+b5+b6＝1。
[0045]
步骤5：对每个已知大豆品种在开花期、结荚期、鼓粒期及成熟期等4个关键生长期的标准化叶片图像进行处理，针对每个已知大豆品种10个样本按选区裁剪后的局部标准化图像，利用p＝(r+g+b)/3对已知大豆品种叶片的彩色的局部标准化图像红色分量图像r，绿色分量图像g和蓝色分量图像b进行处理，将已知大豆品种彩色图像转换为灰度图，如图3为对已知大豆品种叶片的局部标准化图像进行灰度图转换后的结果。
[0046]
通过灰度直方图设置灰度级阈值实现对叶片灰度图像的二值化处理，如图4为对图3中已知大豆品种叶片的局部标准化图像的灰度图进行二值化处理后的结果。
[0047]
提取处理后叶片二值化图像在水平方向、垂直方向、45
°
对角方向及135
°
对角方向的灰度共生矩阵，灰度共生矩阵的计算公式如公式(1)所示。
[0048]
p(i,j)＝g{(x1,y1),(x2,y2)∈m
×
n|f(x1,y1)＝i,f(x2,y2)＝j}
ꢀꢀꢀꢀꢀꢀ
(1)
[0049]
其中，p(i,j)表示灰度共生矩阵在i行，j列的元素值，也就是灰度图像f同时满足在(x1,y1)位置上的灰度级为i和在(x2,y2)位置上的灰度级为j的概率值。当计算完叶片二值化图像在各个方向的灰度共生矩阵后，为进一步考虑并去除方向的影响，利用公式(1)计算四个方向的对比度纹理特征量，并进一步计算已知大豆品种叶片对比度纹理特征均值c1、利用公式(2)计算四个方向的角二阶矩纹理特征量，并进一步计算已知大豆品种叶片角二阶矩纹理特征均值c2、利用公式(3)计算四个方向的熵值纹理特征量，并进一步计算已知大豆品种叶片熵值纹理特征均值c3，利用公式(4)计算四个方向的一致性纹理特征量，并进一步计算已知大豆品种叶片一致性纹理特征均值c4，作为该大豆品种叶片的纹理特征参数，为了便于后期品种筛选工作的统一和量化，对叶片的纹理特征参数做归一化处理，即c1+c2+c3+c4＝1。
[0050][0051][0052][0053][0054]
在公式(2)
‑
公式(5)中，n表示叶片灰度图像的灰度级，ng表示灰度共生矩阵的级数的最大值。
[0055]
步骤6：通过对每个大豆品种在开花期、结荚期、鼓粒期及成熟期等各个特定生长期的大豆叶片图像的处理，分别确定每个大豆品种提取的形态特征参数、颜色特征参数及纹理特征参数，选取所有已知的大豆品种所有参数间差异最大的生长期作为最优生长期，根据不同参数类型的重要性，确定该生长期下大豆形态特征的整体权重系数k1、颜色特征的整体权重系数k2及纹理特征的整体权重系数k3，为了便于品种筛选工作的统一和量化，对权重系数做归一化处理，即k1+k2+k3＝1，利用公式对每
个已知大豆品种的叶片参数进行求和，将计算结果f作为该大豆品种叶片的整体特征参数。设置筛选比例阈值t作为筛选和鉴定大豆品种的参考指标，通常将t设置成10％。将最优生长期下每个大豆品种的所有形态特征参数a1、a2、a3、a4、a5、a6，所有颜色特征参数b1、b2、b3、b4、b5、b6，所有纹理特征参数c1、c2、c3、c4及整体特征参数f进行建库保存。
[0056]
最后，针对每个待筛选的大豆品种，记录待筛选大豆的生长期，针对该筛选大豆品种选取10个样本的整体标准化图像，利用p＝(r+g+b)/3对彩色整体标准化图像的红色分量图像r，绿色分量图像g和蓝色分量图像b进行处理，将彩色图像转换为灰度图，再通过设置灰度级阈值实现对叶片灰度图像的二值化处理，根据二值化图像提取每个待筛选大豆品种叶片的形态特征参数，包括待筛选大豆品种叶片长轴长a1、待筛选大豆品种叶片短轴长a2、待筛选大豆品种叶片长宽比a3、待筛选大豆品种叶片周长a4、待筛选大豆品种叶片面积a5、待筛选大豆品种叶片椭圆度a6，并对以上待筛选大豆品种叶片的形态特征参数进行归一化处理，满足a1+a2+a3+a4+a5+a6＝1；提取每个待筛选大豆品种叶片的颜色特征参数，包括待筛选大豆品种叶片红色分量像元均值b1、待筛选大豆品种叶片绿色分量像元均值b2、待筛选大豆品种叶片蓝色分量像元均值b3、待筛选大豆品种叶片红色分量像元标准差b4、待筛选大豆品种叶片绿色分量像元标准差b5及待筛选大豆品种叶片蓝色分量像元标准差b6，并对以上待筛选大豆品种叶片的颜色特征参数进行归一化处理，满足b1+b2+b3+b4+b5+b6＝1；提取每个待筛选大豆品种叶片的纹理特征参数，包括待筛选大豆品种叶片对比度纹理特征均值c1，待筛选大豆品种叶片角二阶矩纹理特征均值c2，待筛选大豆品种叶片熵值纹理特征均值c3，待筛选大豆品种叶片一致性纹理特征均值c4，并对以上待筛选大豆品种叶片的纹理特征参数进行归一化处理，满足c1+c2+c3+c4＝1，根据公式对每个待筛选大豆品种的叶片参数进行求和，将计算结果f作为待筛选大豆品种叶片的整体特征参数，将待筛选大豆品种叶片的整体特征参数f与数据库中与待筛选大豆品种生长期相同的所有已知大豆品种叶片的整体特征参数f进行计算和对比，计算比例系数s＝f/f，设置筛选比例阈值t＝0.1，如对数据库中所有已知大豆品种的比例系数s计算结果均大于筛选比例阈值t，则将待筛选大豆品种定义为新品种，否则将待筛选品种认定为与小于筛选比例阈值t的所有的已知大豆品种叶片的整体特征参数f计算结果与待筛选大豆品种叶片的整体特征参数f的比例系数s差异最小的那一个大豆品种。