色彩失真是基于人工照明成像表型系统的固有问题之一，其主要原因是人工光源在光谱和空间上分布的不均匀性。目前用于植物表型成像的颜色校正算法不足以应对多种光源引起的局部颜色失真问题。本文基于贝叶斯推提出的ColorBayes算法能够降低局部色偏影响从而更准确地表征植物表型。

　　本试验选取148个拟南芥单株，捕获单株叶色的成像过程(图1)。其目的在于利用高通量植物表型(HTPP)系统的非均匀人工光源正确识别植株颜色。捕获到的颜色变化与人眼观察到的不一致，这是HTPP系统固定光源的一个常见限制(图2)。本研究利用148个放有颜色一致绿布的花盆和12个Macbeth ColorChecker创建了一个真实图像数据集来提高ColorBayes算法的训练和颜色精度(图3)，并将捕获到的绿布颜色校正回归(图4)应用于真实的植物数据集，ColorBayes算法在三通道上显示出了一致的较低均方误差(R=76.197，G=110.647，B=50.103)。图5证明ColorBayes算法可以有效从盆栽图像中去除局部色偏，并得到两个通道中最小的均方误差(R=140.565，B=143.50)。此算法在叶色离散度方面的改进使其对离群值的检测更加灵敏，校正后的分布更接近正态分布(图6)。较于其他几种算法，本研究算法在HTPP实验中检测异常单株的准确率最高(94.94%)(图7)。

　　研究结果显示，与现有算法相比，该算法在校正拟南芥图像数据集得到了最准确的结果，提高了室内HTPP拍摄的图像颜色准确性。另外。结合颜色均匀一致的绿布数据集和拟南芥数据集来测试该算法，比常用的颜色校正算法能更准确地校正植物叶片颜色，证明了该方法的实用性。

　　图1. 同一实验中不同局部光源下成像引起的叶色差。(a)叶色较浅的植株;(b)叶色较深的植株

　　图2. 高通量植物表型鉴定系统的光环境。(a). 148个花盆和12个Macbeth ColorCheckers的顶视图像;(b). 植物表型系统光照的空间分布;(c). 使用CIE1931标准色度系统的色度图上的照明色彩分布;(d). 在(x=20 cm, y=20 cm)和(x=0 cm, y=6 cm)处的光谱辐照度。

　　图3. (a.). 绿布数据集图像样本用于评估算法性能;(b). 具有24个参考色块的Macbeth ColorChecker。

　　图4.在绿色织物上应用ColorBayes算法。(a). 由红色投射光局部照明的原始图像;(b). 经ColorBayes算法后的原始绿布图像。

　　图5.植物数据集应用ColorBayes算法结果。(a). 由红色投射光局部照明的原始植株图像;(b). 经ColorBayes算法后的相同植株图像。

　　图6. ColorBayes算法减少了叶片颜色之间的方差，识别出比其他算法更多的离群值(原始数据集未经过颜色校正)。

　　图7. 健康植株和患病植株之间的颜色差异。(a). 健康植株及其平均颜色;(b). 患病植株及其平均颜色。

　　来源：Diego L, Eddie C, Guang D. et al. ColorBayes: Improved color correction of high-throughput plant phenotyping images to account for local1 illumination differences. [Preprint.] March 2, 2022 [accessed 2022 March 29]. Available from: https://doi.org/10.1101/2022.03.01.482532

　　编辑：小11