多光谱图像分析在种子种质库管理中的应用

我们提出了一种多光谱种子表型分析方法，作为管理种质库种质的快速而强大的工具。使用多光谱视觉系统拍摄 20 种不同水稻品种（每个品种约 30 粒种子）的种子图像。 然后从图像中提取特征信息。 特征数据的多变量分析用于根据种质对种子表型进行分类。 正确分类的水稻种子比例为93%。 我们得出结论，多光谱图像分析可以在比较传入种子与现有种质、识别种子样本中的不同种子类型和/或检查再生种子是否与原始种子匹配方面发挥作用。
 

图1.Blob检测

使用VideometerLab 3.0版软件，将图像（即包含种子图像的培养皿）标记为具有背景（培养皿）和前景（种子）的区域（图 1（a））。然后使用典型判别分析 (CDA) 计算属于两个不同类别的像素光谱的协方差矩阵之间和内部，创建用于分割（识别图像中的种子）的评分图像（图 1（b）） ；图 1(c))。在分割之后，我们最终得到了 20 个种质的总共 598 个二元标记对象（BLOB），每个都包含一个单独的水稻种子（BLOB）（图 1（d））。
 

第一个规范函数
 

真正的IRGC登录号

图2.(a)前两个 CDA 函数的散点图，覆盖了种质的示例大米图像。框中显示的数字是国际水稻基因库收藏(IRGC)登录号。 (b)应用优化模型后得到的误差矩阵。沿对角线的阴影数字表示 BLOB（水稻种子）的数量被正确分配（预测类别 ¼ 真实类别）。其他数字显示 BLOB 的数量分配不正确。正确分类种子的总比例为93%。

从每个BLOB中提取的177个特征集合被放入一个矩阵 X∈R598x177：其中一些特征与水稻种子在不同波长下的反射值有关，一些是（线性）CDA 投影，用于区分和增强整个种子和形态的颜色差异。每个特征都通过对所有种质的成对测试进行测试，并且没有显示出分离能力的特征被移除。这将特征数量减少到 90。由于与其他特征的高度相关性，另外50个特征被移除（r>0.99；P <0.05），产生一个矩阵 X∈R598x40。

Matlabw Release 2014a (MathWorks, Natick, MA, USA) 用于建模，使用 k-最近邻 (k-NN) 分类器结合多类 CDA。使用交叉验证方案来验证模型，其中将数据分成 N 个相等的部分，并使用比例 (N 2 1)/N 的数据迭代地创建模型。该模型使用剩余的 1/N 数据进行验证。在迭代过程中，累积了所有 N 个测试部分的分类率的预测性能。对 k ∈[1, 30] 和 N∈[2, 50] 的每个组合进行分析。分类错误最少的k和N的最佳值分别为6和13，分类错误为 7%（图 2）。
 

北京博普特科技有限公司是丹麦Videometer系列产品中国区总代理，全面负责其系列产品在中国市场的推广、销售和售后服务。

相关阅读
Videometer种子表型组学:种子活力研究-荧光成像
植物病害表型组学：多光谱病害指纹图谱
Videometer种子表型组学：多光谱成像作为菠菜种子健康检测的潜在工具