３种菟丝子种子数学形态特征的初步研究

谢　敏　沈佐锐　施宗伟　郭琼霞　高灵旺　潘鹏亮

摘要本研究基于数字图像处理与分析技术，首次用FeatureExtract数学形态特征提取软件获取了3种菟丝子图像的13项数学形态特征值，并做了方差分析和聚类分析。结果表明，该技术可应用于杂草种子快速鉴定。同时提出对方法的改进建议，为最终实现杂草种子的快速鉴定奠定了基础。

关键词计算机视觉技术；数学形态特征；检疫性杂草种子

中图分类号S 453

随着计算机的普及和计算机视觉技术的日渐成熟，计算机视觉技术在农业生产和研究中已得到广泛应用。如在农产品自动分级、农作物生长实时监控和植物病虫害管理等方面都有详细的报道。然而，计算机视觉技术在植物种子尤其是在检疫性杂草种子分类鉴定方面的研究报道还不多。当前对出入境货物中所携带的检疫性杂草种子的鉴定还主要依靠人工，从这些种子的形态学方面进行分类鉴定。形态学鉴定不仅需要专业人员具备一定的专业知识与长期积累的经验，而且耗时长，主观性强。随着我国加入WTO，进出口产品种类与数量都大幅增长。通关口岸的增多和危险性物种入侵的复杂程度，需要更多的专业人员从事这方面的工作，当前的鉴定方式已经不能满足快速通关的要求，建立一套快速准确的种子分类系统已迫在眉睫。为此，本文将IPMist实验室在昆虫自动识别所开发的技术和软件进行移植和改进，应用于检疫性杂草种子的自动鉴定上，以菟丝子属种子的数学形态特征为依据，探讨利用该技术对检疫性杂草种子进行自动分类鉴定的可行性。

1试验材料和仪器

试验所用菟丝子种类包括南方菟丝子(Cuscutaaustralis R.Br.)、日本菟丝子(C.japonica Choisy)和苜蓿菟丝子(C.approximata Babington)。每个种类20个样本，通过显微图片采集技术对菟丝子种子进行数字图片采集。所用菟丝子种子由福建出入境检验检疫局技术中心植物检疫实验室提供。

试验中使用的设备主要有显微镜(Leica LCDMZ16)、摄像头(Leica DFC320)、惠普台式计算机。

2试验方法

2.1图像的采集

采集到边缘清晰的图片是本试验的关键，所以对种子的成像要求较高。具体步骤如下：为了显示图片实际大小，把菟丝子种子放于测微尺上采集图像，打开LCD显微镜，运行其自带软件，调节图像大小，使种子占满视野，调节镜头并利用软件调节图像的清晰度，使种子轮廓及特征清晰。

2.2图像的处理

考虑到所获取的菟丝子种子图像较大，种子立体结构会造成图像轮廓模糊。本研究利用Photo—shop软件对原始图片进行预处理，使其轮廓更为清晰可辨，降低数据提取的运算负担。

为了更好地去除噪音以及杂质干扰，勾勒出杂草种子的整体轮廓；并对照片其他部分填充背景色进一步去除图像干扰，突出整体；修改图像大小至80k左右，以加快图像处理软件的运算速度；用IPMist实验室研发的图像处理软件BatchImage将初始图像处理成32 bits图，再二值化成bina_shape图进行数据特征的提取。

2.3图像数学形态学特征的提取

用FeatureExtract数据提取软件提取出菟丝子种子的若干数学形态特征，包括矩形度、延长度、似圆度、球状性、叶状性、偏心率以及7个Hu特征值，以下是对各参数的一个简要说明。

(1)矩形度：物体面积与最小外接矩形面积的比值。

(2)延长度：物体短轴与长轴的比值。

(3)似圆度：假设目标区域面积为S，长轴为L，似圆度=4S／πL²。

(4)球状性：目标物体内切圆与外切圆半径的比值。

(5)叶状性：边界距质心最短的距离与物体长轴长的比值。反映的是边界的幅度特征。

(6)偏心率：由矩特征计算出来的特征值。

(7～13)Hu不变矩：数字图像的一种统计特征。区域的矩根据所有区域内的点计算得来，本试验所提取的矩特征是由1962年Hu首次总结的7个对平移、旋转和尺度变换不变的距。

3结果分析

本研究用SPSS15.0对提取出来的特征值进行了分组方差分析。由表2可以看出，p=0.05时，3种菟丝子组间表现差异显著的参数有：矩形度、延长度、似圆度、球状性、Hu1、Hu2、Hu3、Hu5，而参数偏心率、叶状性、Hu4、Hu6、Hu7表现不显著。这说明在这些参数中，有8个参数可以用于对3种菟丝子种子进行准确分类，而偏心率、叶状性、Hu4、Hu6、Hu7这几个参数在这3种菟丝子种子鉴定中不能单独使用。同时，对组内方差分析结果进行分析，当p=0.05时，通过查F值表，得到F_2.57≈3.15。表中显示，只有参数偏心率和Hu6的值小于F_2.57，也就是说，这2个参数在不同种类菟丝子当中是不稳定的，不能作为鉴定这3种菟丝子种类的参数。

此外，对这3种菟丝子进行典则判别分析(图1)和聚类分析(表3)，结果表明，3种菟丝子明显可以分为3类。聚类分析结果也显示出，当用全部数据得到的判别函数对3种菟丝子进行聚类分析时，所有样本都被正确归为一类；而当用不包含被测标本得到的判别函数对其进行聚类分析时，只有一个样本判别错误，总的判对率为98.6％。

4展望与讨论

通过试验数据的分析可以看出，通过Feature-Extract软件提取到的13个参数中，大部分对这3种菟丝子的区分与鉴别有重要作用。只有参数偏心率和Hu6在这些菟丝子种内还存在差异，不适用于这3类杂草的区分。这可能由于菟丝子种子在生长过程中所受环境影响较大，诸如水分、湿度、气候等，对其长、宽、面积等有一定影响，所以虽然本文在试验中设计测量了种子的长短矩和面积，但最终选取的参数不包括这些因子。利用其他参数可以成功区分出3种菟丝子的差异，并最终把相同的种归为一类。由于这3种杂草种子同属于一个属，形态特征必然有一定的相似之处。但并不排除偏心率、Hu6在与其他杂草种子的区别中会起重要作用，还需进一步的试验进行验证。

作者认为，下一步的研究可以在两个方向上进行。一是对摄像器材和图像数学形态提取软件作进一步的改进，以便能处理大样本的菟丝子种子；二是将研究扩大到其他种类的杂草种子，进一步确定该技术在检疫性杂草种子快速自动鉴别领域中的应用范围。