水稻稻穗表型參數自動測量和穗重預測方法
【技術領域】
[0001] 本發明屬于數字圖像處理和數學建模領域，具體地指一種水稻稻穗表型參數自動 測量和穗重預測方法。
【背景技術】
[0002] 稻穗是水稻成熟后的表現形式，與水稻的產量直接相關，因此其性狀特征對水稻 育種和功能基因組學的研究有著重要意義。現階段的稻穗性狀測量及穗重測量均是依靠人 工測量，耗時耗力、效率低、重復性差，并且人工測量屬于有損測量，不能同時獲取稻穗的多 個性狀。隨著現代育種技術的快速發展，每天可W產生上千種水稻新品種，為了高效、準確 的從運些品種中篩選出具有推廣潛力的新品種，需要進行規模化、高通量的稻穗性狀測量， 人工測量的方法顯然不能滿足要求。在此背景下，國內外已有一些大型的表型測量儀和相 關軟件，如德國LemmaTec公司的Scanalyzer3Dsystem,Ikeda等人開發的PASTAR/PASTA Viewer，AkTam等人開發的P-TRAP等，但均存在依賴大型的測量平臺和設計復雜的軟件的 測量缺陷，且不能反映穗重的相關信息。

【發明內容】

[0003] 本發明的目的是為了克服上述不足提供一種水稻稻穗表型參數自動測量和穗重 預測方法。
[0004] 本發明水稻稻穗表型參數自動測量和穗重預測方法，包括W下步驟：
[0005] (1)通過掃描儀獲取稻穗圖像：將曬干的稻穗平鋪在白紙上，并用膠帶固定，開啟 計算機，連接掃描儀，將固定于白紙上的稻穗放入掃描儀中，即可獲得稻穗圖像；
[0006] 似將掃描所得到的稻穗圖像進行灰度化：提取掃描所得到的稻穗圖像的R、G、B 分量，采用3R-G+B的組合方式得到灰度化圖像。
[0007] (3)對得到的灰度化圖像進行濾波去噪，并分離出稻穗部分的二值化圖像：對得 到的灰度化圖像進行濾波去噪，并采用0TSU自動闊值處理得到二值圖像；
[0008] (4)利用步驟（3)的二值圖像同時提取實粒面積與總粒面積，實粒數與總粒數；依 據化Iditch細化算法提取稻穗骨架，利用得到的稻穗骨架提取最長路徑的穗長；計算計盒 維數；恢復稻穗圖像的紋理和顏色特征；
[000引妨將步驟（4)中的性狀參數與穗重進行相關性分析，將性狀參數與穗重進行逐 步回歸分析；
[0010] (6)根據步驟巧）中的相關性分析和逐步回歸分析結果確定BP神經網絡結構；
[0011] (7)根據步驟（6)中的BP神經網絡結構預測穗重。
[0012] 進一步、所述步驟（4)中提取實粒面積與總粒面積，實粒數與總粒數的方法為：得 到的二值圖像的前景點值為1，背景點值為0,對圖像進行預處理W區分出實粒和痕粒，同 時統計出實粒數與總粒數，去除痕粒部分后，利用谷粒所占前景點像素個數乘W單位像素 空間分辨率（皿2)，計算出實粒與總粒的面積，計算公式如下： CN105115469A 巧明書 2/7 頁
[0014] 其中S為面積，N為目標前景像素點個數，化i為分辨率。
[0015] 進一步、所述步驟（4)中提取稻穗骨架計算穗長的方法為：利用化Iditch細化算 法處理圖像，得到圖像的骨架，并進行去除毛刺的處理，優化骨架圖像，利用優化的骨架圖 像提取穗長，對整幅骨架圖像進行掃描，得到端點信息，分別計算每兩個端點之間的前景像 素總數，其中最大值為穗長，只保留最長路徑的前景像素，而將其他路徑的中的前景像素轉 變為背景像素。
[0016] 進一步、所述步驟（4)中計算計盒維數的方法為：根據盒維數的定義采用Cantor 集構造，處理二值圖像可W得到反映稻穗形狀的Cantor集盒維數，計算公式如下：
[0018] 其中BCD為計盒維數，Sk為盒子大小，馬巧為不為空的盒子個數。
[0019] 進一步、所述步驟（4)中恢復稻穗圖像的紋理和顏色特征的方法為：采用圖像掩 膜技術，恢復二值圖像的紋理和顏色特征，分別利用灰度直方圖和灰度共生矩陣各提取6 個紋理特征參數，將整幅圖像的灰度值范圍劃分為3組，分別統計每組范圍內像素點的個 數，去除枝梗，同時計算含有枝梗的稻穗顏色信息和不含枝梗的稻穗顏色信息。
[0020] 進一步、所述步驟（5)具體過程為：將步驟（4)中的性狀參數與穗重進行相關性分 析，得到衡量兩個隨機變量之間線性相關程度的相關系數r，并進行逐步回歸分析，其中
[002引其中n為樣本量，Xi，為兩個變量的觀測值，影累為兩個變量的均值。
[0023] 進一步、所述步驟（6)具體過程為：
[0024] BP神經網絡中的隱藏層節點輸出值：
[0026] BP神經網絡中的輸出層節點輸出值：
[002引其中Vki輸入層與隱藏層間的權值，W，k為隱藏層與輸出層間的權值，為隱藏層的 傳遞函數，f2為輸出層的傳遞函數，Xi為輸入層節點的輸入值；
[0029] 第P個訓練樣本的誤差Ep為： CN105115469A 說明書 3/7 頁
[003。 其中，f為期望輸出值，《為實際輸出值；
[0032] 對于全部P個樣本，全局誤差為：
[0034] 其中，f為期望輸出值，謗為實際輸出值。
[0035] 本發明在不依賴于大型測量平臺W及復雜的測量軟件情況下，只依靠稻穗的掃描 圖像即可快速、準確的得到稻穗的多個性狀，并得到穗重的相關信息，提高了測量效率，降 低了人工勞動強度。
【附圖說明】
[0036] 圖1為本發明方法的流程圖。
[0037] 圖2為預測穗重與實際穗重擬合圖。
【具體實施方式】
[0038] 實施例：一種水稻稻穗表型參數自動測量和穗重預測方法，包括W下步驟：
[003引 （1)通過掃描儀獲取稻穗圖像：將曬干的稻穗平鋪在白紙上，并用膠帶固定，開啟 計算機，連接掃描儀，將固定于白紙上的稻穗放入掃描儀中，即可獲得高分辨率的稻穗圖 像。
[0040] 似將掃描所得到的稻穗圖像進行灰度化：為提高前景點與背景點間的對比度， 提取掃描所得到的稻穗圖像的R、G、B分量，采用3R-G+B的組合方式得到對比度顯著增強的 灰度化圖像。
[0041] (3)對得到的灰度化圖像進行濾波去噪，并分離出稻穗部分的二值化圖像：對得 到的灰度化圖像進行濾波去噪，并采用0TSU自動闊值處理得到二值圖像；
[0042] (4)計算稻穗的粒數和穗面積：得到的二值圖像的前景點值為1，背景點值為0,由 于實粒與痕粒對于穗重影響較大，因此需要對圖像進行預處理W區分出實粒和痕粒，同時 統計出實粒數與總粒數，去除痕粒部分后，可W利用谷粒所占前景點像素個數乘W單位像 素空間分辨率（皿2)，計算出實粒與總粒的面積。計算公式如下：
[0043] S-當 dp;!; -
[0044] 式中S為面積，N為目標前景像素點個數，化i為分辨率。
[0045] (5)處理原始的二值圖像，進行去除毛刺，得到稻穗骨架，計算穗長信息：利用 化Iditch細化算法處理圖像，可W得到圖像的骨架，并進行去除毛刺的處理，優化骨架圖 像，利用優化的骨架圖像提取穗長，對整幅骨架圖像進行掃描，得到端點信息，分別計算每 兩個端點之間的前景像素總數，其中最大值為穗長，為確保所計算的值反映實際穗長，并可 進行人工判別，只保留了最長路徑的前景像素，而將其他路徑的中的前景像素轉變為背景 像素。
[004引 （6)得到每幅稻穗圖像的集盒維數BCD:根據盒維數的定義采用Cantor集構造，處 理二值圖像可W得到反映稻穗形狀的Cantor集盒維數。計算公式如下：
[004引式中5k為盒子大小，巧為不為空的盒子個數。
[0049] (7)恢復二值圖像的紋理和顏色特征：采用圖像掩膜技術，恢復二值圖像的紋理 和顏色特征。<