玉米叶片范文(精选6篇)
玉米叶片 第1篇
关键词:玉米,叶片,保绿性,光合作用,产量
玉米是我国第一大粮食作物, 是集饲料和工业原料于一身的多用途作物。提高玉米单产、改善品质是我国玉米生产永恒的主题, 对于国民经济和社会稳定有重要的意义。早衰问题是玉米生产中的一个障碍因素, 由于早衰而导致的玉米减产现象时有发生, 玉米叶片保绿性与其产量、抗逆性有着密切的关系, 因而玉米持绿性状越来越受到人们的重视。
保绿型玉米品种具有3个特点:一是籽粒灌浆期绿叶面积大, 叶绿素含量高, 光合作用时间长, 籽粒充实度高, 容量高, 容易获得较高的生物产量和籽粒产量[1,2,3,4];二是对病害、旱灾和倒伏都具有较强的抗性, 对不良环境条件有较强抗性, 稳产性好, 适应性广[5,6];三是保绿型玉米带绿成熟, 收获时植株水分、糖分、粗蛋白含量高, 纤维素和木质素含量低。绿叶具有较高的营养品质和适口性, 是食草动物的主要来源, 叶片中保持的叶绿素也是食品工业绿色色素的理想来源[5,7]。目前, 国内外育种者已培育出一些优良的保绿性品种, 如Pioneer3902、FS845、鲁单50、东单60、农大108等。现就目前玉米保绿性各方面的研究进展情况进行综述如下。
1 玉米保绿性指标体系研究
玉米保绿性的选择指标多数是茎秆的糖浓度、籽粒生理成熟时期的绿叶数、叶面积和叶绿素含量等, 目前尚无统一的保绿性标准, 国外对保绿性研究较多, 国内该方面研究才刚刚起步。叶片在籽粒生理成熟期仍保持绿色, 而速衰型玉米的叶片最初呈现紫红色的色素, 而后早衰死亡。一般保绿型玉米未授粉植株的颜色、茎秆的糖浓度、籽粒生理成熟期的绿叶数、叶面积和叶绿素含量作为保绿性的选择指标, 目前尚无统一的标准。
2 玉米保绿性与植株含水量的关系研究
对玉米保绿性与茎秆含水量、叶片含水量、营养生长期和籽粒含水量的相关关系进行通径分析表明, 保绿性与叶片含水量具有最稳定的遗传相关[1,8,9], 叶片含水量对保绿性具有最强烈的直接影响。而根据相关系数得知茎秆含水量和籽粒含水量对保绿性的直接影响相对较弱, 营养生长期对保绿性影响最弱或最不明显, 这表明选择保绿型品种时可以不考虑营养生长期。Tollenaar et al[10]对许多具有保绿型表现型的玉米进行了详细的调查研究, 发现品种Lo87602表现出衰老延缓的特征, 其成熟时叶片含水量和叶绿素含量均较高。
3 玉米保绿性与产量的关系研究
研究表明, 玉米叶片保绿性与其产量有着密切的关系。Tollenaar et al[10]研究表明, 供试10种短生育期的玉米杂交种其叶面积功能期 (即光合势) 与产量呈正相关, 其与玉米乃至很多作物的产量都是高度偶联的。由于保绿型玉米品种具有较长的叶面积功能期, 因此籽粒黑层形成期得以推迟, 灌浆期延长[11]。由于此期有更多的光合产物运送给根系和茎秆, 从而使根系活力得到提高, 茎秆生长更加健壮, 进而提高了根系的养分吸收能力和茎秆的抗逆能力 (如抗病性、抗干旱、抗倒伏性等) , 这样使衰老得以延缓[12,13]。由于保绿型玉米籽粒形成期绿叶面积大, 功能期长, 叶绿素含量高, 光合作用的时间较长, 通常其生物产量显著高于非保绿型玉米。目前, 国内外学者一致认为, 保持叶片绿色、延缓叶片的衰老、延长玉米叶片的光合作用时间, 能够提高和延长抽丝后群体光合速率, 显著提高产量;花后叶片早衰, 绿叶面积减小, 光合时间缩短, 会明显降低籽粒产量[14]。因此, 保绿性好的品种产量通常高于保绿性差的品种。
4 玉米保绿性与抗逆性关系的研究
研究表明, 玉米保绿性与抗性有密切关系。保绿型玉米自交系对一些不良的条件引发的病害如玉米大斑病 (半知菌类蠕孢属) 、MDMV、BSDV、玉蜀黍长蠕孢菌引起的小斑病有较强的抵抗能力, 同时抗倒性显著优于非保绿性玉米自交系。其原因在于后期叶片光合活性较高, 蛋白质、蔗糖及脂类含量较高, 纤维含量较低, 茎秆蔗糖含量较高。研究表明, 玉米籽粒生理成熟期的茎秆含糖量与品种抗倒性密切相关;对比研究还表明, 保绿型杂交种的根系建成早, 根系活力在籽粒灌浆期达到高峰后开始下降, 衰老品种比保绿型品种下降的时间早、速度快[11]。Heath OVS et al[11]研究指出, 缓衰型玉米茎秆髓细胞糖含量高, 因此对茎腐病具有良好的抗性, 并且糖含量越高, 抗性越强。研究证明, 高产或者环境胁迫都会引起茎秆内的可溶性碳水化合物向籽粒运转, 从而导致茎腐病。通过延缓叶片的衰老, 增加成熟期茎秆含糖量, 能够抵制因植株营养不足而导致的茎腐病。
5 保绿型玉米高产生理生化机制研究
研究表明, 玉米保绿型品种灌浆期能保持较长的绿叶功能期进而生产更多的光合产物, 同时保持了较强的土壤氮素吸收能力, 因而比早衰品种多生产较多的干物质[13]。许多学者研究了氮素代谢与作物的产量、品质关系, 一致认为氮素在增加叶面积、延缓衰老、提高产量、改善品质等方面均有重要的生理作用。研究表明, 保绿型品种生理成熟时玉米叶片具有较高的光合活性、蛋白质、蔗糖含量[11,12], 籽粒灌浆期茎秆蔗糖含量较高[15]。研究显示, 保绿型品种之所以不同于其他非保绿型品种, 在于保绿型品种能保持叶片较高的还原态氮含量、叶绿素含量及较高的硝酸还原酶活性、羧化酶活性。Crafts Brandner (1984) 推测氮素向叶片中的流动在调控不同品种衰老速率时起着重要的作用。对整株植物的研究表明, 根在对叶片连续供应氮素的过程中起着重要作用。源库关系是从总体上反映光合产物生产与需求的协调与否。已有研究表明, 源库比改变会影响玉米叶片的性能, 源库比过大或过小都会导致叶片光合性能降低[16]。沈成果[17]和王群英等[18]研究认为, 新品种和老品种叶片衰老的差异在于老品种的源库比小, 导致同化物过度向籽粒运输, 引起叶片的早衰, 降低保绿性;而新品种源库比较适宜, 叶片的保绿时间较长。生产实践证明, 新品种能够生产较多的干物质关键在于籽粒灌浆期干物质积累速率显著高于老品种, 而生理成熟时老品种叶片迅速衰老, 源供应能力降低。
6 玉米叶片保绿性的生理生化机理研究
叶片是光合作用的主要器官, 叶片衰老是叶片发育的最后阶段, 在外形上主要表现为叶色由绿变黄直至全叶枯黄, 叶片衰老进程由叶尖开始, 再由叶缘向内延伸, 逐渐发展为全叶枯黄;内部结构上表现为细胞的程序化死亡, 叶绿体的完整性被破坏, 叶绿素含量降低, 叶绿体结构和功能发生变化[1,11,12]。正常衰老叶片的叶绿体的体积减小, 形状由椭圆形变成球形, 出现许多碎片状的薄层和无组织的颗粒。叶片衰老的一个典型特征是光合作用的降低, 而这种降低是由于叶绿体结构和功能发生变化引起的。
叶片衰老过程中, 叶片功能的变化表现为:气孔导度降低, 蒸腾速率下降, 气孔阻力增大, 光合速率降低;叶片的运输能力下降, 淀粉在叶中积累;叶片对光能的利用率下降。叶绿体功能的丧失与光系统的光化学反应和暗反应的卡尔文循环密切相关。在叶片衰老的后期, 由于碳同化能力的降低, 光化学反应利用的光能有限, 导致吸收光能过剩。正常条件下, 过剩的光能则通过热耗散、PSⅡ中心的可逆失活和叶黄素循环等途径来消耗, 如果过剩的激发态光能不能消耗完, 则产生光抑制、光氧化和光破坏, 其也是叶片衰老的主要原因之一。利用衰老叶片离体的类囊体膜或叶绿体研究表明, 衰老导致光化学反应的PSⅠ和PSⅡ活性降低, 其中PSⅡ对叶片的衰老比PSⅠ更敏感。叶片衰老过程中PSⅡ活性剧烈降低, 降低的PSⅡ电子传递会导致氧释放系统和PSⅡ反应中心失活, 抑制了能量由类胡萝卜素向叶绿素传递。不同作物间 (如小麦、大豆、玉米等) 光保护机制存在明显的差异, 同一作物基因型间也有较大的不同。目前, 关于保绿叶片与早衰叶片在光化学反应机制上是否存在差异, 其与光合功能的衰退有何联系尚不清楚。
叶片的保绿与叶片细胞内保护酶的活性有密切关系。研究表明, 早衰品种叶片SOD、CAT和POD活性降低快, 膜脂过氧化产物MDA积累;缓衰品种则表现出相反的趋势, 在生育后期该种趋势愈加明显, 从而延长了玉米光合作用时间。不同基因型小麦中, 缓衰型小麦也具有上述的特征。关于保绿型玉米叶片后期抗氧化酶保护机制上是否存在特殊性, 目前尚不清楚。叶片衰老过程中, 叶绿体和光合蛋白被降解, 植物内源激素对其影响较大。ABA和乙烯则促进叶片的衰老, 加快叶片黄化和死亡。外源激素CTK能够阻止叶绿体和光合蛋白降解, 延缓叶片衰老, 增加保绿时间。不同基因型玉米叶片的内源激素含量不同, 叶片保绿性强的品种含有较高的CTK, 这在玉米、高粱的研究中得到证实。内源激素对叶片的作用常受光照、水分、温度等条件影响。
核酸既是生命的基本物质之一, 又是遗传的物质基础。在植物的生长发育过程中通过基因的有序表达, DNA转录出有功能的rRNA和mRNA, 并通过它们合成蛋白质。核酸通过调节蛋白质 (结构蛋白和功能蛋白) 的合成, 控制植物的生长、发育、开花、结果、衰老、死亡。叶片衰老过程中部分蛋白质分解。蛋白水解酶的活力变化与蛋白质的降解息息相关。对绿叶和衰老叶片的研究表明, 叶片的衰老过程中, 一部分结构蛋白分解, 一部分蛋白合成, 如内肽酶、外肽酶等, 而总DNA的水平变化较小, RNA水平的变化较大, 这可能与某些基因的激活和沉默有关。蛋白质和RNA合成抑制实验证明, 叶片衰老过程中需要某些核酸的重新合成, 绿叶及衰老叶片mRNA体外翻译结果表明, 叶片的衰老过程中, 一部分mRNA数量减少或消失, 而另一部分mRNA则出现或数量增加, 表明基因在表达的时间顺序上存在明显差异。保绿型与衰老型玉米亲本及其杂种后代的叶片衰老过程中, 基因的表达有何差异, 还需进一步研究。
7 影响玉米叶片保绿性的基因与环境因素研究
叶片是光合作用的主要场所, 光合同化物是植株器官形成的物质来源, 对维持植株生命和产量的形成起重要作用。研究表明, 在叶龄期内延长叶片的功能期、延缓叶片衰老能显著提高植株生物产量和籽粒产量。叶片保绿与衰老受基因的控制, 而基因的表达程度依赖于环境条件。只有明确叶片保绿基因表达调控的生理生化过程, 才能通过育种途径选择叶片衰老延迟的类型, 协调环境因子, 延缓衰老, 达到高产优质的目的。Waggoner PE (1987) 研究发现, 保绿型玉米自交系B14A和速衰型玉米自交系B73在阻止授粉的条件下, 所有的F1出现与亲本B73类似的叶片早衰的特征, 表明早衰的特征对保绿呈显性;F2植株群体衰老叶片的植株与保绿叶片的植株比例为3∶1, 说明自交系B73叶片的衰老由显性基因控制;回交群体也证明这一点[15]。近来, Schultes NP et al对保绿性的研究表明, 叶片的保绿性属于多基因控制的数量性状, 并通过分子图谱确定了保绿性的4个QTLs (Stg1, Stg2, Stg3, Stg4) [19]。
Thomas (1993) 根据基因在叶片衰老中的表达方式, 对基因在衰老中所起的作用进行了分类。第1类:控制着生命基本代谢活动的基因, 如rRNA的组成。第2类:控制着叶肉细胞潜在代谢机能的基因, 以保证其在叶片的生命过程中发挥作用。如液胞酶、酶原等。某些基因的转录在该阶段以未翻译的形式积累起来, 以便以后在蛋白质的合成中发挥作用。第3类:编码生长和碳同化的基因, 如控制着卡尔文循环中酶和类囊体蛋白的核和质体基因。第4类:控制着衰老起始的基因, 指通过所有环境和内部因素等不同的传导途径诱发的衰老症状的集结点。第5类:编码衰老活动的基因如分解代谢酶, 其功能是在物质再移动的过程中得以高度表达。在玉米的生命周期中由于衰老基因表达的时间不同, 因此就产生了不同的衰老类型。
玉米生长发育除了受品种自身遗传特性影响外, 也与外界环境条件有密切关系。保绿型玉米品种对延缓衰老的表现程度高度依赖于环境条件, 常规品种可因去花或去除果实, 或提高CTK水平, 或热胁迫、抑制蛋白质的合成或遮荫而人为造成保绿。研究认为, 去除穗叶能加速衰老, 光合作用和还原态氮明显下降。通过测定表明, 一个主效基因控制着该基因型。有报道指出, 去除穗叶可能加速或降低衰老速率, 该种加速或延缓衰老的特征控制着F1代的该种特征。研究表明, 保绿特性与光合速率、氮肥用量高度相关。
8 玉米保绿性的遗传特性研究
保绿性的表型遗传研究表明, 在成熟期、叶片数、叶面积、抽丝到叶片衰老的天数 (DELS) 和叶绿素含量等性状中, 与玉米保绿有关的特征有成熟时的鲜叶数、鲜叶面积、叶绿素含量和DELS, 它们与保绿性呈显著正相关。对叶片数、叶面积、DELS和叶绿素含量的杂种优势和遗传可能性的研究表明, 在F1中, 上述指标有较强的杂种优势, 但在F2群体中DELS仍有较强优势, 叶片数、叶面积和叶绿素含量则呈负优势。在与保绿性相关的特性中, 绿叶数的遗传性最高, 其次为绿叶面积和叶绿素含量, DELS的遗传性较低。玉米的保绿度与绿叶数、绿叶面积和叶绿素含量呈显著的相关性。
作物的保绿性状受基因的控制, 不同作物如大豆、高粱、玉米、向日葵等叶片的保绿基因遗传的方式存在明显的差异。关于玉米保绿性的基因效应存在2种观点:一种认为保绿型对衰老型呈显性遗传。衰老延迟型玉米受1个显性基因控制, 该遗传因子控制着茎秆高水平的蔗糖含量, F2群体保绿性状的数量与衰老性状的数量的比为3∶1, 符合孟德尔单一基因的分离规律。另一种观点认为, 衰老型对衰老延迟型呈显性遗传。
基于支持向量机的玉米叶片品种识别 第2篇
关键词:图像处理;支持向量机;玉米;品种识别
中图分类号: TP391. 41文献标志码: A文章编号:1002-1302(2014)06-0372-03
收稿日期:2013-08-28
基金项目: 山东省自然科学基金(编号:ZR2009GM006)。
作者简介:邓立苗(1978—),女, 山东沂水人,博士,讲师,主要从事图像处理方面研究。Tel:(0532)88030271;E-mail:denglm68@163.com。
通信作者:马文杰,博士,副教授,主要从事农业信息化方面研究。Tel:(0532)88030602;E-mail:wjma@qau.edu.cn。玉米是重要的粮食作物之一,品种众多,不同玉米品种由于受遗传特性影响,生长期间的外观性状表现也有差异。在玉米生长管理和科学研究中,大量的工作须借助形态、颜色和纹理等外观特征判断,而这些特征的提取主要靠人工测量,工作量大且繁琐、主观性强,严重制约了玉米科学研究和生产上先进技术的应用和推广。利用图像处理技术实现不同品种玉米生长期间植株外观性状特征的客观描述,对科学保留不同品种玉米的量化特征信息,建立玉米外观性状特征信息数据库,正确指导玉米生产非常有必要。
图像处理技术已广泛应用于玉米生产管理和品种识别中,主要研究田间杂草识别[1]、病虫害识别[2]、叶面积测定[3]、玉米叶片叶绿素含量测量[4]、种子质量检测与分级[5]。在玉米品种识别方面,研究多定位在籽粒品种识别方面[5-8],而利用玉米生长期间植株特征信息来识别玉米品种的研究未见报道。由于玉米叶片中包含了大量用来区别不同品种的外观特征信息,且存活期长,易于采集。本研究以农业生产中常规栽培的23个玉米品种的叶片作为供试样本,每个品种采集5张样本叶片,对每张叶片采集反射和透射圖像,提取了形态、颜色和纹理共48个统计特征,然后构建了支持向量机模型进行品种识别,并对识别结果进行分析。本研究中特征提取和识别基于Matlab R2008a,分析工具为SPSS 13.0。
1材料与方法
1.1供试材料
供试玉米品种共计23个(表1),均采用大田常规管理方法在试验基地进行统一栽培,目的就是为了保证在完全自然生长状态下实现对不同品种玉米的外观特征量化识别。
编号名称编号名称编号名称1安玉5号9谷育17817农大1082北京德农95810济丰9618农华1013丹玉8611金海5号19齐单1号4德瑞2912金海60420秋乐天泰585登海66213浚单2021三北青贮6登海70114宽城6022中科4号7费玉4号15良玉6623中科11号8丰玉4号16良玉188
1.2图像采集
在玉米的不同生长时期分别对每个品种进行叶片采样,在每个品种的不同单株上采集相同位置的5张叶片,然后用数码相机采集叶片的反射图像和透射图像。由于玉米叶片在自然光照下反光较严重,反射图像采用室内灯光下拍摄,而透射图像则在自制的灯箱(图1)内拍摄,灯箱规格(长×宽×高)为100 cm×75 cm×120 cm。箱体顶部、底部及4个侧面均用双层黑色棉布遮挡,以防止外界光线的射入和光线在箱体内发生漫反射;箱体中间偏下放置厚度4 mm的双面磨砂玻璃载样台,保证采集透射图像时得到均匀的透射光线;箱体底部的照明光源为8支30 W的日光灯管,箱体顶部固定数码相机。反射图像采集使用佳能EOS7D,透射图像采集使用佳能EOS500D。采集的图像如图2所示。
1.3特征提取
为了对叶片图像进行识别分析,对所采集的叶片图像,提取了形态、颜色、纹理共48个外观特征(表2),并将提取的特征保存在Excel文件中。
类别特征形态类
面积、长轴长、短轴长、等面圆直径、椭圆度、凸形面积、伸展度、紧凑度、周长、圆形度、长宽比颜色类
RGB颜色空间的3个分量的均值、方差、偏度和峰度;与HSV颜色空间3个分量的均值、方差、偏度和峰度纹理类
灰度图像均值、方差、平滑度、三阶矩、一致性、熵;包括反映图像灰度值次数分布特点的7个统计不变矩
1.4支持向量机
支持向量机(support vector machine,SVM)是近年来机器学习研究的一项重大成果。它是在统计学习理论、VC维理论和结构风险最小原理基础上建立起来的,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷,以求获得最好的推广能力。与传统的人工神经网络相比,它不仅结构简单,而且泛化能力明显提高。支持向量机是针对2类模式识别问题的,当解决多类问题时,需要对SVM进行扩展[9]。本研究采用“一对一”的方法,把每类与其余各类分别构成1个2类问题,n个类别共构造C2n个2类SVM。当对一个未知样本进行分类预测时,所有的2类SVM得到C2n识别结果,采用投票法来决定测试样本的类别,出现次数最多的类别即预测为该样本的类别。在本研究中,核函数选用径向基函数,惩罚因子C=128,核参数λ=0.007 812 5,这2个参数由网络化训练得到。
2结果与分析
2.1不类特征识别效果分析
以2011年8月14日采集的23个品种的透射图像作为研究对象,每幅图像提取48个特征,然后进行品种鉴别能力测试,48个特征的整体识别率为89.1%。为了分析不同类别特征对玉米品种识别的影响,分别统计形态、颜色和纹理3类特征的识别率,统计结果如表3所示。同时测试每个特征的识别率,前10个识别率最高的特征及识别率如表4所示。
特征组合的识别效果
类别识别率(%)形态颜色纹理形态61.287.3386.43颜色85.6489.47纹理72.16
由表3和表4可见,形态类、颜色类、纹理类特征的识别率分别为604%、85.64%、72.16%,可见颜色类特征的品种识别率最高,而形态特征的识别率相对较低。形态特征的识别率最低,仅为60%左右,主要是由于玉米叶片的不规则性和不平整,导致特征提取以及识别出现误差。由表3可见,
前10个识别率高的特征
特征名识别率(%)特征名识别率(%)峰度H42紧凑度31标准差G40平均值H30长宽比38标准差B29标准差R37椭圆度28三阶矩36标准差H27
反映形状的特征如紧凑度和长宽比等具有比较高的识别率。颜色类特征识别率比较高,一方面是由于特征数量多达24个,另一方面由单个特征识别结果可见,某些颜色分量(如H分量)具有较高的识别率。对不同类特征组合后,形态+纹理、颜色+纹理和形态+颜色的识别率分别为8643%、8947%、87.33%,而整体识别率仅89.7%。可见当特征达到一定数量时,已经具有较高的识别率,在这种情况下增加特征的数量,识别率也不会有较大的变化。因为特征之间存在一定的冗余信息,特征数量的增加并不能进一步提高识别率。
由以上分析可以看出,提取的特征具有较大的数据冗余度,特征数量太多会增加品种识别的复杂性及效率。为了在不降低识别效果的前提下降低特征维数,减少特征之间的冗余度,提高品种识别效率,对所提取的特征进行主成分分析,前12个主成分贡献率及累积贡献率如图3所示。
仅12个主成分累积贡献率可达到95%以上,在此基础上增加主成分的个数累积贡献率已没有太明显的变化。选用12个主成分进行品种识别可以有效降低特征维数,同时还能尽可能多地反映原来的特征信息,从而提高品种识别效率。
2.2品种数量变化对识别结果的影响分析
为了寻找对品种识别贡献较大的特征,使用SPSS分析工具中的步进式方法进行判别分析,采用Mahalanobis距离作为逐步判别分析方法[10],选取贡献比较大的7个特征:短轴长、V分量均值、B分量均值、B分量方差、H分量均值、纹理方差和不变矩2。对所选择的7个特征,使用支持向量机测试品种数量从1增加到23时的品种识别率,生成的识别率变化曲线如图4所示。
随着品种数量的增加,对23个玉米品种识别率呈下降趋势,在品种数量小于9时,识别率可以达到100%。品种个数大于9时,识别率开始下降,但仍保持比较高的识别率,识别率在87%以上;品种个数达到18时,识别率开始急剧下降至75%,以后一直呈下降趋势;当样本个数达到23时,识别率仅为63%。当品种数量较多时,某些玉米品种会出自同一个父本或者母本,具有比较大的相似性,因此辨别识别率降低。
2.3反射和透射识别分析
对2011年8月14日采集的玉米叶片的反射和透射图像,分别统计不同类特征(形态类、RGB颜色类、HSV颜色类和纹理类)的测试识别率,统计结果如图5所示。
从整体识别效果上看,反射图像和透射图像效果差别不太明显,透射图像稍高一些。对于形状特征,由于形态特征不受光照和拍摄环境的影响,反射和透射的识别结果差别不大。颜色特征中不同的颜色系统具有较大的差别,反射图像RGB颜色特征识别效果较好,而透射图像对HSV颜色特征识别效果较好。对于纹理特征,透射图像的识别效果稍好一些,通过透射使叶片的纹理会变得更加清晰,从而具有较好的识别效果。
3讨论
相对来说,形态特征具有比较低的识别率,一方面,由于玉米叶片的不规则性和叶片不平整,每张叶片只采集1幅二维图像,无法将叶片的形态特征全面描述出来,如果要全面描述玉米叶片形态,须要构建玉米叶片的三维几何模型[11-12];另一方面,在图像采集过程中没有进行标度校准,因此反映大小的特征如面积、周长等特征无法测量实际尺寸,也没有统一的参考标准,从而导致这些特征的识别率较低。为了能够更准确地提取叶片的实际尺寸,需要对所测量的数据进行校准标定,如采用参考物法进行面积等特征的测量[13]。
本研究中由于受采集条件的影响,每个品种的样本数量较少,只有5个,在一定程度上影响了试验结果的准确性和全面性;由于样本数量有限,本研究建立的支持向量机模型仅进行了品种的自我识别,识别率均为样本的自我识别率,没有进行测试识别。在后续的研究中,需要大量增加样本叶片数量。每个品种的样本数量至少要在15以上,以减少同品种玉米叶片的特征提取误差,从而更准确地寻找进行品种识别的关键特征,同时还要结合除叶片之外的其他特征如植株形状、雌雄穗性状等进行综合识别,以此来提高玉米生长期间玉米品种的识别效果。
本研究供试玉米品种数量较多,为23个,从品种数量对识别结果的影响可以看出,当样本数量大于17时,识别率明显下降。由于遗传因素的影响,有些品种可能来自于同一个父本或者母本,从而导致某些外观特征具有很大的相似性,使得品种间的区分度比较小。根据这一特性,在以后的研究过程中可以通过聚类来分析玉米的谱系结构。
4结论
本研究以23个玉米品种的叶片作为研究对象,对每张叶片的图像分别提取了形态、颜色和纹理三大类共48个特征,建立支持向量机模型进行品种识别,并分别从组合特征的识别率、品种数量变化时识别效果及透射和反射图像识别效果3个方面进行分析。相对于神经网络方法来说,支持向量机方法具有比较稳定的识别效果。对不同类别特征,颜色特征具有比较高的识别率,而形态特征识别率比较低。品种的数量越多,由于遗传等因素影响,特征组合的相似性比例越高,识别率越低。不同类别的特征对反射和透射图像的识别效果不同,相对来说,反射图像的RGB颜色特征识别效果稍好些,而透射图像的HSV颜色特征和纹理特征识别效果要好一些。由于采集环境与条件的限制,本研究仅提取了玉米叶片的常规特征进行了品种识别的初步研究与分析。本研究突破了大多数研究仅集中在玉米种子品种识别的局限,虽然仅对玉米叶片品种识别作了初步探讨与研究,但从分析结果可见,使用玉米叶片外观特征进行生长期间玉米品种识别非常有意义,为玉米生长期间品种识别的研究与运用打下基础。
参考文献:
[1]纪寿文,王荣本,陈佳娟,等. 应用计算机图像处理技术识别玉米苗期田間杂草的研究[J]. 农业工程学报,2001,17(2):154-156.
[2]陈丽,王兰英. 概率神经网络在玉米叶部病害识别中的应用[J]. 农机化研究,2011,33(6):145-148.
[3]马彦平,白由路,高祥照,等. 基于数字图像的玉米叶面积测量方法研究[J]. 中国农学通报,2009,25(22):329-334.
[4]朱军伟,张彦娥,王晓敏,等. 基于图像纹理的玉米叶片叶绿素含量分析研究[J]. 微计算机信息,2010,26(10):106-108.
[5]王玉亮. 基于机器视觉的玉米种子品种识别与检测研究[D]. 泰安:山东农业大学,2008:11-12.
[6]闸建文,陈永艳.基于外部特征的玉米品种计算机识别系统[J]. 农业机械学报,2004,35(6):115-118.
[7]史智兴,程洪,李江涛,等. 图像处理识别玉米品种的特征参数研究[J]. 农业工程学报,2008,24(6):193-195.
[8]杨锦忠,郝建平,杜天庆,等. 基于种子图像处理的大数目玉米品种形态识别[J]. 作物学报,2008,34(6):1069-1073.
[9]李晓宇,张新峰,沈兰荪.支持向量机(SVM)的研究进展[J]. 测控技术,2006,25(5):7-12.
[10]林震岩. 多变量分析:SPSS的操作与应用[M]. 北京:北京大学出版社,2007:487-491.
[11]邓旭阳,郭新宇,周淑秋,等. 玉米叶片形态的几何造型研究[J]. 中国图象图形学报,2005,10(5):637-641.
[12]郑文刚,郭新宇,赵春江,等. 玉米叶片几何造型研究[J]. 农业工程学报,2004,20(1):152-154.
玉米叶片 第3篇
作物为玉米, 品种郑单958。
二、试验设计与方法
1. 试验处理
(1) 没有棒三叶 (其它叶片正常)
(2) 只有棒三叶 (其它叶片没有)
(3) 棒三叶以下无叶片 (其它叶片正常)
(4) 棒三叶以上无叶片 (其它叶片正常)
(5) 正常植株 (CK)
2. 试验设计
试验采用直接对比法, 不设重复, 顺序排列, 每个处理5垄, 垄距0.667米, 每垄20株玉米, 每个处理100株玉米, 试验区共计500株玉米, 周边设5米保护区。
3. 处理方法
8月25日进行试验处理。没有棒三叶处理, 用剪刀沿叶舌将棒三叶全部剪掉, 保留其它叶片;只有棒三叶处理, 用剪刀沿叶舌将棒三叶上、下叶片全部剪掉, 只保留棒三叶;棒三叶以下无叶片处理, 用剪刀沿叶舌将棒三叶以下叶片全部剪掉, 保留棒三叶及上部叶片;棒三叶以上无叶片处理, 用剪刀沿叶舌将棒三叶以上叶片全部剪掉, 保留棒三叶及下部叶片;正常生长的玉米植株做对照 (CK) 。
三、试验基本情况
1. 土壤条件
试验设在肇东市肇东镇长乐村大老窝棚屯, 地块西短盘子, 地势平坦, 肥力中等均匀, 前茬玉米, 土壤类型碳酸盐黑钙土, 有机质含量2.53%, pH值7.62, 速效磷15.7毫克/千克, 速效钾127.3毫克/千克, 碱解氮115.6毫克/千克。
2. 栽培管理
4月25日, 使用“954”拖拉机牵引联合整地机灭茬、旋耕、施肥、起垄、镇压一次作业, 亩施55%掺混肥 (氮28%、磷15%、钾12%) 45千克做底肥。5月1日, 拖拉机开沟滤水机械点播, 坐水量2500千克/亩, 隔日镇压, 厚度3厘米, 每穴一粒种子, 穴距23厘米, 行距66.7厘米, 播种密度4348株亩, 采取苗后茎叶除草。
四、试验结果分析
1. 不同部位叶片受损对籽粒含水量的影响
没有棒三叶、只有棒三叶、棒三叶以下无叶片、棒三叶以上无叶片处理的籽粒含水量分别为25.8%、28.2%、30.5%、29.3%, 对照的籽粒含水量为31.5%。没有棒三叶、只有棒三叶、棒三叶以下无叶片、棒三叶以上无叶片处理的籽粒含水量分别比对照低5.7%、3.3%、1.0%、2.2%, 降低幅度分别为18.10%、10.48%、3.17%、6.98%。没有棒三叶、只有棒三叶处理的籽粒含水量极显著低于对照, 棒三叶以上无叶片处理的籽粒含水量显著低于对照, 棒三叶以下无叶片处理的籽粒含水量与对照差异不显著。
2. 不同部位叶片受损对籽粒百粒重的影响
没有棒三叶、只有棒三叶、棒三叶以下无叶片、棒三叶以上无叶片处理的籽粒百粒重分别为22.29克、29.41克、33.17克、31.43克, 对照的籽粒百粒重为34.52克。没有棒三叶、只有棒三叶、棒三叶以下无叶片、棒三叶以上无叶片处理的籽粒百粒重分别比对照低12.23克、5.11克、1.35克、3.09克, 降低幅度分别为35.43%、14.80%、3.91%、8.95%。没有棒三叶、只有棒三叶处理的籽粒百粒重极显著低于对照, 棒三叶以上无叶片处理的籽粒百粒重显著低于对照, 棒三叶以下无叶片处理的籽粒百粒重与对照差异不显著。
3. 不同部位叶片受损对玉米产量的影响
没有棒三叶、只有棒三叶、棒三叶以下无叶片、棒三叶以上无叶片处理的玉米产量分别为8.460千克、13.384千克、15.910千克、14.714千克, 对照的玉米产量为16.652千克。没有棒三叶、只有棒三叶、棒三叶以下无叶片、棒三叶以上无叶片处理的玉米产量分别比对照减产8.192千克、3.268千克、0.724千克、1.938千克, 减产率分别为49.20%、19.63%、4.46%、11.64%。没有棒三叶、只有棒三叶、棒三叶以上无叶片处理的玉米产量极显著低于对照, 棒三叶以下无叶片处理的的玉米产量低于对照, 但差异不明显。
五、试验结论
1. 在试验条件下, 没有棒三叶, 玉米减产50%左右, 没有棒三叶上部叶片, 玉米减产10%左右, 没有棒三叶下部叶片, 玉米减产5%左右。
2. 棒三叶对玉米产量的贡献率为70%左右, 棒三叶上部叶片对玉米产量的贡献率为20%左右, 棒三叶下部叶片对玉米产量的贡献率为10%左右。
参考文献
[1]王海燕.玉米高产栽培技术[J].现代农业科技, 2009 (12)
[2]任和平, 韩庚辰, 张秀梅, 赵相奇.玉米植株性状对产量形成的影响[J].河南农学院学报, 1981 (01)
玉米叶片 第4篇
关键词:聚类算法;GK算法;玉米叶片病斑;识别
中图分类号: TP391.4文献标志码: A文章编号:1002-1302(2015)01-0405-02
收稿日期:2014-03-14
基金项目:黑龙江省自然科学基金面上项目(编号:F201428);黑龙江省教育厅面上项目(编号:12541596);黑龙江八一农垦大学校博士启动金项目(编号:XDB2009-17)。
作者简介:朱景福(1970—),男,黑龙江克山人,博士,教授,主要从事计算机应用研究。E-mail:jingfuz@163.com。聚类是一种常见的数据分析工具,目的是把大量数据点的集合分成若干类,使得同一类中数据点之间的距离尽可能小,而不同类中数据点之间的距离尽可能大。聚类算法在商业、金融、图像处理、信息检索等领域得到了有效的应用[1]。本研究选取3种聚类算法(K-均值算法、FCM算法和GK算法)用于玉米叶片病斑图像的识别,通过对比研究最终确定将GK算法作为玉米病斑图像的识别算法。
1聚类算法
传统的聚类算法主要有K-均值算法、K-Modes算法等[2],其分类属于硬划分,具有明显的类别界限。然而现实中存在大量属性界限不分明的对象,模糊聚类算法为处理这些对象提供了重要的方法。模糊聚类算法主要有FCM算法、GK算法和KFCM算法等[3]。本研究主要选用聚类算法中经典的K-均值算法、FCM算法及FCM的改进算法(GK算法)进行对比分析。
1.1K-均值算法
K-均值算法(别称硬C-均值聚类算法)是聚类分析中基于划分方法的一种经典算法,由于其具有理论可靠、算法简单、收敛速度快等优点在实践中得到了广泛的应用[4]。
把n个向量xj(j=1,2,…,n)分成c个类Gi(i=1,2,…,c),并求出每个类的聚类中心,K-均值算法的处理过程为[1]:(1)随机选取c个向量作为每个类的聚类中心。(2)初始化隶属度矩阵U。(3)计算J=∑ci=1Ji=∑ci=1(∑k,xk∈Gi‖xk-ci‖2)的代价函数值。(4)当代价函数值高于一个给定的最小阈值或者连续2次的值之差大于这个最小阈值时,根据公式ci=1|Gi|∑k,xk∈Gixk来更新各个聚类中心,其中|Gi|=∑nj=1uij,然后直接返回步骤(2)继续运算;否则停止运算。
1.2FCM模糊聚类算法
目前,FCM模糊聚类算法[5]是理论最完善、应用最广泛的模糊聚类算法之一。FCM模糊聚类算法是K-均值算法的推广。FCM模糊聚类算法的处理过程为[6]:(1)初始化隶属度矩阵U。(2)根据公式ci=(∑nk=1umikxk)/(∑nk=1umik)(i=1,2,…,c)计算每个类的聚类中心ci,i=1,2,…,c,其中uik是元素i相对于类k的隶属度。(3)根据公式Jm=∑nk=1∑ck=1umik‖xk-ci‖2计算代价函数值。(4)当代价函数值高于一个给定的最小阈值或者连续2次的值之差大于这个最小阈值时,根据公式u(t+1)ik=‖xk-c(t)ii‖-2/(m-1)∑cj=1‖xk-c(t)j‖-2/(m-1) 计算新的矩阵U,然后直接返回步骤(2)继续运算;否则停止运算。
1.3GK模糊聚类算法
GK模糊聚类算法[7]是FCM聚类算法的一种改进,是采用聚类协方差矩阵的自适应距离来度量的方式进行聚类,更能真实地反映不同样本集合的分布情况[8]。
GK模糊聚类算法的处理过程为[9]:(1)初始化隶属度矩阵U。(2)根据公式ci=(∑nk=1umikxk)/(∑nk=1umik)(i=1,2,…,c)计算每个类的聚类中心ci,i=1,2,…,c。(3)根据公式Fi=[∑nk=1umik(xk-ci)(xk-ci)T]/∑nk=1umik 计算协方差矩阵Fi,通过Ai=det(Fi)1nF-1i求出正定对称矩阵Ai。(4)根据D2ik=‖xk-ci‖2Ai=(xk-cj)TAi(xk-ci)计算距离范数D2ik。(5)根据uik=1∑cj=1(Dik/Djk2/(m-1)更新矩阵U,当连续2次的值之差小于一个给定的最小阈值时则停止,否则转向步骤(2)。
2聚类数据的获取
2.1样本图像的采集和预处理
2.1.1样本图像的采集在玉米病害比较严重的7—9月,在黑龙江八一农垦大学试验田中采用SONY DSC-W350D型号相机采集玉米大斑病的病害图像,至少采集300幅无病害图像和300幅病害图像(图1)。
2.1.2样本图像的预处理运用图像分割算法把无病害图像(图2-a)、病害图像(图2-b)分别分割成只含有绿色叶片的图像、只含有叶片背景和病斑的图像[10],图像大小均为131像素×86像素。分别选取100幅无病害图像、病害图像,为后续试验作准备。
2.2样本数据的降维
一幅叶片图像的维数是非常高的,巨大的计算量使处理速度变得非常慢,因此需要对预处理后的数据进行降维。局部线性嵌入(LLE)算法被称为非线性降维算法的里程碑,因此选用LLE算法对预处理后的200幅图像进行降维以提取特征,分别降到2、3、4、5、10、20、30、50维并保存,其中降至2、3维后的效果如图3所示。
3聚类识别对比试验
为了探究哪种聚类算法更适合玉米病斑图像的识别,采用K-均值算法、FCM算法和GK算法对降维后的数据进行聚类(聚成2类)分析,得到的正识率(试验证明:误识率=1-正识率,漏识率=0)如表1所示。从表1可知,GK算法的正识率虽然在30维时稍低于K-均值算法和FCM算法,但整体上GK算法的聚类正识率远远高于K-均值算法和FCM算法。
nlc202309011120
玉米病害图像本身具有模糊性,在病斑边界上的像素中常常包含病斑和叶片背景2种像素,病斑和背景的分界线不是很清晰。因此,基于模糊集合理论的模糊聚类算法对病斑图像的正确识别率高于传统的聚类算法。由表1可见,GK算法的聚类正识率明显高于FCM算法,证明GK算法是对FCM算法的改进。
表13种算法的正识率
算法不同维数下的正识率(%)2维3维4维5维10维20维30维50维K-均值76.576.576.576.576.576.576.576.5FCM76.576.576.576.576.577.077.577.5GK79.588.589.095.595.595.074.585.5
4总结
本研究均采用Matlab 7.1编程语言,针对玉米病斑图像模糊和不确定的特点,选用模糊聚类算法中的GK模糊聚类算法,成功地识别出玉米的病斑图像。在对200幅图像进行识别的试验中,GK算法的正识率达到95.5%,远远高于K-均值算法和FCM算法。因此,最终选取GK模糊聚类算法作为玉米病斑图像的识别方法。
参考文献:
[1]王慧. C-均值聚类算法的改进研究[D]. 开封:河南大学,2011:1-27.
[2]梁吉业,白亮,曹付元. 基于新的距离度量的K-Modes聚类算法[J]. 计算机研究与发展,2010,47(10):1749-1755.
[3]蔡威. 模糊聚类算法在数据挖掘中的应用研究[D]. 兰州:兰州交通大学,2012:13-29.
[4]贲志伟,赵勋杰. 基于改进的K均值聚类算法提取彩色图像有意义区域[J]. 计算机应用与软件,2010,27(9):11-13.
[5]Kannan S R,Devi R,Ramathilagam S,et al. Effective FCM noise clustering algorithms in medical images[J]. Computers in Biology and Medicine,2013,43(2):73-83.
[6]张鸿彦,许奇功. 模糊聚类算法的优化设计[J]. 河南大学学报:自然科学版,2013,43(4):451-454.
[7]Dagher I. Complex fuzzy c-means algorithm[J]. Artificial Intelligence Review,2012,38(1):25-39.
[8]张妨妨,钱雪忠. 改進的GK聚类算法[J]. 计算机应用,2012,32(9):2476-2479.
[9]王书涛,李亮,张淑清,等. 基于EEMD样本熵和GK模糊聚类的机械故障识别[J]. 中国机械工程,2013,24(22):3036-3040,3044.
[10]张飞云. 基于提升小波和学习向量量化神经网络的小麦病害图像识别[J]. 江苏农业科学,2013,41(5):103-106.杨靖华,陈龙正,徐海,等. 苏中地区早春连栋大棚不同覆盖层次间的气温变化[J]. 江苏农业科学,2015,43(1):407-408.
玉米叶片 第5篇
玉米是优良的饲料、主要的工业原料和优质的粮食作物,在满足人们生活需求和保证粮食安全方面具有非常重要的作用。但是玉米病害每年都有大面积发生,严重影响了玉米的产量和品质。传统玉米病害的诊断方法主要依靠农业生产者或科研人员的视觉判断识别病害的种类、严重程度及受害区域,这种识别方法主观性强,诊断结果容易出现偏差[1]。当前,图像识别在农业方面的应用研究已经取得了很大的进展,并且成为现代农业研究的热点[2]。其中图像分割技术是图像处理和计算机视觉中基本而关键的技术之一,也是图像理解与模式识别的前提[3]。
阈值分割法是一种极为重要且广泛使用的图像分割方法[4]。大津展之( OTSU) 在1979 年提出的通过最大类间方差准则来选取阈值的方法( OTSU算法)[5]是阈值分割的经典算法。OTSU算法是利用图像中的灰度直方图,以目标与背景之间的方差最大而动态地确定图像分割阈值[6,7]。这种方法虽然解决了阈值分割门限的选取问题,但存在缺乏自适应性、易造成噪声干扰和过分割现象、运算需要大量的时间等问题[4],经典OTSU算法尚需进一步改进。因此,采用经典的OTSU算法对苹果图像进行分割,其识别效果是远远不能满足用户需求的。为了能更好地对苹果图像进行识别,需要寻求一种更简单、效率更高的方法求取图像的最优阈值。近年来,人工智能中的智能搜索算法在科学和工程领域的成功应用,对农副产品领域的应用及推广起着一种积极的带动作用。
和声搜索HS( Harmony search) 算法[8]是通过类比音乐和最优化问题相似性提出的启发式智能进化算法。算法是对音乐演奏中乐师们凭借自己的记忆,通过反复调整乐队中各乐器的音调,最终达到一个美妙和声状态过程的模拟。HS算法概念简单,收敛速度快,容易实现,解的产生方式新颖,且只有少数参数需要调整,在有关问题上展示了较遗传算法、模拟退火算法和禁忌搜索更好的性能[9]。尽管如此,由于HS算法是单个体迭代算法,迭代后期存在收敛速度缓慢,易陷入局部最优及求解质量不高等缺点[10,11]。文献[12]针对HS算法音调微调机制中存在随机性更新的缺陷,将全局共享因子[13]思想引入HS算法,提出一种全局共享因子的和声搜索算法GSF-HS( Harmony Search Algorithm with Global Sharing Factor) ,测试结果表明,GSF-HS算法有效改善了HS算法的优化性能。本文采用文献[12]全局共享因子的和声搜索算法与经典阈值分割OTSU方法结合的方法,提出一种基于改进和声搜索算法的玉米叶片病害图像分割算法MISHS-OTSU( Maize Leaf Disease Image Segmentation Algorithm based on Improved Harmony Search Algorithm) ,对玉米叶片病害图像进行分割,以提高叶片病害图像中病斑的识别效果。
1 OTSU算法阈值分割原理
最大类间方差法( OTSU算法) 是一种全局阈值选取方法。其基本思想是利用图像的灰度直方图,以目标和背景的方差最大来动态地确定图像的分割阈值。
假设阈值t将图像分成两类C0和C1( 目标和背景) ,即C0和C1分别对应具有灰度级{ 0,1,…,t} 和{ t + 1,t + 2,…,L -1} 的像素。则两类的类间方差如式( 1) :
最佳阈值t*应使类间方差最大,这是个最优化问题,如式( 2) 所示:
其中 ω0和 ω1分别表示C0类和C1类的发生概率; μ0和 μ1分别表示C0类和C1类的平均灰度值; μT表示整幅图像的平均灰度。
因此,σB2的值越大,则表示阈值选择得越好。
2 改进和声搜索算法与OTSU算法结合原理
2. 1 改进和声搜索算法思想
HS算法音调微调机制中利用随机数r∈[0,1]产生新和声[8],针对这种随机性使HS算法易出现收敛速度慢、精度低等问题的缺陷,文献[12]提出了改进和声搜索算法,其算法思想如下:
随机产生HMS个初始解( 和声) 放入和声记忆库HM( Harmony Memory) 内,HMS为和声记忆库的大小,HMCR为和声记忆库取值概率,PAR为音调微调概率,BW为音调微调带宽,Tmax为算法创作的次数,且r1,r2,r ∈ [0,1]。假设问题是求最小值,其表达形式如下所示:
随机生成HMS个和声x1,x2,…,xHMS放入和声记忆库,其形式如下:
按以下规则生成一个新的和声x'i= ( x'1,x'2,…,x'N) 。
新和声的每一个音调x'i( i = 1,2,…,N) 通过学习和声记忆库产生:
如果r1< HCMR ,则:
通过式( 5) 产生的新和声音调x'i还需根据全局共享因子αG[19]进行音调微调:
如果r2< PAR ,则:
其中,全局共享因子 αG按式( 7) 、式( 8) 计算[12]:
如果r1≥ HCMR ,则随机选择音调产生新和声x'i,即:
对和声记忆库按以下更新策略进行更新:
如果f(x')<f(xworst)=maxf(xj),那么:
上述过程不断重复,直至创作( 迭代) 次数达到Tmax为止。
2. 2 基于改进和声搜索算法的玉米叶片病害图像分割算法思想
本文采用文献[12]改进和声搜索算法,将其应用于玉米叶片病害图像阈值分割中,提出一种基于改进和声搜索算法的玉米叶片病害图像分割算法MISHS-OTSU。
MISHS-OTSU算法是将玉米叶片病害图像编码处理后,将图像作为目标函数进行阈值寻优,选取图像的类间方差作为改进和声搜索算法的适应度值,通过改进和声搜索算法寻找最优的分割阈值,利用该最优阈值使用经典OTSU算法对玉米叶片病害图像进行分割,从而提高玉米叶片病害图像中病斑分割的效果。
MISHS-OTSU算法思想如下:
Step1: 读取玉米叶片病害图像,对原始图像进行预处理。
Step2: 统计图像目标和背景的灰度级像素,计算图像目标和背景两类间方差。
Step3: 随机生成初始和声群体,进行8 位二进制编码,HMS= 256 为和声记忆库的大小。第i个和声记为xi= ( x1,x2,…,xN) ,其中N = 8 为和声音调个数。
Step4: 选取图像类间方差作为HS算法的目标函数f( xi) ,按式( 4) 初始化和声记忆库HM。
Step5: 随机生成r1,r2,r ∈[0,1],并按式( 7) 、式( 8) 计算全局共享因子 αG。如果r1< HCMR ,则新和声音调x'i按式( 5)计算,且如果r2< PAR ,则刚计算出的新和声音调x'i再按式( 6) 计算; 如果r1≥ HCMR ,则按式( 9) 计算新和声。按式( 10)对和声记忆库进行更新,如此反复迭代直至Tmax为止。
Step6: 输出最优阈值,使用OTSU算法对玉米叶片病害图像进行分割,输出分割后的玉米叶片病害图像。
2. 3 基于改进和声搜索算法的玉米叶片病害图像分割算法伪代码
MISHS-OTSU算法核心伪代码如下:
2. 4 MISHS-OTSU算法效率分析
MISHS-OTSU算法是在OTSU算法基础上引入了改进和声搜索算法进行最优阈值选取的,因此算法效率的改变主要体现在Step5 上。分析得知改进后和声搜索算法的时间复杂度是O( Tmax× N) ,空间复杂度是O( HMS × N + HMS) 。当图像灰度级别为L时,原OTSU算法的时间复杂度和空间复杂度均是O( L2) ,而MISHS-OTSU算法的时间复杂度是O( L2+ Tmax×N) ,空间复杂度是O( L2+ HMS × N + HMS) 。因此MISHS-OTSU算法在运算时间和存储空间上均比原OTSU算法要多。
3 玉米叶片病害图像分割实验
3. 1 实验设计
随机选择强光、中光、弱光条件共3 幅玉米叶片病害图像进行实验。分别使用经典OTSU法、基于混合蛙跳算法[14]的图像阈值分割算法( 简称SFLA-OTSU) 和基于改进和声搜索算法的玉米叶片病害图像分割算法( 简称MISHS-OTSU) 三种方法对处理后的玉米叶片病害图像进行分割实验。
实验参数设置如下: 由于图像灰度值在0 ~ 255 之间,故将每个可能的灰度阈值编码为8 位二进制编码[6]。故算法最初理论应生成256 个初始和声群体,为方便构成和声记忆库,取HMS= 200,和声音调个数N = 8,其余参数依据文献[12]进行设置,即HCMR = 0. 9,PAR = 0. 3,BW = 0. 01,Tmax= 30 000。根据共享因子理论与实验分析[13],取 αinit= 0. 1,αfinal= 1. 2。计算机处理器为Intel Core2,主频为2. 0 GHz,内存为2. 0 GB,测试平台是VC + + 6. 0,图片处理软件是Matlab 7. 0。最终测试结果采用独立运行30 次后的平均值。
图像分割实验通过分割出的叶片病斑数与叶片实际病斑数的比较评价三种分割方法的分割效果。分别定义识出率( RDetection)[15]、识别成功率( RSuccess)[15]、误识率( RError)[15]和漏识率( RMiss)[15]4 个指标进行衡量,如式( 11) - 式( 14) 所示:
3. 2 结果分析
3. 2. 1 三种图像分割方法对应最优阈值分析
强光、中光、弱光条件下的3 幅图像分别采用三种图像分割方法后寻取的最优阈值比较见表1 所示。
由表1 可以看出,当玉米叶片病害图像处在不同光照条件时,采用MISHS-OTSU对应的最优阈值均不同于OTSU和SFLAOTSU,且与OTSU的相差较大,使用该阈值会使得图像分割结果对比更为明显。
3. 2. 2 不同光照条件玉米叶片病害图像分割效果分析
3 幅图像在强光、中光、弱光条件下三种图像分割方法的分割效果比较见表2 所示。图1 为中光条件原始图像,图2 - 图4为采用OTSU、SFLA-OTSU及MISHS-OTSU方法对中光图像进行分割的结果。
从结果可以看出,强光条件下,光线直接照射在玉米叶片上,叶片及病斑对比较为明显,表1 显示MISHS-OTSU算法取得阈值最大,表2 数据显示识出率和识别成功率均达到100% ,结果理想。中光条件下,图4 显示分割后对比度较为明显,表2 数据显示采用OTSU和SFLA-OTSU时,均不同程度存在误识率和漏识率,采用MISHS-OTSU算法时,误识率降低为0% ,且漏识率也低于其他两种分割方法。弱光条件下,叶片及病斑之间的对比度不明显,造成了分割的困难,表2 数据显示三种分割方法均不同程度存在误识率和漏识率,但以MISHS-OTSU算法最低,且MISHS-OTSU的识出率达到了100% ,其识别成功率亦高于其他两种分割方法。
实验结果表明,改进后MISHS-OTSU较OTSU和SFLA-OTSU方法均具有较好的图像阈值寻优能力,可有效提高玉米叶片病害图像病斑的分割效果。
4 结语
玉米叶片 第6篇
1材料与方法
1.1材料
供试玉米品种为当地种植的主推品种———郑单958,该品种在吉林省德惠地区生长时全株叶片数为22片,雌穗多数着生于16节位上,株型紧凑。
1.2方法
1.2.1试验设计
试验于2008年在中国科学院东北地理与农业生态研究所的德惠试验基地(E125°33′,N42°12′)进行。采用常规栽培方法,郑单958在德惠地区的适宜种植密度为65 000株·hm-2。试验于4月27日播种,设置3个种植小区,每小区一次重复,小区面积500 m2,种植方式为60 cm等行距,南北行向种植。播种前沟施磷肥、钾肥和氮肥作基肥,拔节前追施氮肥,田间管理措施按当地常规方式进行。
1.2.2 测定项目与方法
测定的叶片及测定时期在玉米抽雄期、灌浆初期和灌浆后期,挑选具有代表性的植株15株,按上(第19叶)、中(穗位叶,即第16叶)、下(第12叶)3个层次分别取叶片和叶鞘,叶片的取样部位为中部,去除叶脉,叶鞘的取样部位在叶枕以下的2~3 cm处。将样品混合,测定各生理指标。
叶绿素含量的测定采用乙醇丙酮等体积混合法,提取叶绿素24 h,在波长663 nm和645 nm下测量吸光度,按照Arnon公式计算叶绿素含量[11]。可溶性蛋白质含量的测定采用考马斯亮蓝—G250比色法[12]。 丙二醛含量的测定采用硫代巴比妥酸比色法[12]。采用SPSS13.0软件进行数据分析。
2 结果与分析
2.1 生育后期玉米不同节位叶片和叶鞘的叶绿素含量变化
经多重比较表明,抽雄期各节位叶片的叶绿素含量具有显著差异(P<0.05),由于此时上部叶片刚刚展开,处于生长发育的前期,叶绿素含量处于增长阶段,而下部叶片正进入衰老阶段,处于叶绿素含量由最高值下降的时期,所以叶绿素含量表现为下部叶片>中部叶片>上部叶片(见图1)。随着生育进程的推进,叶片叶绿素含量的节位间差异发生改变,在灌浆初期和后期下部叶片的叶绿素含量均明显低于中部和上部叶片(P<0.05),中上部叶片间无显著差异(P>0.05)。下部叶片在抽雄期以后因衰老加重,叶绿素含量逐渐降低,上部叶片则随叶片的生长经历了叶绿素先升高后降低的过程,中部叶片在3个生育时期内的叶绿素含量无差异(P>0.05)。武立权等[14]认为,衡量植物的衰老程度时,以相关生理指标参数在衰老某时间段内的变化幅度或变化率为标准更为合理。由表1可知,灌浆初期至后期不同节位叶片的叶绿素含量下降的百分比具有显著性差异(P<0.05),下部叶片的下降比例最大,其次是上部叶片,中部叶片最小。可见,虽然中上部叶片在灌浆初期至后期叶绿素含量没有差异,但上部叶片在此过程中的衰老程度高于中部叶片。
在同一生育时期,叶鞘叶绿素含量的节位间差异与叶片一致,但中上部节位叶鞘的叶绿素含量在不同生育时期内的变化趋势与叶片相比具有很大差异。灌浆后期,叶绿素含量的下降幅度较大,中上部节位叶鞘分别下降了63.76%和64.32%,是其叶片下降百分比的25倍和8.68倍,下部节位叶鞘在此阶段的叶绿素含量仅降低了44.40%,这与其在灌浆初期叶绿素含量就已经下降到一定程度有关。可见生育后期叶鞘叶绿素的分解速度明显高于叶片,表明叶鞘虽然具有一定的光合能力,但其抗逆性低于叶片,这与水稻、小麦的叶鞘截然不同[14]。
2.2 生育后期玉米不同节位叶片和叶鞘的可溶性蛋白质含量变化
可溶性蛋白质含量可以反映叶片酶总体水平和生理活性的高低,蛋白质降解是叶片衰老的基本特征[15]。由图3和图4可以看出,生育后期,玉米不同节位叶片和叶鞘的可溶性蛋白质含量均随着生育进程的推进呈降低趋势,说明叶片和叶鞘衰老过程中,可溶性蛋白质含量的降低早于叶绿素含量的降低。抽雄期中部叶片的可溶性蛋白质含量显著高于下部叶片和上部叶片(P<0.05);灌浆期以后,下部叶片因衰老严重可溶性蛋白质含量明显低于中上部叶片(P<0.05), 而中部和上部叶片间的差异逐渐减小。下部叶片在生育后期的不同阶段可溶性蛋白质含量的下降都很明显(P<0.05);中部叶片在灌浆初期的可溶性蛋白质含量显著降低(P<0.05),灌浆后期变化较小;上部叶片恰与之相反,其含量较大幅度的降低出现在灌浆后期。各节位叶鞘可溶性蛋白质含量的变化趋势与叶片相似,但其在各生育时期的降低幅度都比叶片明显。
2.3 生育后期玉米不同节位叶片和叶鞘的丙二醛(MDA)含量变化
脂质过氧化产物MDA含量可以反映脂质过氧化的程度,是检测植物组织和器官的多种酶和膜系统损伤程度的重要指标之一。由图5可以看出,玉米叶片生育后期MDA含量不断增加,且各生育时期的差异显著(P<0.05)。下部叶片在灌浆初期和后期MDA含量的增幅接近,中上部叶片在灌浆过程中MDA含量的增幅较大。不同的生育时期,MDA含量的节位间差异不同,抽雄期MDA含量表现为下部叶片>中部叶片>上部叶片;灌浆初期表现为中部叶片>下部叶片>上部叶片;灌浆后期表现为中部叶片>上部叶片>下部叶片。不同节位叶鞘在生育后期MDA含量也呈上升趋势,下部和中部叶鞘各生育时期MDA含量增加明显,并且下部叶鞘的增幅更大,上部叶鞘抽雄期和灌浆初期MDA含量具有显著差异(P<0.05),灌浆初期和灌浆后期差异不显著(P>0.05)。通过比较发现,在灌浆过程中,虽然不同节位叶鞘的MDA含量的增幅具有显著差异(P<0.05),但远小于叶片MDA含量的增幅。
3 结论与讨论
在植株衰老过程中,叶绿素和蛋白质含量的下降是衡量植物衰老的一个重要指标[16,17]。罗瑶年等[18]人认为自叶片展开至衰竭,玉米不同的生育时期内叶片的叶绿素含量和蛋白质含量具有节位间差异,一般表现为上部叶片>中部叶片>下部叶片>基部叶片。该研究中,抽雄期,上部叶片因刚刚展开,叶绿素含量表现为中上部叶片明显低于下部叶片,灌浆期以后,中上部叶片的叶绿素含量无显著差异,但明显高于下部衰老叶片,中上部叶片因衰老引起的叶绿素含量下降的现象不明显。
叶片的可溶性蛋白质含量降低的发生早于叶绿素含量的降低,抽雄期以后,各节位叶片的可溶性蛋白质含量呈降低趋势,下部衰老严重的叶片各生育时期可溶性蛋白质含量差异显著,而中部叶片在灌浆期以前可溶性蛋白质含量明显下降,后期变化则不明显,上部叶片可溶性蛋白质含量的变化则与其相反。
各节位叶鞘的叶绿素含量和可溶性蛋白质含量的变化趋势及节位间差异与叶片相同,但与叶片相比,生育后期各节位叶鞘的叶绿素含量和可溶性蛋白质含量的变化幅度较大。研究表明,水稻叶鞘的光合产物对产量的贡献为10%~12%,并且水稻叶鞘在衰老过程中的抗逆性大于叶片[19],而灌浆初期至后期,郑单958叶鞘叶绿素的分解和可溶性蛋白质的降解速度快于叶片,说明玉米叶鞘的抗逆性小于叶片,因此,对玉米叶鞘衰老过程的调控和光合性能的改良将具有更重要的意义。灌浆初期是决定玉米中上部叶片及叶鞘后期叶绿素含量的重要时期,也是采取措施防止叶片和叶鞘衰败的主要时期。