CN115346213B - 基于植物染色图像的木质素和纤维素的检测方法及系统 - Google Patents
基于植物染色图像的木质素和纤维素的检测方法及系统 Download PDFInfo
- Publication number
- CN115346213B CN115346213B CN202210886368.7A CN202210886368A CN115346213B CN 115346213 B CN115346213 B CN 115346213B CN 202210886368 A CN202210886368 A CN 202210886368A CN 115346213 B CN115346213 B CN 115346213B
- Authority
- CN
- China
- Prior art keywords
- image
- lignin
- plant
- cellulose
- channel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 229920005610 lignin Polymers 0.000 title claims abstract description 121
- 229920002678 cellulose Polymers 0.000 title claims abstract description 117
- 239000001913 cellulose Substances 0.000 title claims abstract description 117
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 238000004043 dyeing Methods 0.000 title claims abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 15
- 238000007619 statistical method Methods 0.000 claims abstract description 12
- 238000010186 staining Methods 0.000 claims description 75
- 210000002421 cell wall Anatomy 0.000 claims description 44
- 238000000605 extraction Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000007621 cluster analysis Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000011002 quantification Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 238000011065 in-situ storage Methods 0.000 abstract description 7
- 238000013139 quantization Methods 0.000 abstract description 5
- 230000001360 synchronised effect Effects 0.000 abstract description 4
- 241000196324 Embryophyta Species 0.000 description 119
- 210000001519 tissue Anatomy 0.000 description 104
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 47
- 241000209094 Oryza Species 0.000 description 28
- 235000007164 Oryza sativa Nutrition 0.000 description 27
- 235000009566 rice Nutrition 0.000 description 27
- 238000010586 diagram Methods 0.000 description 13
- CTQNGGLPUBDAKN-UHFFFAOYSA-N O-Xylene Chemical compound CC1=CC=CC=C1C CTQNGGLPUBDAKN-UHFFFAOYSA-N 0.000 description 12
- 239000008096 xylene Substances 0.000 description 12
- 238000007654 immersion Methods 0.000 description 10
- 230000002792 vascular Effects 0.000 description 9
- 238000004088 simulation Methods 0.000 description 8
- 210000002615 epidermis Anatomy 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 239000000975 dye Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000003064 k means clustering Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 238000004445 quantitative analysis Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 239000000834 fixative Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000012188 paraffin wax Substances 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- RZSYLLSAWYUBPE-UHFFFAOYSA-L Fast green FCF Chemical compound [Na+].[Na+].C=1C=C(C(=C2C=CC(C=C2)=[N+](CC)CC=2C=C(C=CC=2)S([O-])(=O)=O)C=2C(=CC(O)=CC=2)S([O-])(=O)=O)C=CC=1N(CC)CC1=CC=CC(S([O-])(=O)=O)=C1 RZSYLLSAWYUBPE-UHFFFAOYSA-L 0.000 description 2
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 2
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- OARRHUQTFTUEOS-UHFFFAOYSA-N safranin Chemical compound [Cl-].C=12C=C(N)C(C)=CC2=NC2=CC(C)=C(N)C=C2[N+]=1C1=CC=CC=C1 OARRHUQTFTUEOS-UHFFFAOYSA-N 0.000 description 2
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 1
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 1
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 1
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 150000004676 glycans Chemical class 0.000 description 1
- 230000001744 histochemical effect Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010249 in-situ analysis Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000001724 microfibril Anatomy 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000000879 optical micrograph Methods 0.000 description 1
- 229920001282 polysaccharide Polymers 0.000 description 1
- 239000005017 polysaccharide Substances 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 230000009870 specific binding Effects 0.000 description 1
- 239000012128 staining reagent Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供一种基于植物染色图像的木质素和纤维素的检测方法及系统，该方法包括：基于待测植物样本的染色切片图像，获取组织分布图像；对组织分布图像进行RGB通道分解后，获取第一图像和第二图像；分别对第一图像和第二图像进行信号强度的统计分析，获取第一定量结果和第二定量结果。本发明提供的基于植物染色图像的木质素和纤维素的检测方法及系统，能够将R/B值和G/B值分别作为木质素和纤维素分布的量化指标，为木质素和纤维素同步提供可分析的量化数据，实现原位同步量化分析。避免直接通过人眼分析判断木质素和纤维素分布的主观误差，提升植物检测的准确性、客观性和可重复性。
Description
技术领域
本发明涉及植物细胞检测技术领域，尤其涉及一种基于植物染色图像的木质素和纤维素的检测方法及系统。
背景技术
高等植物细胞壁主要由纤维素、木质素和非纤维素多糖组成，其比例取决于细胞的具体功能。纤维素聚集成结构规则的微纤维，定义了细胞壁的骨架，密集的细胞壁纤维之间的空间由木质素分子通过化学和/或氢键填充，赋予植物材料疏水性、机械强度、延伸性和刚性。
随着显微镜和图像数字处理技术的发展，定性组织学染色技术并开发更客观和更可重复的方法。基于细胞壁成分与染色剂的特异性结合的传统组织化学染色正是一种替代方法，例如，番红-固绿染色可以同时观察木质素和纤维素分布，将木质素染为红色，纤维素染为绿色。继而，通过采集的彩色图像分析来量化植物组织的木质化程度。然而，通常基于染色图像进行量化分析的方法都只关注木质素的分布。而植物组织中的木质素和纤维素的变化往往是协同、相互影响的，所以如何同步分析木质素和纤维素在植物组织中的空间分布，对于准确解析基因调控网络和木质纤维素资源的利用机理具有重要意义。
发明内容
本发明提供一种基于植物染色图像的木质素和纤维素的检测方法及系统，用以解决现有技术中无法同步分析木质素和纤维素在植物组织中的空间分布的缺陷。
本发明提供一种基于植物染色图像的木质素和纤维素的检测方法，包括：
基于待测植物样本的染色切片图像，获取组织分布图像；
对所述组织分布图像进行RGB通道分解后，获取第一图像和第二图像；
分别对所述第一图像和所述第二图像进行信号强度的统计分析，获取第一定量结果和第二定量结果；
其中，所述染色切片图像是对所述待测植物样本进行番红-固绿染色后获取的；所述第一图像的像素值是R通道信号强度和B通道信号强度的比值；所述第二图像的像素值是G通道信号强度和B通道信号强度的比值；所述第一定量结果用于指示待测植物样本的木质素在对应组织部分的含量；所述第二定量结果用于指示待测植物样本的纤维素在对应组织部分的含量。
根据本发明提供的一种基于植物染色图像的木质素和纤维素的检测方法，所述对所述组织分布图像进行RGB通道分解后，获取第一图像和第二图像，包括：
基于所述组织分布图像的通道信号强度，确定信号强度阈值；
基于所述信号强度阈值，从所述组织分布图像的通道信号强度中筛选出细胞壁的R通道图像、细胞壁的G通道图像和细胞壁的B通道图像；
将所述细胞壁的R通道图像和所述细胞壁的G通道图像，分别与所述细胞壁的B通道图像作比，获取所述第一图像和所述第二图像；
其中，所述组织分布图像的通道信号强度包括R通道信号强度、G通道信号强度和B通道信号强度。
根据本发明提供的一种基于植物染色图像的木质素和纤维素的检测方法，
在所述获取所述第一图像和所述第二图像之后，还包括：
分别对所述第一图像和所述第二图像进行聚类分析，获取第一聚类结果和第二聚类结果；
其中，所述第一聚类结果用于指示待测植物样本的木质素含量的差异分布；所述第二聚类结果用于指示待测植物样本的纤维素含量的差异分布。
根据本发明提供的一种基于植物染色图像的木质素和纤维素的检测方法，所述分别对所述第一图像和所述第二图像进行聚类分析，获取第一聚类结果和第二聚类结果，包括：
对所述第一图像和所述第二图像进行R型聚类分析，分别获取所述第一图像和所述第二图像在各分类中的第一像素点占比和第二像素点占比；
基于所述第一像素点占比和所述第二像素点占比，分别确定所述第一聚类结果和所述第二聚类结果。
根据本发明提供的一种基于植物染色图像的木质素和纤维素的检测方法，所述基于待测植物样本的染色切片图像，获取组织分布图像，包括：
将染色切片图像转换至Hue Saturation Value色彩空间进行前景提取，获取目标图像；
基于所述目标图像，提取出所述组织分布图像。
根据本发明提供的一种基于植物染色图像的木质素和纤维素的检测方法，所述待测植物样本的染色切片图像是在视场内经由白板进行白平衡校正后采集的。
本发明还提供一种基于植物染色图像的木质素和纤维素的检测系统，包括：
样本图像处理模块，用于基于待测植物样本的染色切片图像，获取组织分布图像；
组成成分提取模块，用于对所述组织分布图像进行RGB通道分解后，获取第一图像和第二图像；
量化模块，用于分别对所述第一图像和所述第二图像进行信号强度的统计分析，获取第一定量结果和第二定量结果；
其中，所述染色切片图像是对所述待测植物样本进行番红-固绿染色后获取的；所述第一图像的像素值是R通道信号强度和B通道信号强度的比值；所述第二图像的像素值是G通道信号强度和B通道信号强度的比值；所述第一定量结果用于指示待测植物样本的木质素在对应组织部分的含量；所述第二定量结果用于指示待测植物样本的纤维素在对应组织部分的含量。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于植物染色图像的木质素和纤维素的检测方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于植物染色图像的木质素和纤维素的检测方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于植物染色图像的木质素和纤维素的检测方法。
本发明提供的基于植物染色图像的木质素和纤维素的检测方法及系统，基于待测植物样本的染色切片图像提取出组织分布图像，通过对组织分布图像所处理得到的第一图像和第二图像进行统计，获取第一定量结果和第二定量结果。能够将R/B值和G/B值分别作为木质素和纤维素分布的量化指标，为木质素和纤维素同步提供可分析的量化数据，实现原位同步量化分析。避免直接通过人眼分析判断木质素和纤维素分布的主观误差，提升植物检测的准确性、客观性和可重复性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的基于植物染色图像的木质素和纤维素的检测方法的流程示意图；
图2是本发明提供的基于植物染色图像的木质素和纤维素的检测方法的仿真示意图之一；
图3是本发明提供的基于植物染色图像的木质素和纤维素的检测方法的仿真示意图之二；
图4是本发明提供的基于植物染色图像的木质素和纤维素的检测方法的仿真示意图之三；
图5是本发明提供的基于植物染色图像的木质素和纤维素的检测方法的仿真示意图之四；
图6是本发明提供的基于植物染色图像的木质素和纤维素的检测系统的结构示意图；
图7是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
图1是本发明提供的基于植物染色图像的木质素和纤维素的检测方法的流程示意图。如图1所示，本发明实施例提供的基于植物染色图像的木质素和纤维素的检测方法，包括：步骤101、基于待测植物样本的染色切片图像，获取组织分布图像。
其中，染色切片图像是对待测植物样本进行番红-固绿染色后获取的。
需要说明的是，本发明实施例提供的基于植物染色图像的木质素和纤维素的检测方法的执行主体为基于植物染色图像的木质素和纤维素的检测系统所依托运行的电子设备。
上述电子设备可以以各种形式来实施。本申请实施例中描述的电子设备可以包括诸如移动电话、智能电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、导航装置、智能手环、智能手表、数码相机等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。下面，假设电子设备是移动终端。然而，本领域技术人员将理解的是，除了特别用于移动目的的元件之外，根据本申请实施例的构造也能够应用于固定类型的终端。
基于植物染色图像的木质素和纤维素的检测系统的应用场景为，制备植物样品薄片，采用番红-固绿对染并获取可见光显微镜图像，对处理后的显微图像进行RGB分解，由R/B值反映木质素含量，G/B值反映纤维素含量，以进行空间分布原位可视化和量化表征。
需要说明的是，在步骤101之前，利用番红-固绿染色试剂对待检测的植物样本进行样品的对染制备与染色图像的获取。
其具体实施过程为：将待检测的植物样本切割，并置于福尔马林-乙酸-乙醇固定剂中固定24小时以上后采用石蜡包埋切片，随后对切片进行番红-固绿对染，最后在普通生物显微镜下，用物镜(例如5倍、10倍或者20倍)观察染色切片，将获取的显微图像作为染色切片图像发送至基于植物染色图像的木质素和纤维素的检测系统。
其中，本发明实施例对待检测的植物样本的制备不作具体限定。
示例性地，其具体实施过程为：
(1)将待检测的植物样本在新鲜状态下切割，其厚度不超过5毫米(mm)，随后置于福尔马林-乙酸-乙醇(Formalin-Acetic-Alcohol，FAA)固定剂中，固定24h以上。
(2)固定后的样品采用石蜡包埋切片，其切片厚度可以在12微米(μm)-16μm之间。
(3)番红-固绿对染，具体操作包括：
(a)脱蜡(二甲苯/乙醇溶液：100％二甲苯，二甲苯/乙醇(3/1，v/v)，二甲苯/乙醇(1/1，v/v)，无水乙醇，每种溶液依次浸泡10分钟)。
(b)番红-固绿对染(无水乙醇，浸泡3次，3分钟/次；95％、85％和70％乙醇，依次浸泡3分钟；1％番红在50％的乙醇中，37℃，浸泡30分钟；70％乙醇中浸泡2次，1分钟/次；80％乙醇中浸泡1分钟；95％乙醇中浸泡2次，1分钟/次；0.5％固绿(95％乙醇为溶剂)中浸泡6秒；无水乙醇中浸泡2次，1分钟/次；二甲苯/乙醇溶液(1/1，v/v)中浸泡1分钟；100％二甲苯溶液中浸泡2次，1分钟/次)。
具体地，在步骤101中，基于植物染色图像的木质素和纤维素的检测系统利用一系列的图像处理方式，对接收到的染色切片图像进行单个组织结构提取，获取对应的组织分布图像。
步骤102、对组织分布图像进行RGB通道分解后，获取第一图像和第二图像。
其中，第一图像的像素值是R通道信号强度和B通道信号强度的比值。第二图像的像素值是G通道信号强度和B通道信号强度的比值。
具体地，在步骤102中，基于植物染色图像的木质素和纤维素的检测系统对处理后的组织分布图像对组织分布图像进行通道分解，并在0-1的范围内进行归一化，分别获取对应的红R通道图像、绿G通道图像和蓝B通道图像后。将R通道图像和B通道图像进行对位点除，生成像素值均为R/B的第一图像，同理，将G通道图像和B通道图像进行对位点除，生成像素值均为G/B的第二图像。
其中，第一图像中的每一个像素点的像素值，为该像素点在组织分布图像的R通道信号强度和B通道信号强度之间的比值，该R/B比值可以作为木质素的量化指标。
第二图像中的每一个像素点的像素值，为该像素点在组织分布图像的G通道信号强度和B通道信号强度之间的比值，该G/B比值可以作为纤维素的量化指标。
步骤103、分别对第一图像和第二图像进行信号强度的统计分析，获取第一定量结果和第二定量结果。
其中，第一定量结果用于指示待测植物样本的木质素在对应组织部分的含量。第二定量结果用于指示待测植物样本的纤维素在对应组织部分的含量。
具体地，在步骤103中，基于植物染色图像的木质素和纤维素的检测系统分别对第一图像中的R/B比值，以及第二图像中G/B比值进行统计分析，以获取第一定量结果和第二定量结果。
第一定量结果，是指第一图像中R/B比值的统计结果，可以用来表征待测植物样本的木质素含量在空间中的分布。
第二定量结果，是指第二图像中G/B比值的统计结果，可以用来表征待测植物样本的木质素含量在空间中的分布。
其中，对第一图像和第二图像中的像素值使用的统计方法包括但不限于统计像素值的平均值、统计像素值的方差等方法，本发明实施例对此不作具体限定。
第一定量结果和第二定量结果所指示的木质素和纤维素分布量化数据可以支持同一样品不同组织和不同样品同一组织的统计学显著差异分析，有助于作物育种研究中解析不同基因和性状形成的调控网络和资源化利用过程中的降解机理。
本发明实施例基于待测植物样本的染色切片图像提取出组织分布图像，通过对组织分布图像所处理得到的第一图像和第二图像进行统计，获取第一定量结果和第二定量结果。能够将R/B值和G/B值分别作为木质素和纤维素分布的量化指标，为木质素和纤维素同步提供可分析的量化数据，实现原位同步量化分析。避免直接通过人眼分析判断木质素和纤维素分布的主观误差，提升植物检测的准确性、客观性和可重复性。
在上述任一实施例的基础上，对组织分布图像进行RGB通道分解后，获取第一图像和第二图像，包括：基于组织分布图像的通道信号强度，确定信号强度阈值。
具体地，在步骤102中，基于植物染色图像的木质素和纤维素的检测系统分别对归一化后的R通道图像、G通道图像和B通道图像，从不同通道图像的频率分布直方图中统计出对应的通道阈值，再对通道阈值取平均，确定细胞壁和染色剂残留信息的信号强度阈值。
可以理解的是，由于各通道图像的通道阈值之间的差值相对较小，故可以只对B通道图像的频率分布直方图进行统计，获取信号强度阈值。
基于信号强度阈值，从组织分布图像的通道信号强度中筛选出细胞壁的R通道图像、细胞壁的G通道图像和细胞壁的B通道图像。具体地，基于植物染色图像的木质素和纤维素的检测系统使用RGB通道中的B通道信号强度为参比，将B通道图像中大于信号强度阈值的像素转换为NaN(即没有数值的像素)，从而仅保留小于或者等于信号强度阈值的像素，得到细胞壁的B通道图像。同理，将转换为NaN的像素点坐标进行记录，对R通道图像和G通道图像中对应的像素点坐标中的像素值也转换为NaN，分别得到细胞壁的R通道图像、细胞壁的G通道图像，以去除染色剂残留，保留信息细胞壁RGB通道信号强度。
将细胞壁的R通道图像和细胞壁的G通道图像，分别与细胞壁的B通道图像作比，获取第一图像和第二图像。
具体地，基于植物染色图像的木质素和纤维素的检测系统将细胞壁的R通道图像和细胞壁的B通道图像作比，获取第一图像。同理，将细胞壁的G通道图像和细胞壁的B通道图像作比，获取第二图像。
本发明实施例基于RGB三通道的频率分布直方图确定信号强度阈值，通过信号强度阈值对RGB三通道图像进行筛选，去除染色剂残留信息，仅保留细胞壁的RGB三通道信号强度，并分别将第一图像的R/B比值和第二图像的G/B比值分别作为木质素和纤维素分布的量化指标。实现了植物组织结构内所有细胞壁像素的量化指标均值进行组织间木质素和纤维素含量的量化比较分析，能够定性定量的描述木质素和纤维素分布差异。
在上述任一实施例的基础上，获取第一图像和第二图像之后，还包括：分别对第一图像和第二图像进行聚类分析，获取第一聚类结果和第二聚类结果。
其中，第一聚类结果用于指示待测植物样本的木质素含量的差异分布。第二聚类结果用于指示待测植物样本的纤维素含量的差异分布。
具体地，基于植物染色图像的木质素和纤维素的检测系统分别对第一图像中的R/B比值，以及第二图像中G/B比值进行聚类，将具有相似度较高的比值视为一类，以获取第一聚类结果和第二聚类结果。
其中，第一聚类结果，是指具有最多R/B比值的分类，其具有明显数据特征，可以用来表征待测植物样本的木质素含量差异在空间中的分布。
第二聚类结果，是指具有最多G/B比值的分类，其具有明显数据特征，可以用来表征待测植物样本的纤维素含量差异在空间中的分布。
可以理解的是，聚类分析方法包括但不限于直接聚类法、最短距离聚类法或最远距离聚类法等，本发明实施例对此不作具体限定。
其中，相似性的度量可以通过计算距离来实现，其距离计算方法包括但不限于欧氏距离、曼哈顿距离、切比雪夫距离、闵氏距离、标准化欧氏距离、余弦相似度、马氏距离、汉明距离或者巴氏距离等。
本发明实施例基于第一图像中的R/B值和第二图像中G/B值进行聚类分析，以根据获取的第一聚类结果和第二聚类结果，表征获取木质素和纤维素在空间差异分布。能够对同一样品不同组织和不同样品同一组织的木质素和纤维素分布差异进行定性定量的描述，有助于作物育种研究中解析不同基因和性状形成的调控网络和资源化利用过程中的降解机理。
在上述任一实施例的基础上，分别对第一图像和第二图像进行聚类分析，获取第一聚类结果和第二聚类结果，包括：对第一图像和第二图像进行R型聚类分析，分别获取第一图像和第二图像在各分类中的第一像素点占比和第二像素点占比。
具体地，基于植物染色图像的木质素和纤维素的检测系统对聚类分析过程设置分类数量n，继而采用非监督K-means聚类中的R型聚类，分别对第一图像中的R/B和第二图像中的G/B进行聚类，不设置聚类中心点，通过距离重复计算n次，将具有相近距离的比值视为一类，计算出每个分类的R/B像素点在第一图像所有像素点中所占的比例作为第一像素点占比，而将每个分类的G/B像素点在第二图像所有像素点中所占的比例作为第二像素点占比。
基于第一像素点占比和第二像素点占比，确定第一聚类结果和第二聚类结果。
具体地，基于植物染色图像的木质素和纤维素的检测系统根据各分类下的第一像素点占比和第二像素点占比进行比较，确定第一聚类结果和第二聚类结果。
本发明实施例基于第一图像和第二图像进行R型聚类分析，通过各分类中的第一像素点占比和第二像素点占比，获取确定第一聚类结果和第二聚类结果。能够定性定量的描述木质素和纤维素分布差异。
在上述任一实施例的基础上，基于待测植物样本的染色切片图像，获取组织分布图像，包括：将染色切片图像转换至Hue Saturation Value色彩空间进行前景提取，获取目标图像。
具体地，在步骤101中，基于植物染色图像的木质素和纤维素的检测系统将染色切片图像转换至Hue Saturation Value(HSV)色彩空间后，利用自适应阈值方法，在V空间进行二值化，再通过选择前景极性参数进行前景提取，获取目标图像。
基于目标图像，提取出组织分布图像。
具体地，基于植物染色图像的木质素和纤维素的检测系统利用多点拟合从目标图像中提取出植物切片染色图像中的单个组织，获取相应的组织分布图像。
组织分布图像，包括单个植物组织中木质素(即红色部分)和纤维素(即绿色部分)的分布图像。
本发明实施例对染色切片图像转换进行前景提取和不同组织结构提取，获取组织分布图像。实现对样本图像进行特征提取，只保留植物组织部分，提升植物检测的准确性、客观性和可重复性。
在上述任一实施例的基础上，待测植物样本的染色切片图像是在视场内经由白板进行白平衡校正后采集的。
具体地，基于植物染色图像的木质素和纤维素的检测系统所接收到的染色切片图像，是在普通生物显微镜下，用5X/10X/20X物镜观察染色切片，并在一个视场内以最高分辨率同时采集各种组织显微图像，再显微量测过程中利用白板进行白平衡校正后获取的显微图像。
图2是本发明提供的基于植物染色图像的木质素和纤维素的检测方法的仿真示意图之一。图3是本发明提供的基于植物染色图像的木质素和纤维素的检测方法的仿真示意图之二。图4是本发明提供的基于植物染色图像的木质素和纤维素的检测方法的仿真示意图之三。图5是本发明提供的基于植物染色图像的木质素和纤维素的检测方法的仿真示意图之四。如图2-图5所示，本发明实施例分别利用导入系IL349水稻(IL349)和从IL349中分离出的水稻Brittle Culm1基因突变体水稻(KO-BC1)，在室外水田环境中生长，并均从两种水稻茎秆倒数第二节间中间部位作为待测植物样本进行检测：
实施例1，是对水稻茎秆横截面纤维素和木质素含量差异原位同步量化研究：
(1-1)样品制备：将采集到的水稻茎秆倒数第二节间从中间部位切割，随后置于FAA固定剂中，固定24h以上后采用石蜡包埋，使用滑走式切片机切取厚度约为15μm的横截面切片，随后进行番红-固绿对染，具体操作包括：(a)脱蜡(二甲苯/乙醇溶液：100％二甲苯，二甲苯/乙醇(3/1，v/v)，二甲苯/乙醇(1/1，v/v)，无水乙醇，每种溶液依次浸泡10分钟)；(b)番红-固绿对染(无水乙醇，浸泡3次，3分钟/次；95％、85％和70％乙醇，依次浸泡3分钟；1％番红在50％的乙醇中，37℃，浸泡30分钟；70％乙醇中浸泡2次，1分钟/次；80％乙醇中浸泡1分钟；95％乙醇中浸泡2次，1分钟/次；0.5％的固绿在95％的乙醇中浸泡6秒；无水乙醇中浸泡2次，1分钟/次；二甲苯/乙醇溶液(1/1，v/v)中浸泡1分钟；100％二甲苯溶液中浸泡2次，1分钟/次)。
(1-2)显微图像获取：在普通生物显微镜下，用10X物镜观察染色切片，并在一个视场内以最高分辨率同时采集各种组织显微图像，在获取图像前用白板进行白平衡校正。如图2所示，将标尺设置为100μm，左边子图是IL349对应的染色切片图像，右边子图是KO-BC1对应的染色切片图像。
(1-3)染色图像处理：分别将图像转换为HSV色彩空间，然后使用自适应阈值方法将图像转换为V空间的二进制图像。最后，选择前景极性参数进行前景，获取组织分布图像。
(1-4)植物组织中木质素和纤维素空间分布的量化：将两种水稻样本的组织分布图像进行RGB分解，并在0-1的范围内进行归一化。根据染色图像RGB通道信号强度的频率分布直方图得到细胞壁和染色剂残留信息的RGB信号强度阈值，使用RGB通道中的B通道信号强度为参比，将大于该阈值的像素转换为NaN(即没有数值的像素)，从而仅保留细胞壁RGB通道信号强度。计算R/B和G/B比值作为木质素和纤维素的量化指标，生成R/B比值图像(即第一图像)和G/B比值图像(即第二图像)用于木质素和纤维素的空间分布原位分析，使用所有细胞壁像素R/B和G/B值的均值进行组织间木质素和纤维素含量的量化比较分析。
如图3所示，子图(a)和(b)分别对应于两种水稻的第一图像和第二图像，白框中的放大图像显示在图的右侧。子图(c)和(d)分别是第一图像中R/B比值的统计结果和第二图像中的G/B比值的统计结果。
其中，缩略词E，为表皮-机械组织。缩略词P，为薄壁组织。缩略词V，为维管束。
其统计结果显示：与IL349水稻茎秆相比，KO-BC1水稻茎秆的R/B比值在表皮-机械组织中对比明显，薄壁组织和维管束的差异较小(图3a)。根据R/B比值小提琴图(图3c)可以得到，KO-BC1的平均值高于IL349，这表明木质素含量的差异主要反映在表皮-机械组织中。G/B和R/B比值图像的结果形成对比(图3b)，KO-BC1水稻茎秆的表皮-机械组织的G/B比值明显低于IL349，薄壁组织和维管束比IL349略低。根据G/B比值小提琴图(图3d)可以得到，KO-BC1水稻茎秆的G/B比值的平均值低于IL349，这表明纤维素含量的差异也主要体现在表皮-机械组织中。
实施例2，是对水稻茎秆表皮-机械组织中纤维素和木质素含量差异原位同步量化研究，其(2-1)样品制备和(2-2)显微图像获取与实施例1相同。
(2-3)染色图像处理：分别将图像转换为HSV色彩空间，然后使用自适应阈值方法将图像转换为V空间的二进制图像。最后，选择前景极性参数进行前景，通过多点拟合从染色切片图像中提取表皮-机械组织的组织分布图像
(2-4)表皮-机械组织中木质素和纤维素空间分布的量化：将两种水稻样本的组织分布图像进行RGB分解，并在0-1的范围内进行归一化。根据染色图像RGB通道信号强度的频率分布直方图得到细胞壁和染色剂残留信息的RGB信号强度阈值，使用RGB通道中的B通道信号强度为参比，将大于该阈值的像素转换为NaN(即没有数值的像素)，从而仅保留细胞壁RGB通道信号强度。生成R/B比值图像(即第一图像)和G/B比值图像(即第二图像)，并计算R/B和G/B比值作为木质素和纤维素的量化指标。
(2-5)K-均值聚类分析：分别对两种水稻的第一图像和第二图像中R/B和G/B比值进行K-means聚类，不设置聚类中心点，使用城市距离(City Distance)重复计算5次，将具有相近城市距离的比值视为一类。
如图4所示，处于上方的五幅子图是IL349水稻茎秆表皮-机械组织R/B比值K-means聚类图像，处于下方的五幅子图是KO-BC1水稻茎秆表皮-机械组织R/B比值K-means聚类图像。
如图5所示，处于上方的五幅子图是IL349水稻茎秆表皮-机械组织G/B比值K-means聚类图像，处于下方的五幅子图是KO-BC1水稻茎秆表皮-机械组织G/B比值K-means聚类图像。
其中，缩略词Epi，为表皮。缩略词Sa，为厚壁组织。缩略词Svb，为小维管束。
根据图4的聚类结果表明，IL349水稻茎秆表皮-机械组织中的厚壁组织集中分布在第3、4类，而KO-BC1主要分布在第1类，说明KO-BC1水稻茎秆厚壁组织中木质素含量高于IL349，差异最大。IL349水稻茎秆中的小维管束主要表现在第2类，轮廓相对完整，而KO-BC1的小维管束基本在第1类，说明KO-BC1水稻茎秆小维管束中木质素含量较高。K-均值聚类图像还显示IL349水稻茎秆表皮主要表现在第1、2类，而KO-BC1的表皮基本分布在第1类，差异最小。
两种水稻表皮-机械组织G/B比值K-means聚类图像显示(如图5)，KO-BC1水稻茎秆的表皮和厚壁组织的形态结构信息大部分呈现在第4类中，部分包含在第3类中。相反，IL349的表皮和厚壁组织集中分布在第1和第2类中，第3类中的厚壁组织相对破碎，表皮相对完整，说明KO-BC1水稻茎秆表皮-机械组织纤维素含量低于IL349，差异最大的组织部位是两个水稻茎秆的厚壁组织，其次是表皮。KO-BC1的小维管束集中分布在第3类中，IL349的小维管束集中分布在第2和第3类中，也存在一定的差异。
本发明实施例在获取染色切片图像之前，通过在显微成像过程中设置白板进行白平衡处理，获取染色切片图像。实现对样本图像滤除环境中的杂散因素，提升植物检测的准确性、客观性和可重复性。
图6是本发明提供的基于植物染色图像的木质素和纤维素的检测系统的结构示意图。在上述任一实施例的基础上，如图6所示，本发明实施例提供的基于植物染色图像的木质素和纤维素的检测系统，包括：样本图像处理模块610、组成成分提取模块620和量化模块630，其中：
样本图像处理模块610，用于基于待测植物样本的染色切片图像，获取组织分布图像。
组成成分提取模块620，用于对组织分布图像进行RGB通道分解后，获取第一图像和第二图像。
量化模块630，用于分别对第一图像和第二图像进行信号强度的统计分析，获取第一定量结果和第二定量结果。
其中，染色切片图像是对待测植物样本进行番红-固绿染色后获取的。第一图像的像素值是R通道信号强度和B通道信号强度的比值。第二图像的像素值是G通道信号强度和B通道信号强度的比值。第一定量结果用于指示待测植物样本的木质素在对应组织部分的含量。第二定量结果用于指示待测植物样本的纤维素在对应组织部分的含量。
具体地，样本图像处理模块610、组成成分提取模块620和量化模块630顺次电连接。
样本图像处理模块610利用一系列的图像处理方式，对接收到的染色切片图像进行单个组织结构提取，获取对应的组织分布图像。
组成成分提取模块620处理后的组织分布图像进行处理，得到第一图像和第二图像。
其中，第一图像中的每一个像素点的像素值，为该像素点在组织分布图像的红色分量与蓝色分量之间的比值，该R/B比值可以作为木质素的量化指标。
第二图像中的每一个像素点的像素值，为该像素点在组织分布图像的绿色分量与蓝色分量之间的比值，该G/B比值可以作为纤维素的量化指标。
量化模块630分别对第一图像中的R/B比值，以及第二图像中G/B比值进行聚类，将具有相似度较高的比值视为一类，以获取第一聚类结果和第二聚类结果。
可选地，组成成分提取模块620包括阈值确定单元、像素筛选单元和组织提取单元，其中：
阈值确定单元，用于基于组织分布图像的通道信号强度，确定信号强度阈值。
像素筛选单元，用于基于信号强度阈值，从组织分布图像的通道信号强度中筛选出细胞壁的R通道图像、细胞壁的G通道图像和细胞壁的B通道图像。
组织提取单元，用于将细胞壁的R通道图像和细胞壁的G通道图像，分别与细胞壁的B通道图像作比，获取第一图像和第二图像。
可选地，基于植物染色图像的木质素和纤维素的检测系统还包括分析模块，其中：
分析模块，用于分别对第一图像和第二图像进行聚类分析，获取第一聚类结果和第二聚类结果。
其中，第一聚类结果用于指示待测植物样本的木质素含量的差异分布。第二聚类结果用于指示待测植物样本的纤维素含量的差异分布。
可选地，分析模块包括聚类单元和分析单元，其中：
聚类单元，用于对第一图像和第二图像进行R型聚类分析，分别获取第一图像和第二图像在各分类中的第一像素点占比和第二像素点占比。
分析单元，用于基于第一像素点占比和第二像素点占比，确定第一聚类结果和第二聚类结果。
可选地，样本图像处理模块610空间转换单元和特征提取单元，其中：
空间转换单元，用于将染色切片图像转换至Hue Saturation Value色彩空间进行前景提取，获取目标图像。
特征提取单元，用于基于目标图像，提取出组织分布图像。
可选地，待测植物样本的染色切片图像是在视场内经由白板进行白平衡校正后采集的。
本发明实施例提供的基于植物染色图像的木质素和纤维素的检测系统，用于执行本发明上述基于植物染色图像的木质素和纤维素的检测方法，其实施方式与本发明提供的基于植物染色图像的木质素和纤维素的检测方法的实施方式一致，且可以达到相同的有益效果，此处不再赘述。
本发明实施例基于待测植物样本的染色切片图像提取出组织分布图像，通过对组织分布图像所处理得到的第一图像和第二图像进行统计，获取第一定量结果和第二定量结果。能够将R/B值和G/B值分别作为木质素和纤维素分布的量化指标，为木质素和纤维素同步提供可分析的量化数据，实现原位同步量化分析。避免直接通过人眼分析判断木质素和纤维素分布的主观误差，提升植物检测的准确性、客观性和可重复性。
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行基于植物染色图像的木质素和纤维素的检测方法，该方法包括：基于待测植物样本的染色切片图像，获取组织分布图像；对组织分布图像进行RGB通道分解后，获取第一图像和第二图像；分别对第一图像和第二图像进行信号强度的统计分析，获取第一定量结果和第二定量结果；其中，染色切片图像是对待测植物样本进行番红-固绿染色后获取的；第一图像的像素值是R通道信号强度和B通道信号强度的比值；第二图像的像素值是G通道信号强度和B通道信号强度的比值；第一定量结果用于指示待测植物样本的木质素在对应组织部分的含量；第二定量结果用于指示待测植物样本的纤维素在对应组织部分的含量。
此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于植物染色图像的木质素和纤维素的检测方法，该方法包括：基于待测植物样本的染色切片图像，获取组织分布图像；对组织分布图像进行RGB通道分解后，获取第一图像和第二图像；分别对第一图像和第二图像进行信号强度的统计分析，获取第一定量结果和第二定量结果；其中，染色切片图像是对待测植物样本进行番红-固绿染色后获取的；第一图像的像素值是R通道信号强度和B通道信号强度的比值；第二图像的像素值是G通道信号强度和B通道信号强度的比值；第一定量结果用于指示待测植物样本的木质素在对应组织部分的含量；第二定量结果用于指示待测植物样本的纤维素在对应组织部分的含量。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于植物染色图像的木质素和纤维素的检测方法，该方法包括：基于待测植物样本的染色切片图像，获取组织分布图像；对组织分布图像进行RGB通道分解后，获取第一图像和第二图像；分别对第一图像和第二图像进行信号强度的统计分析，获取第一定量结果和第二定量结果；其中，染色切片图像是对待测植物样本进行番红-固绿染色后获取的；第一图像的像素值是R通道信号强度和B通道信号强度的比值；第二图像的像素值是G通道信号强度和B通道信号强度的比值；第一定量结果用于指示待测植物样本的木质素在对应组织部分的含量；第二定量结果用于指示待测植物样本的纤维素在对应组织部分的含量。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于植物染色图像的木质素和纤维素的检测方法，其特征在于，包括：
基于待测植物样本的染色切片图像，获取组织分布图像；
对所述组织分布图像进行RGB通道分解后，获取第一图像和第二图像；
分别对所述第一图像和所述第二图像进行信号强度的统计分析，获取第一定量结果和第二定量结果；
其中，所述染色切片图像是对所述待测植物样本进行番红-固绿染色后获取的；所述第一图像的像素值是R通道信号强度和B通道信号强度的比值；所述第二图像的像素值是G通道信号强度和B通道信号强度的比值；所述第一定量结果用于指示待测植物样本的木质素在对应组织部分的含量；所述第二定量结果用于指示待测植物样本的纤维素在对应组织部分的含量。
2.根据权利要求1所述的基于植物染色图像的木质素和纤维素的检测方法，其特征在于，所述对所述组织分布图像进行RGB通道分解后，获取第一图像和第二图像，包括：
基于所述组织分布图像的通道信号强度，确定信号强度阈值；
基于所述信号强度阈值，从所述组织分布图像的通道信号强度中筛选出细胞壁的R通道图像、细胞壁的G通道图像和细胞壁的B通道图像；
将所述细胞壁的R通道图像和所述细胞壁的G通道图像，分别与所述细胞壁的B通道图像作比，获取所述第一图像和所述第二图像；
其中，所述组织分布图像的通道信号强度包括R通道信号强度、G通道信号强度和B通道信号强度。
3.根据权利要求1所述的基于植物染色图像的木质素和纤维素的检测方法，其特征在于，在所述获取所述第一图像和所述第二图像之后，还包括：
分别对所述第一图像和所述第二图像进行聚类分析，获取第一聚类结果和第二聚类结果；
其中，所述第一聚类结果用于指示待测植物样本的木质素含量的差异分布；所述第二聚类结果用于指示待测植物样本的纤维素含量的差异分布。
4.根据权利要求1所述的基于植物染色图像的木质素和纤维素的检测方法，其特征在于，所述分别对所述第一图像和所述第二图像进行聚类分析，获取第一聚类结果和第二聚类结果，包括：
对所述第一图像和所述第二图像进行R型聚类分析，分别获取所述第一图像和所述第二图像在各分类中的第一像素点占比和第二像素点占比；
基于所述第一像素点占比和所述第二像素点占比，分别确定所述第一聚类结果和所述第二聚类结果。
5.根据权利要求1所述的基于植物染色图像的木质素和纤维素的检测方法，其特征在于，所述基于待测植物样本的染色切片图像，获取组织分布图像，包括：
将染色切片图像转换至Hue Saturation Value色彩空间进行前景提取，获取目标图像；
基于所述目标图像，提取出所述组织分布图像。
6.根据权利要求1所述的基于植物染色图像的木质素和纤维素的检测方法，其特征在于，所述待测植物样本的染色切片图像是在视场内经由白板进行白平衡校正后采集的。
7.一种基于植物染色图像的木质素和纤维素的检测系统，其特征在于，包括：
样本图像处理模块，用于基于待测植物样本的染色切片图像，获取组织分布图像；
组成成分提取模块，用于对所述组织分布图像进行RGB通道分解后，获取第一图像和第二图像；
量化模块，用于分别对所述第一图像和所述第二图像进行信号强度的统计分析，获取第一定量结果和第二定量结果；
其中，所述染色切片图像是对所述待测植物样本进行番红-固绿染色后获取的；所述第一图像的像素值是R通道信号强度和B通道信号强度的比值；所述第二图像的像素值是G通道信号强度和B通道信号强度的比值；所述第一定量结果用于指示待测植物样本的木质素在对应组织部分的含量；所述第二定量结果用于指示待测植物样本的纤维素在对应组织部分的含量。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述基于植物染色图像的木质素和纤维素的检测方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于植物染色图像的木质素和纤维素的检测方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于植物染色图像的木质素和纤维素的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210886368.7A CN115346213B (zh) | 2022-07-26 | 2022-07-26 | 基于植物染色图像的木质素和纤维素的检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210886368.7A CN115346213B (zh) | 2022-07-26 | 2022-07-26 | 基于植物染色图像的木质素和纤维素的检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115346213A CN115346213A (zh) | 2022-11-15 |
| CN115346213B true CN115346213B (zh) | 2024-10-29 |
Family
ID=83949519
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210886368.7A Active CN115346213B (zh) | 2022-07-26 | 2022-07-26 | 基于植物染色图像的木质素和纤维素的检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115346213B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105755036A (zh) * | 2009-10-22 | 2016-07-13 | 巴斯夫植物科学有限公司 | 具有增强的产量相关性状的植物和用于产生该植物的方法 |
| CN110097535A (zh) * | 2019-03-22 | 2019-08-06 | 华南农业大学 | 植物叶片含氮量检测方法、装置、计算机设备和存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4521342A2 (en) * | 2018-03-30 | 2025-03-12 | The Regents of the University of California | Method and system for digital staining of label-free fluorescece images using deep learning |
| US11972535B2 (en) * | 2019-04-23 | 2024-04-30 | Stellenbosch University | Method and system for visualising colocalised fluorescence signals |
| US20210010016A1 (en) * | 2019-07-11 | 2021-01-14 | The Board Of Regents Of The University Of Oklahoma | Plants with altered production of biomass constituents and methods of use |
| CN114674789B (zh) * | 2020-12-24 | 2024-01-09 | 苏州飞康生物医药有限公司 | 一种基于手机的生物检测方法及装置 |
-
2022
- 2022-07-26 CN CN202210886368.7A patent/CN115346213B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105755036A (zh) * | 2009-10-22 | 2016-07-13 | 巴斯夫植物科学有限公司 | 具有增强的产量相关性状的植物和用于产生该植物的方法 |
| CN110097535A (zh) * | 2019-03-22 | 2019-08-06 | 华南农业大学 | 植物叶片含氮量检测方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115346213A (zh) | 2022-11-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6486988B2 (ja) | 病理学における品質保証のためのシステムおよび方法 | |
| JP5040597B2 (ja) | 評価システム、評価方法および評価プログラム | |
| JP5996494B2 (ja) | デジタルスライド画像を表示する方法 | |
| JP2008539763A (ja) | 色原体分離に基づく画像解析の方法 | |
| CN109145955B (zh) | 一种木材识别方法及系统 | |
| AU2014375318A1 (en) | Systems and methods for spectral unmixing of microscopic images using pixel grouping | |
| CN110838094B (zh) | 病理切片染色风格转换方法和电子设备 | |
| CN111095358A (zh) | 辅助组织样本分析的载玻片图像颜色反卷积系统及方法 | |
| SE542402C2 (en) | Method and apparatus for training a neural network classifier to classify an image depicting one or more objects of a biological sample | |
| CN115346213B (zh) | 基于植物染色图像的木质素和纤维素的检测方法及系统 | |
| JP6246978B2 (ja) | 線維化を検出及び定量化する方法 | |
| US12131464B2 (en) | Scanning/pre-scanning quality control of slides | |
| CN115564776B (zh) | 基于机器学习的异常细胞样本检测方法和装置 | |
| CN117305426A (zh) | 一种葡萄种质资源的鉴定方法及其应用 | |
| CN115115609A (zh) | 一种植物叶片正面表型性状的图像分析方法及系统 | |
| CN114332060A (zh) | 一种病理样本的制片检测系统 | |
| JPWO2018131091A1 (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
| CN113390795B (zh) | 基于冠层成像光谱的茶叶鲜叶质量无损监测方法及装置 | |
| JP7473893B2 (ja) | 診断支援方法及びそのシステム | |
| Roszkowiak et al. | Short survey: Adaptive threshold methods used to segment immunonegative cells from simulated images of follicular lymphoma stained with 3, 3′-Diaminobenzidine&Haematoxylin | |
| US10460439B1 (en) | Methods and systems for identifying cellular subtypes in an image of a biological specimen | |
| Candassamy et al. | Pollen Identification and Concentration Estimation Using High Resolution Imaging and Deep Learning | |
| CN118115720A (zh) | 面向fret应用的辅助圈选roi系统 | |
| CN116843973A (zh) | 基于去除不良波段的医学高光谱影像分类方法 | |
| WO2024084311A1 (en) | Visual analysis of sperm dna fragmentation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |