摘要　本研究基于数字图像处理与分析技术，首次用FeatureExtract数学形态特征提取软件获取了3种菟丝子图像的13项数学形态特征值，并做了方差分析和聚类分析。结果表明，该技术可应用于杂草种子快速鉴定。同时提出对方法的改进建议，为最终实现杂草种子的快速鉴定奠定了基础。
　　关键词 计算机视觉技术；数学形态特征；检疫性杂草种子
　　中图分类号　S 453
　　
　　
　　2　试验方法
　　
　　2.1图像的采集
　　采集到边缘清晰的图片是本试验的关键，所以对种子的成像要求较高。具体步骤如下：为了显示图片实际大小，把菟丝子种子放于测微尺上采集图像，打开LCD显微镜，运行其自带软件，调节图像大小，使种子占满视野，调节镜头并利用软件调节图像的清晰度，使种子轮廓及特征清晰。
　　
　　2.2图像的处理
　　考虑到所获取的菟丝子种子图像较大，种子立体结构会造成图像轮廓模糊。本研究利用Photo—shop软件对原始图片进行预处理，使其轮廓更为清晰可辨，降低数据提取的运算负担。
　　为了更好地去除噪音以及杂质干扰，勾勒出杂草种子的整体轮廓；并对照片其他部分填充背景色进一步去除图像干扰，突出整体；修改图像大小至80k左右，以加快图像处理软件的运算速度；用IPMist实验室研发的图像处理软件BatchImage将初始图像处理成32 bits图，再二值化成bina_shape图进行数据特征的提取。
　　
　　2.3图像数学形态学特征的提取
　　用FeatureExtract数据提取软件提取出菟丝子种子的若干数学形态特征，包括矩形度、延长度、似圆度、球状性、叶状性、偏心率以及7个Hu特征值，以下是对各参数的一个简要说明。
　　(1)矩形度：物体面积与最小外接矩形面积的比值。
　　(2)延长度：物体短轴与长轴的比值。
　　
　　此外，对这3种菟丝子进行典则判别分析(图1)和聚类分析(表3)，结果表明，3种菟丝子明显可以分为3类。聚类分析结果也显示出，当用全部数据得到的判别函数对3种菟丝子进行聚类分析时，所有样本都被正确归为一类；而当用不包含被测标本得到的判别函数对其进行聚类分析时，只有一个样本判别错误，总的判对率为98.6％。
　　
　　4　展望与讨论
　　
　　
　　通过试验数据的分析可以看出，通过Feature-Extract软件提取到的13个参数中，大部分对这3种菟丝子的区分与鉴别有重要作用。只有参数偏心率和Hu6在这些菟丝子种内还存在差异，不适用于这3类杂草的区分。这可能由于菟丝子种子在生长过程中所受环境影响较大，诸如水分、湿度、气候等，对其长、宽、面积等有一定影响，所以虽然本文在试验中设计测量了种子的长短矩和面积，但最终选取的参数不包括这些因子。利用其他参数可以成功区分出3种菟丝子的差异，并最终把相同的种归为一类。由于这3种杂草种子同属于一个属，形态特征必然有一定的相似之处。但并不排除偏心率、Hu6在与其他杂草种子的区别中会起重要作用，还需进一步的试验进行验证。
　　作者认为，下一步的研究可以在两个方向上进行。一是对摄像器材和图像数学形态提取软件作进一步的改进，以便能处理大样本的菟丝子种子；二是将研究扩大到其他种类的杂草种子，进一步确定该技术在检疫性杂草种子快速自动鉴别领域中的应用范围。