三种多模态植物图像自动配准方法的比较与推广

三种多模态植物图像自动配准方法的比较与推广

本文研究了三种常见的可见光和荧光图像配准技术,并通过与不同植物的人工分割图像的直接比较,验证配准方法的稳定性和准确性,植物表型资讯介绍如下:

随着高通量多传感器成像平台的引入,多模态自动化图像分析已成为定量研究的热点。由于一些自然环境和技术原因(如不均匀的光照、阴影和反射),相关植物结构的无监督识别(例如图像分割)成为了一项艰巨的任务,通常需要广泛的人机交互。多模态植物图像的配准可通过在植物和背景区域(例如荧光图像)之间呈现更高对比度的图像模态分割结果来自动分割“困难”图像,例如可见光或近红外图像。此外,不同图像模态的配准对于评估一系列多参数植物表型来说必不可少,例如可以同时以局部规模研究叶绿素含量、水含量以及疾病或其他胁迫相关的色素沉着。

微信图片_20190509154040

图1.在具有不同相机分辨率的不同表型设施中拍摄的拟南芥、小麦和玉米枝条的FLU / VIS图像的实例

为了自动记录数千个图像,需要利用两个结构相似但不相同的图像无监督配准有效算法。基于不同图像特征的不同算法建立图像对应关系。然而,植物图像分析的特殊性在于,不同植物在不同发育阶段从不同角度所测得的形状和颜色具有很大变异性。虽然植物成株的芽具有独特的结构,但幼芽可能具有非特定的形状,往往很难从背景结构中区分出来。因此,目前还不清楚哪种图像特征和配准技术适用于各种多模态植物图像的配准。此外,动态测量的植物还可能表现出不均匀的运动轨迹,需要应用非刚性配准技术。本文研究了三种常见的可见光和荧光图像配准技术,并通过与不同植物的人工分割图像的直接比较,验证配准方法的稳定性和准确性。

微信图片_20190509154043

图2.图像配准评估方案

微信图片_20190509154046

图3.使用FP、PC和INT方法评估植物图像配准的预处理条件(过滤和缩放)概述

实验结果表明,这三种方法对结构图像失真都很敏感,但是需要做预处理步骤,包括结构增强和特征尺度选择等。为了克服传统方法的局限性,研究人员开发了一种迭代算法,以完全自动化的方式对高通量植物图像进行刚性和轻微非刚性的配准。

微信图片_20190509154049

图4.多模态植物图像配准工具(mPIR)的GUI界面概述

来源:

Henke M, Junker A, Neumann K, et al.Comparison and extension of three methods for automated registration of multimodal plant images. Plant Methods201915:44. https://doi.org/10.1186/s13007-019-0426-8

131

扩展阅读:

粽香情浓,植物表型资讯一周年目录汇总

植物表型资讯2018年1-12月目录汇总

植物表型资讯2019年1-4月目录汇总

微信图片_20190408151928